Aan de slagGa gratis aan de slag

Intuïtie achter statistische significantie

In deze oefening werk je aan een intuïtief begrip van statistische significantie. Dat doe je door de functie get_pvalue() te gebruiken op verschillende reeksen parameters die tijdens een A/B-test redelijkerwijs kunnen voorkomen of gekozen worden. Terwijl je dit doet, let je op hoe de uitkomst voor statistische significantie verandert wanneer je de parameters aanpast. Dit helpt je intuïtie rond dit concept op te bouwen en legt enkele subtiele valkuilen van p-waarden bloot. Ter herinnering: dit is de signatuur van de functie get_pvalue():

def get_pvalue(con_conv, test_conv, con_size, test_size):  
    lift =  - abs(test_conv - con_conv)

    scale_one = con_conv * (1 - con_conv) * (1 / con_size)
    scale_two = test_conv * (1 - test_conv) * (1 / test_size)
    scale_val = (scale_one + scale_two)**0.5

    p_value = 2 * stats.norm.cdf(lift, loc = 0, scale = scale_val )

    return p_value

Deze oefening maakt deel uit van de cursus

Customer Analytics and A/B Testing in Python

Cursus bekijken

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Get the p-value
p_value = get_pvalue(con_conv=____, test_conv=____, con_size=____, test_size=____)
print(p_value)
Code bewerken en uitvoeren