การพล็อตกราฟ Power Curve
การทำ Power Analysis ก่อนรัน A/B Test ถือเป็นหนึ่งในขั้นตอนที่สำคัญที่สุด ช่วยเพิ่มโอกาสในการได้ผลสรุปที่ชัดเจน และช่วยวางแผนทรัพยากรและเวลาที่จัดสรรให้แต่ละการทดสอบได้ดีขึ้น นอกจากนี้ การพล็อต Power Curve ยังทำให้เห็นภาพได้ชัดเจนขึ้นว่าการเปลี่ยนแปลงพารามิเตอร์ต่าง ๆ ส่งผลต่อขนาดตัวอย่างที่จำเป็นเพื่อให้ได้ระดับความเชื่อมั่นที่ต้องการอย่างไร แม้ขนาดตัวอย่างที่ใหญ่ขึ้นจะเพิ่มโอกาสในการสรุปผลได้ แต่เมื่อ Power Curve เริ่มอิ่มตัว การเก็บข้อมูลเพิ่มหรือใช้เวลามากขึ้นก็กลายเป็นการสิ้นเปลืองทรัพยากรโดยเปล่าประโยชน์
มาดูกันว่าในทางปฏิบัติทำงานอย่างไร
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
A/B Testing ด้วย Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
from statsmodels.stats.power import TTestIndPower
# Specify parameters for power analysis
sample_sizes = ____(range(____))
effect_sizes = ____([____])