Comprenez les tests A/B et leur conception. Découvrez les éléments à surveiller pour traiter correctement les données et les analyses.

A/B testing et conception

Plan inter-sujets en A/B

Format et histogrammes

Points à considérer dans un test A/B

Erreur de type I dans les tests A/B

Échantillonnage

Taux d’erreur de famille (Family-wise error rate)

Puissance et taille d’échantillon

Facteurs

Impacte la puissance

N’impacte pas la puissance

Impact sur la puissance statistique

Déterminer la taille d’échantillon idéale

Régression vers la moyenne

Introduction aux tests A/B

Apprenez les analyses courantes pour comparer des groupes A/B. Choisissez l’approche appropriée pour chaque test en fonction de ses hypothèses et de ses limites.

Test t pour échantillons indépendants

Taille d’échantillon pour t-test indépendant

Analyse par t-test indépendant

Test U de Mann-Whitney

Analyse de Mann-Whitney U

Évaluation de la puissance du test de Mann-Whitney U

t-test vs Mann-Whitney U

Test du khi carré d’indépendance

Taille d’échantillon pour le test du Chi carré d’indépendance

Analyse du test d’indépendance du Chi carré

Test exact de Fisher

Analyse avec le test exact de Fisher

Choisir les tests

Comparer des groupes

Apprenez à analyser les tendances et les relations entre variables dans des groupes A/B. Voyez comment évaluer et présenter les résultats à tout public.

Introduction aux corrélations

Notes sur la corrélation

Coefficient de corrélation

Corrélation de Pearson

Taille d’échantillon pour Pearson

Vérifier les hypothèses de Pearson

Pearson en ignorant les groupes

Corrélation de Pearson au sein des groupes

Corrélation de Spearman (par rang)

Analyse de corrélation de Spearman

Options de corrélation

Présenter les résultats d’un test A/B

Choisir une visualisation de données

Graphiques pour les analyses

Créer des diagrammes en barres pour un design A/B

Corrélation et visualisation

Associations entre variables

Comprenez les principes de la régression et des droites de régression. Apprenez à exécuter des régressions, à prédire des données avec le modèle de régression et à présenter visuellement les résultats.

Introduction à la régression linéaire

Nuage de points

Faits sur la régression

Régression linéaire

Modèle de régression linéaire

Prédictions linéaires

Régression linéaire multiple

Régression logistique

Modèle de régression logistique

Probabilités logistiques

Tracer une régression

Graphique logistique

Linéarité

Récapitulatif

Régression et prédiction

absent

covid

webdata

gamedata

SiteSales

Le test A/B est un plan expérimental courant pour étudier le comportement humain, aussi bien en entreprise qu’en recherche académique. Dans ce cours, vous verrez à quelles questions les tests A/B peuvent répondre, les points essentiels à garder en tête, comment répondre aux questions posées et comment visualiser les données. Vous apprendrez également à déterminer la taille d’échantillon nécessaire, à mener des analyses adaptées aux données et à l’hypothèse étudiée, à évaluer la fiabilité des résultats et à les présenter à un public, quel que soit son niveau en statistiques.

Les tests A/B constituent une méthode expérimentale couramment utilisée dans la recherche sur le comportement humain, tant dans le secteur industriel qu'universitaire. Les tests A/B comparent deux variantes afin de déterminer si les mesures indiquent des performances différentes et si les mesures varient de manière significative. En vous informant sur les tests A/B et en présentant les résultats, vous pouvez prendre des décisions et faire des prévisions fondées sur des données.
<br><br>
<h2>Développer une compréhension de la conception A/B</h2>
<br><br>
Dans ce cours, vous découvrirez les questions auxquelles les tests A/B peuvent répondre, les considérations importantes à prendre en compte dans les tests A/B, comment répondre aux questions posées et comment visualiser les données. Vous apprendrez également à déterminer la taille de l'échantillon nécessaire dans le cadre d'une expérience, à effectuer des analyses adaptées aux données et à l'hypothèse considérées, à déterminer si les résultats peuvent être considérés comme fiables et à présenter les résultats à un public, quelle que soit sa connaissance en statistiques.
<br><br>
<h2>Apprenez à analyser les données des tests A/B</h2>
<br><br>
Ce cours aborde les tests A/B paramétriques et non paramétriques, tels que les tests t, le test U de Mann-Whitney, le test du chi carré d'indépendance, le test exact de Fisher et les corrélations de Pearson et Spearman. De plus, vous examinerez une analyse de puissance pour chaque test.
<br><br>
<h2>Prévoir les résultats à partir des données</h2>
<br><br>
Au fur et à mesure de votre progression, vous apprendrez également à effectuer des régressions linéaires et logistiques afin de prédire des résultats à partir de données et de conclusions antérieures.
<br><br>
<h2>Présentez vos résultats à n'importe quel public grâce à des visualisations</h2>
<br><br>
À l'issue de ce cours, vous aurez acquis une compréhension approfondie des tests A/B, des analyses que vous pouvez effectuer à l'aide de ceux-ci et de la manière de communiquer les résultats à l'aide de visualisations de données.

Hypothesis Testing in R

Apprenez les bases des tests A/B en R : concevoir, analyser, prédire et présenter les résultats.

Tests A/B en R

Découvrez les tests A/B dans R, concevez des expériences, analysez des data, prédisez et présentez des résultats à l'aide de visualisations.

Impact sur la puissance statistique

Tests A/B en R

Exercice interactif pratique