p-value corretti
Immagina di essere una Data Scientist in un'azienda in abbonamento. Il team di web design sta cercando il pulsante CTA (call-to-action) perfetto per spingere i visitatori della pagina a iscriversi al servizio. Ti hanno presentato 4 design diversi oltre alla versione attuale.
Dopo aver eseguito un esperimento confrontando ogni variante con il controllo, hai generato un elenco di p-value caricato nella variabile pvals. Confrontarli direttamente con la soglia di significatività comporterebbe un tasso di errore di Tipo I gonfiato. Per evitarlo, puoi usare la funzione smt.multipletests() della libreria statsmodels di Python per correggere i p-value e verificare la significatività statistica con FWER = 5%.
Questo esercizio fa parte del corso
A/B Testing in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
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]))