Le paradoxe de Simpson à l'œuvre
Généraliser les résultats de nos tests A/B à différents segments de la population peut être crucial pour l'entreprise. Parfois, nous souhaitons éviter le coût de tests supplémentaires dans d'autres villes, sur d'autres appareils, etc. S'assurer que nos résultats sont cohérents selon les sous-populations augmente notre confiance lorsque nous faisons de telles généralisations.
Examinez les jeux de données simp_balanced et simp_imbalanced afin de repérer le paradoxe de Simpson et de bien comprendre comment ce phénomène peut survenir dans des scénarios de test A/B.
Cette activité fait partie du cours
A/B Testing en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Calculate the conversion rate per variant and then browser
imbalanced_variant_rate = simp_imbalanced.____('____')['____'].____()
imbalanced_variant_browser_rate = simp_imbalanced.____(['____','____'])['____'].____()
print(imbalanced_variant_rate)
print(imbalanced_variant_browser_rate)