p-values corregidos
Imagina que eres Data Scientist en una empresa de suscripción. El equipo de diseño web está buscando el CTA (call to action) perfecto para animar a las personas que visitan la página a registrarse en su servicio. Te han presentado 4 diseños distintos además de la versión actual.
Tras ejecutar un experimento comparando cada variante con el control, generaste una lista de p-values cargada en la variable pvals. Compararlos directamente con el umbral de significación daría lugar a una tasa inflada de errores de Tipo I. Para evitarlo, puedes usar la función smt.multipletests() de la librería statsmodels de Python para corregir los p-values y comprobar la significación estadística con un FWER = 5%.
Este ejercicio forma parte del curso
A/B Testing en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
import statsmodels.stats.multitest as smt
pvals = [0.0126, 0.0005, 0.00007, 0.009]
# Perform a Bonferroni correction and print the output
corrected = smt.____(pvals, alpha = ____, method = '____')
print('Significant Test:', corrected[0])
print('Corrected P-values:', corrected[1])
print('Bonferroni Corrected alpha: {:.4f}'.format(corrected[3]))