Valeurs p corrigées
Imaginez que vous êtes Data Scientist dans une entreprise par abonnement. L’équipe design web cherche le meilleur bouton CTA (call-to-action) pour inciter les visiteurs à s’inscrire au service. Elle vous a présenté 4 designs différents en plus de la version actuelle.
Après avoir mené une expérimentation comparant chaque variante au témoin, vous avez obtenu une liste de valeurs p, chargée dans la variable pvals. Les comparer directement au seuil de significativité entraînerait un taux d’erreur de type I gonflé. Pour l’éviter, vous pouvez utiliser la fonction smt.multipletests() de la bibliothèque Python statsmodels afin de corriger les valeurs p et tester la significativité statistique avec un FWER = 5 %.
Cet exercice fait partie du cours
A/B Testing en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
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]))