Dimensiunea eșantionului pentru proporții
Seturile de date reale pot fi dezordonate. În calitate de Analytics Engineer care lucrează cu date în lumea reală, vei întâlni situații în care varianța datelor este prea mare pentru a putea surprinde o diferență semnificativă în metrici. Această problemă apare mai frecvent în cazul metricilor continue, cum ar fi valoarea medie a comenzii din exercițiul anterior. Există mai multe modalități de a aborda această situație, iar una dintre soluții este găsirea unei metrici cu varianță mai mică, dar care să rămână aliniată cu obiectivele de business.
În acest exercițiu vei calcula dimensiunea eșantionului pentru o metrică binară: rata de înregistrare, care indică dacă un utilizator s-a înregistrat pentru serviciu sau nu, spre deosebire de prețul plătit, care poate varia mai mult de la un utilizator la altul. DataFrame-ul homepage și bibliotecile pandas, numpy sunt deja încărcate, precum și proportion_effectsize din statsmodels.stats.proportion și power din statsmodels.stats.
Acest exercițiu face parte din cursul
A/B Testing în Python
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Calculate the baseline signup rate for group A
p_A = ____
print('Group A mean signup rate:', ____)