Il paradosso di Simpson in azione
Generalizzare i risultati del nostro A/B test a diversi segmenti della popolazione può essere estremamente importante per il business. A volte vogliamo evitare il costo di eseguire altri test in città diverse, su dispositivi differenti, ecc. Assicurarci che i risultati siano coerenti per sottopopolazioni può aumentare la nostra fiducia nel fare queste generalizzazioni.
Esamina gli insiemi di dati simp_balanced e simp_imbalanced per cercare il paradosso di Simpson e capire bene come questo fenomeno possa presentarsi negli scenari di A/B testing.
Questo esercizio fa parte del corso
A/B Testing in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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)