Powercurves plotten
Een poweranalyse uitvoeren vóór je een A/B-test draait, is een van de belangrijkste stappen. Het vergroot de kans op duidelijke resultaten en helpt je beter plannen qua middelen en tijd per test. Daarnaast maakt het plotten van powercurves het makkelijker om te zien wat het effect is van variaties in bepaalde parameters op de benodigde steekproefgrootte om het gewenste betrouwbaarheidsniveau te halen. Hoewel een grotere steekproef de kans op een duidelijk resultaat vergroot, is extra units verzamelen of langer doorgaan zonde van de middelen zodra de powercurves verzadigen.
Laten we kijken hoe dit in de praktijk werkt.
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.
from statsmodels.stats.power import TTestIndPower
# Specify parameters for power analysis
sample_sizes = ____(range(____))
effect_sizes = ____([____])