Le paradoxe de Simpson à l'œuvre
Généraliser les résultats de notre test 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. Vérifier que nos résultats sont cohérents selon les sous-populations renforce notre confiance dans ces généralisations.
Examinez les jeux de données simp_balanced et simp_imbalanced à la recherche du paradoxe de Simpson pour bien comprendre comment ce phénomène peut se produire dans des scénarios de test A/B.
Cet exercice fait partie du cours
A/B Testing en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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)