理解 A/B 测试与实验设计。了解确保正确处理数据与分析需要注意的要点。

A/B 测试与设计

A/B 被试间设计

格式与直方图

A/B 测试中的注意事项

A/B 测试中的一类错误

抽样

族内错误率（Family-wise error rate）

效能与样本量

统计功效的影响因素

确定理想样本量

向均值回归

A/B 测试入门

学习比较 A/B 组的常见分析方法。在各自的前提与局限下，理解每种检验的适用思路。

独立样本 t 检验

独立样本 t 检验的样本量

独立样本 t 检验分析

Mann-Whitney U 检验

Mann-Whitney U 分析

Mann-Whitney U 功效评估

t 检验 vs. Mann-Whitney U 检验

卡方独立性检验

卡方独立性检验的样本量

卡方独立性检验分析

Fisher 精确检验

Fisher 精确检验分析

选择合适的检验

分组比较

学习分析 A/B 组中变量的趋势与关系。理解如何评估并向任何受众呈现结果。

选项

正确

错误

Pearson 相关系数

Pearson 样本量

评估 Pearson 前提假设

忽略分组的 Pearson

组内 Pearson

Spearman 秩相关

Spearman 相关性分析

Pearson 相关

Spearman 相关

报告 A/B 测试结果

选择数据可视化方式

检验

条形图或箱线图

散点图

用于分析的图形

为 A/B 设计创建柱状图

变量关联

理解回归与回归直线的基础。学习运行回归、基于回归模型进行预测，并以可视方式呈现结果。

线性回归入门

散点与点图

回归常识

线性回归

线性回归模型

线性预测

多元线性回归

Logistic 回归

Logistic 回归模型

Logistic 概率

绘制回归图

逻辑回归图

线性关系

总结

回归与预测

absent

covid

SiteSales

gamedata

webdata

A/B 测试是一种在业界与学术界广泛使用的人类行为研究实验设计。在本课程中，您将了解 A/B 测试可以回答哪些问题、开展 A/B 测试需注意的重要事项、如何回答手头的问题，以及如何可视化数据。您还将学习如何确定实验所需的样本量，针对具体数据与假设选择合适的分析方法，评估结果是否足够可靠，并将结果清晰呈现给不同统计背景的受众。

A/B 测试是工业界和学术界人类行为研究中常见的一种实验设计。 A/B 测试会比较两个版本，以确定测量结果是否显示出不同的表现，以及测量是否存在有意义的差异。 通过学习 A/B 测试并展示结果，您可以做出数据驱动的决策和预测。
<br><br>
<h2>建立对 A/B 设计的理解</h2>
<br><br>
在本课程中，你将学习 A/B 测试可以回答哪些问题、进行 A/B 测试时需要注意的重要事项、如何回答当前的问题，以及如何可视化数据。 你还将学习如何确定实验所需的样本量，针对手头的数据和假设进行适当的分析，判断结果是否值得信赖，并向不同统计背景的受众展示结果。
<br><br>
<h2>学习如何分析 A/B 测试数据</h2>
<br><br>
本课程涵盖参数和非参数 A/B 测试，例如 t 检验、Mann-Whitney U 检验、卡方独立性检验、Fisher 精确检验，以及 Pearson 和 Spearman 相关分析。 此外，你还将为每项检验探索功效分析。
<br><br>
<h2>基于数据预测结果</h2>
<br><br>
随着学习的深入，你还将学会运行线性回归和逻辑回归，根据数据和以往研究结果来预测结果。
<br><br>
<h2>用可视化向任何受众展示结果</h2>
<br><br>
在完成本课程时，你将全面了解 A/B 测试、可用它们进行的分析，以及如何通过数据可视化传达结果。

Hypothesis Testing in R

学习R中的A/B测试基础，包括实验设计、数据分析、结果预测和可视化展示。

R 中的 A/B 测试

学习 R 中 A/B 测试基础，包括如何设计实验、分析数据、预测结果，并通过可视化展示结果。

选择数据可视化方式

R 中的 A/B 测试

动手互动练习