Wielkość próby dla proporcji
Prawdziwe zbiory danych bywają nieuporządkowane. Jako inżynier analityki pracujący z danymi w praktyce będziesz napotykać sytuacje, w których wariancja danych jest zbyt wysoka, by uchwycić istotną różnicę w metrykach. Problem ten częściej pojawia się w przypadku metryk ciągłych, takich jak średnia wartość zamówienia z poprzedniego ćwiczenia. Istnieje kilka sposobów na poradzenie sobie z tym wyzwaniem – jednym z nich jest wybór metryki o niższej wariancji, która nadal odpowiada celom biznesowym.
W tym ćwiczeniu obliczysz wielkość próby dla metryki binarnej: współczynnika rejestracji, który określa, czy użytkownik zapisał się do usługi, czy nie – w przeciwieństwie do ceny, która może bardziej się różnić między użytkownikami. DataFrame homepage oraz biblioteki pandas i numpy są już wczytane, podobnie jak proportion_effectsize z statsmodels.stats.proportion oraz power z statsmodels.stats.
To ćwiczenie jest częścią kursu
Testy A/B w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Calculate the baseline signup rate for group A
p_A = ____
print('Group A mean signup rate:', ____)