ชุดข้อมูลจริงมักมีความซับซ้อน ในฐานะ Analytics Engineer ที่ทำงานกับข้อมูลจริง คุณจะพบสถานการณ์ที่ความแปรปรวนของข้อมูลสูงเกินไปจนไม่สามารถตรวจจับความแตกต่างที่มีนัยสำคัญในเมตริกได้ ปัญหานี้มักเกิดขึ้นกับเมตริกแบบต่อเนื่อง เช่น มูลค่าคำสั่งซื้อเฉลี่ยในแบบฝึกหัดก่อนหน้า วิธีแก้ไขมีหลายแนวทาง หนึ่งในนั้นคือการเลือกเมตริกที่มีความแปรปรวนต่ำกว่า แต่ยังคงสอดคล้องกับเป้าหมายทางธุรกิจ

ในแบบฝึกหัดนี้ คุณจะคำนวณขนาดตัวอย่างสำหรับเมตริกแบบไบนารี ได้แก่ อัตราการสมัคร (signup rate) ซึ่งแสดงว่าผู้ใช้สมัครใช้บริการหรือไม่ แทนที่จะใช้ราคาที่ชำระซึ่งอาจแตกต่างกันมากระหว่างผู้ใช้แต่ละราย DataFrame homepage รวมถึงไลบรารี pandas และ numpy ถูกโหลดไว้ให้แล้ว พร้อมกับ proportion_effectsize จาก statsmodels.stats.proportion และ power จาก statsmodels.stats

การออกแบบการทดลอง: การกำหนดพารามิเตอร์สำหรับการทดสอบ

Create Your Free Account