LoslegenKostenlos starten

Intuition hinter statistischer Signifikanz

In dieser Übung erarbeitest du dir ein intuitives Verständnis von statistischer Signifikanz. Dazu nutzt du die Funktion get_pvalue() mit verschiedenen Parametersätzen, die in einem A/B-Test realistisch auftreten oder gewählt werden könnten. Achte dabei darauf, wie sich die Ergebnisse zur statistischen Signifikanz verändern, wenn du die Parameter variierst. Das stärkt deine Intuition für dieses Konzept und zeigt einige der subtilen Fallstricke von p-Werten. Zur Erinnerung: So sieht die Signatur der Funktion get_pvalue() aus:

def get_pvalue(con_conv, test_conv, con_size, test_size):  
    lift =  - abs(test_conv - con_conv)

    scale_one = con_conv * (1 - con_conv) * (1 / con_size)
    scale_two = test_conv * (1 - test_conv) * (1 / test_size)
    scale_val = (scale_one + scale_two)**0.5

    p_value = 2 * stats.norm.cdf(lift, loc = 0, scale = scale_val )

    return p_value

Diese Übung ist Teil des Kurses

<Kurs>Customer Analytics und A/B-Testing mit Python</Kurs>
Kurs ansehen

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Get the p-value
p_value = get_pvalue(con_conv=____, test_conv=____, con_size=____, test_size=____)
print(p_value)
Code bearbeiten und ausführen