Simpson's paradox in actie
Onze A/B-testresultaten generaliseren naar verschillende segmenten van de populatie kan voor het bedrijf ontzettend belangrijk zijn. Soms willen we de kosten besparen van extra tests in andere steden, op andere apparaten, enzovoort. Controleren of onze resultaten consistent zijn binnen subpopulaties vergroot het vertrouwen om zulke generalisaties te maken.
Onderzoek de gegevenssets simp_balanced en simp_imbalanced op Simpson's paradox om goed te begrijpen hoe dit fenomeen kan optreden in A/B-testsituaties.
Deze oefening maakt deel uit van de cursus
A/B-testen in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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)