Få en grundläggande förståelse för A/B-tester och experimentdesign. Lär dig vad du behöver tänka på för att hantera data och analyser på rätt sätt.

A/B-testning och design

A/B-testets försöksdesign

Format och histogram

Överväganden vid A/B-testning

Typ I-fel i A/B-tester

Urval

Familjevis felfrekvens

Styrka och urvalsstorlek

Vad påverkar styrka?

Bestäm den optimala urvalsstorleken

Regression mot medelvärdet

Introduktion till A/B-tester

Lär dig vanliga analysmetoder för att jämföra A/B-grupper. Förstå vilket tillvägagångssätt som är lämpligt för varje test utifrån dess antaganden och begränsningar.

Oberoende t-test

Urvalsstorlek för oberoende t-test

Analys med oberoende t-test

Mann-Whitney U-test

Mann-Whitney U-analys

Styrkebedömning för Mann-Whitney U-test

t-test kontra Mann-Whitney U-test

Chi-kvadrattest för oberoende

Urvalsstorlek för chi-kvadrattest av oberoende

Chi-Square-test för oberoendeanalys

Fishers exakta test

Analys med Fishers exakta test

Välja rätt test

Jämföra grupper

Lär dig att analysera trender och samband mellan variabler i A/B-grupper. Förstå hur du utvärderar och presenterar resultaten för olika typer av målgrupper.

Introduktion till korrelationer

Alternativ

Sant

Falskt

Anteckningar om korrelationer

Korrelationskoefficient

Pearsons korrelation

Urvalsstorlek för Pearson-korrelation

Kontrollera Pearsons antaganden

Pearson utan gruppering

Pearson inom grupper

Spearmans rangkorrelation

Spearmans korrelationsanalys

Pearson-korrelation

Spearman-korrelation

Korrelationsalternativ

Rapportera A/B-testresultat

Välja en datavisualisering

Tester

Stapel- eller lådagram

Spridningsdiagram

Diagram för analyser

Skapa stapeldiagram för A/B-design

Korrelation och visualisering

Samband mellan variabler

Förstå grunderna i regression och regressionslinjer. Lär dig att köra regressionsanalyser, göra prediktioner baserade på regressionsmodellen och presentera resultaten visuellt.

Introduktion till linjär regression

Spridningsdiagram och punkter

Regressionsfakta

Linjär regression

Linjär regressionsmodell

Linjära prediktioner

Multipel linjär regression

Logistisk regression

Logistisk regressionsmodell

Logistiska sannolikheter

Plotta regression

Logistisk plot

Linjäritet

Sammanfattning

Regression och prediktion

absent

covid

SiteSales

gamedata

webdata

A/B-testning är ett vanligt experimentellt upplägg inom beteendeforskning i både näringsliv och akademi. I den här kursen lär du dig vilka frågor A/B-tester kan besvara, viktiga aspekter att ha i åtanke, hur du analyserar data och visualiserar resultaten. Du lär dig också hur du bestämmer den urvalsstorlek som krävs, väljer lämpliga analysmetoder, bedömer om resultaten är tillförlitliga och presenterar dem för en publik oavsett statistisk bakgrund.

A/B-testning är en vanlig experimentell design för forskning om mänskligt beteende inom industri och akademi. A/B-tester jämför två varianter för att avgöra om mätningen visar olika prestanda och om mätningarna varierar på ett meningsfullt sätt. Genom att lära dig om A/B-testning och presentera resultaten kan du fatta datadrivna beslut och göra prognoser.
<br><br>
<h2>Bygg upp en förståelse för A/B-design</h2>
<br><br>
I den här kursen lär du dig vilka frågor A/B-tester kan besvara, vilka viktiga överväganden du behöver känna till i A/B-tester, hur du besvarar de aktuella frågorna och hur du visualiserar data. Du kommer också att lära dig hur du bestämmer det stickprovsstorlek som behövs i ett experiment, genomför analyser som är lämpliga för den aktuella datan och hypotesen, avgör om resultaten kan betraktas med tillförsikt och presenterar resultaten för en publik oavsett statistisk bakgrund.
<br><br>
<h2>Lär dig hur du analyserar A/B-testdata</h2>
<br><br>
Denna kurs behandlar parametriska och icke-parametriska A/B-tester, såsom t-test, Mann-Whitney U-test, chi-två-test för oberoende, Fishers exakta test samt Pearsons och Spearmans korrelationer. Dessutom kommer du att utforska en poweranalys för varje test.
<br><br>
<h2>Förutsäg utfall baserat på data</h2>
<br><br>
Allteftersom du går vidare kommer du också att lära dig att köra linjära och logistiska regressioner för att förutsäga utfall baserat på data och tidigare resultat.
<br><br>
<h2>Presentera resultat för vilken publik som helst med visualiseringar</h2>
<br><br>
När du har slutfört den här kursen kommer du att ha en gedigen förståelse för A/B-tester, de analyser du kan göra med dem och hur du förmedlar resultaten med datavisualiseringar.

Hypothesis Testing in R

Lär dig grunderna i A/B-testning i R: designa experiment, analysera data och presentera resultat.

A/B-testning i R

Lär dig grunderna i A/B-testning i R, inklusive hur du utformar experiment, analyserar data, förutspår resultat och presenterar resultat med visualiseringar.

Starkare korrelationskoefficienter möjliggör mer träffsäkra förutsägelser

Korrelationer är särskilt känsliga för extremvärden

Korrelationer i A/B-design kan bortse från grupper eller analyseras inom grupper

Korrelation mäter styrkan och riktningen i sambandet mellan två variabler

Korrelationer ger den bäst anpassade linjen

Anteckningar om korrelationer

A/B-testning i R

Interaktiv övning med praktiskt arbete