Paradoks Simpsona w praktyce
Uogólnianie wyników testów A/B na różne segmenty populacji może mieć kluczowe znaczenie dla biznesu. Czasem chcemy uniknąć kosztów przeprowadzania kolejnych testów w różnych miastach, na różnych urządzeniach itd. Sprawdzenie, czy wyniki są spójne w poszczególnych podgrupach, pozwala z większą pewnością dokonywać takich uogólnień.
Przeanalizuj zbiory danych simp_balanced i simp_imbalanced pod kątem paradoksu Simpsona, aby lepiej zrozumieć, jak to zjawisko może się pojawić w scenariuszach testów A/B.
To ćwiczenie jest częścią kursu
Testy A/B w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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)