Парадокс Симпсона в действии
Обобщение результатов A/B-теста на различные сегменты аудитории может иметь принципиальное значение для бизнеса. Иногда компании хотят сэкономить на проведении отдельных тестов для разных городов, устройств и т. д. Проверка согласованности результатов по подгруппам повышает уверенность в том, что такие обобщения правомерны.
Изучите наборы данных simp_balanced и simp_imbalanced на предмет парадокса Симпсона, чтобы лучше понять, как это явление может возникать в сценариях A/B-тестирования.
Это упражнение является частью курса
A/B-тестирование в Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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)