在本章中，您将学习 A/B 测试的基础。您会了解清晰的实施步骤与典型用例，明白为什么要设计并运行 A/B 测试及其价值，并认识常用的指标设计与估算框架。

什么是 A/B 测试？

什么时候不该做 A/B 测试

A/B Testing Steps

A/B 测试步骤

随机分配的影响

为什么要做实验？

指标设计与估计

均值与比例

广告曝光相关指标

A/B 测试概览

在第 2 章，您将学习实验设计流程。首先从如何提出有力的 A/B 测试假设开始，还将涵盖统计学概念，如检验效能（power）、错误率以及最小可检测效应（MDE）。本章最后，您将学会估算获得有结论性结果所需的合适样本量，并处理多重比较情境。

假设构建与分布

制定有力的假设

绘制分布

均值的中心极限定理

实验设计：设置测试参数

解读 p 值

现实中的错误率

实验设计：功效分析

绘制功效曲线

均值的样本量

比例的样本量

多重比较检验

是否需要进行多重比较校正？

校正后的 p 值

实验设计与规划

在这里，您将学习一套清洗、预处理并探索 A/B 测试数据的具体流程，并掌握确保结果有效所必需的有效性检查。您还将通过详解与示例，学习如何分析比例差异类的 A/B 测试。

数据清洗与探索性分析

比例的探索性数据分析（EDA）

A/B 测试数据清洗

一致性检查：内部效度

分布是否均衡

健全性检查：外部效度

新奇效应检测

辛普森悖论的现场示例

分析比例差异的 A/B 测试

比例差异 A/B 检验

置信区间的解读

比例的置信区间

数据处理、有效性检查与结果分析

在最后一章，您将构建分析均值差异的框架，并在若干假设不满足时运用非参数检验。您还将学习在分析比率型指标时如何应用 Delta 方法，并了解最佳实践与一些进阶主题，帮助您进一步精通 A/B 测试。

分析均值差异的 A/B 测试

均值差异的 t 检验

两两 t 检验

非参数统计检验

参数检验还是非参数检验？

Mann-Whitney U 检验

卡方独立性检验

比例指标与 Delta 方法

是否需要 Delta？

Delta 方法

A/B 测试最佳实践与进阶主题导论

最佳实践

"星期效应"

总结：Python 中的 A/B 测试

实践考量与决策制定

admissions

checkout

在本课程中，您将深入学习 A/B 测试，掌握如何在 Python 中设计、运行并分析 A/B 测试。您将从定义合适的指标入手，然后估算合适的样本量与实验时长，以获得有结论性的结果。整个课程中，您会使用多种有助于 A/B 测试的 Python 库，包括 statsmodels、scipy 和 pingouin。课程结束时，您将能够进行结果准确性的检查，熟练理解和运用 p 值，并自信、轻松地分析 A/B 测试结果，以支持关键的业务决策。

在本课程中，你将深入了解 A/B 测试的世界，全面掌握其实际应用场景，并学习如何在 Python 中设计、运行和分析这些 A/B 测试。
<br><br>
<h2>了解 A/B 测试的工作原理</h2>
<br><br>
你知道吗，每次你浏览互联网时，几乎都一定会参与一次 A/B 测试？从搜索引擎和电商网站到社交网络和营销活动——所有企业都在招聘最优秀的数据分析师、科学家和工程师，以利用 A/B 测试的力量。 测试不同版本有助于优化客户体验、最大化利润、指导下一步最佳设计，以及更多。
<br><br>
<h2>了解 Python 中的 A/B 测试</h2>
<br><br>
你将首先学习如何定义正确的指标，然后再学习如何估算合适的样本量和持续时间，以获得具有结论性的结果。 在本课程中，你将使用一系列 Python 包来辅助 A/B 测试，包括 statsmodels、scipy 和 pingouin。
<br><br>
在课程结束时，你将能够运行确保结果准确所需的检查，掌握 p 值的运用，并轻松自信地分析 A/B 测试结果，从而为最关键的业务决策提供指导。

Hypothesis Testing in Python

学习Python中的A/B测试实用方法，掌握p值、合理性检查和分析以指导商业决策。

Python 中的 A/B 测试

学习用 Python 进行 A/B 测试的实用方法，开展并分析实验。 掌握 p 值、健全性检查和分析，指导业务决策。

应用统计 在 Python 中

相关还是因果？

Python 中的 A/B 测试

动手互动练习