功效分析与样本容量

最新推荐文章于 2024-11-08 13:43:44 发布

littlehuangnan

最新推荐文章于 2024-11-08 13:43:44 发布

阅读量838

点赞数

文章标签： python 开发语言

本文链接：https://blog.csdn.net/littlehuangnan/article/details/126270862

版权

本文探讨了在贝叶斯数据分析中如何进行功效分析，并以新用户次日留存率为背景，说明如何确定达到特定留存率所需的样本数量。通过beta分布模拟数据生成过程，基于设定的功效和目标留存率，计算出实验成功的概率，即功效。引用了John K. Kruschke的著作并展示了相关代码，但指出该方法可能存在计算效率问题。

摘要由CSDN通过智能技术生成

本文主要参考John K. Kruschke的著作Doing Bayesian Data Analysis的第13章。

功效分析对比常规贝叶斯数据分析，下图取自图13.1

功效，是你正确地拒绝原假设的概率，也就是实验达到目的的概率。

问题是这样的。我们希望新用户的次日留存率能达到65%以上，那么需要多少个样本才能确定这个次日留存率？

确定样本容量的前提是确定功效。0.9的功效需要的样本量肯定大于0.8的功效。

留存率当然还是一个抛硬币的问题。所以可以用beta分布。

我们还需要一个data-generating hypothesis：

beta(θ|0.67⋅(2000−2)+1,(1−0.67)⋅(2000−2)+1)

假设实验样本是200个，那么转化的个数可能有0，1，2，……，200这201种可能。每一种可能，都能计算出一个后验分布，从而得到HDI。如果这个HDI的下限大于0.65，那么这次实验就成功了。而这种可能，它的概率要基于data-generating hypothesis来计算。把这些实验成功的可能的概率加一起，就是power。

以下是Kruschke的代码

minNforHDIpower = function( genPriorMode , genPriorN ,
HDImaxwid=NULL , nullVal=NULL ,
ROPE=c(max(0,nullVal-0.02),min(1,nullVal+0.02)) ,
desired

最低0.47元/天解锁文章