在本章中，你將學會 A/B 測試的基礎。你會了解清楚的步驟與使用情境、為何要設計並執行 A/B 測試，以及最常用的指標設計與估算架構。

什麼是 A/B 測試？

哪些情況不適合做 A/B 測試

A/B 測試步驟

隨機分派的影響

為什麼要做實驗？

指標設計與估計

平均數與比例

廣告曝光成效指標

A/B 測試概觀

在第 2 章中，你將學習實驗設計流程。從如何制定有力的 A/B 測試假說開始，並涵蓋統計概念，如檢定力（power）、錯誤率與最小可檢測效果（MDE）。你會在章末學會估計取得明確結論所需的適當樣本數，並處理多重比較的情境。

假設的建立與分配

強而有力的假設撰寫

機率分佈的視覺化

母數平均的中心極限定理

實驗設計：設定測試參數

解讀 p 值

真實情境中的錯誤率

實驗設計：檢定力分析

繪製檢定力曲線

以平均數估算樣本數

母體比例的樣本數

多重比較檢定

需要做多重比較校正嗎？

校正後的 p 值

實驗設計與規劃

在這裡，你將學到清理、前處理與探索 A/B 測試資料的具體流程，並理解為了確保結果有效所需遵循的各項有效性檢查。你也會透過詳盡的說明與範例，學習如何分析比例差異的 A/B 測試。

資料清理與探索式分析

比例的探索式資料分析（EDA）

A/B 測試資料清理

合理性檢查：內部效度

分佈是否平衡

合理性檢查：外部效度

新奇效應偵測

辛普森悖論的實際案例

分析比例差異的 A/B 測試

比例差異的 A/B 測試

信賴區間的解讀

比例的信賴區間

資料處理、有效性檢查與結果分析

在最後一章，你將建立分析平均數差異的架構，並在假設不完全成立時運用非參數檢定。你也會學到在分析比率型指標時如何應用 Delta 方法，並了解最佳實務與進階主題，持續精進 A/B 測試的能力。

分析平均數差異的 A/B 測試

平均數差異的 t 檢定

成對 t 檢定

非參數統計檢定

選項

參數

非參數

參數或非參數？

Mann-Whitney U 檢定

卡方獨立性檢定

比率指標與 Delta 方法

需要 Delta method

不需要 Delta

要用 Delta 嗎？

Delta 方法

A/B Testing 最佳實務與進階主題導論

最佳實務

星期幾效應

總結：Python 中的 A/B 測試

實務考量與決策制定

admissions

checkout

在這門課中，你將透過 Python 學習設計、執行並分析 A/B 測試。你會先學會定義正確的指標，再估計合適的樣本數與實驗期間，以得到具有結論性的結果。在整個課程中，你會使用多種 Python 套件來協助進行 A/B 測試，包括 statsmodels、scipy 與 pingouin。完成本課後，你將能進行各項檢查以確保結果正確，熟悉 p 值的運用，並能自信又有效地分析 A/B 測試結果，為關鍵商業決策提供依據。

在本課程中，您將深入探索A/B測試的世界，全面了解其實際應用情境，並學習如何在Python中設計、執行及分析這些A/B測試。
<br><br>
<h2>探索 A/B 測試的運作方式</h2>
<br><br>
你知道嗎？每當你瀏覽網路時，幾乎都一定會參與到 A/B 測試。 從搜尋引擎和電子商務網站，到社群網路和行銷活動，各行各業都積極聘請頂尖的資料分析師、資料科學家與資料工程師，善用AB測試的強大威力。 測試不同變體有助於優化顧客體驗、提升利潤、指引最佳設計方向，並帶來更多可能。
<br><br>
<h2>在 Python 中學習 A/B 測試</h2>
<br><br>
您將從學習如何定義正確的指標開始，接著了解如何估算適當的樣本數與實驗期間，以獲得具決定性的結果。 在本課程中，您將運用多種 Python 套件來協助進行 A/B 測試，包括 statsmodels、scipy 以及 pingouin。
<br><br>
在本課程結束時，您將能夠執行必要的檢查以確保結果的準確性，精通 p 值的運用，並能輕鬆自信地分析 A/B 測試的結果，協助做出最關鍵的商業決策。

Hypothesis Testing in Python

學習在Python中使用A/B測試進行實驗分析，掌握p值、檢查和分析以指導商業決策。

Python 的 A/B 測試

掌握如何在 Python 中運用 A/B testing 執行並分析實驗。 精通 p-values、sanity checks 與分析，助您做出明智商業決策。

A/B Testing 最佳實務與進階主題導論

Create Your Free Account