文章目录
在数据分析过程中, 一个完整的闭环是从数据中得到洞察,根据洞察得到某种假设,通过实验检验这一假设。
AB实验实际上是在做一个假设检验,可以参考上一篇笔记【概率论】- (2)假设检验。在查资料的过程中,查到AB实验主要有两种检验方式(不同的样本量,不同的检验方式)——
- Z检验,即检验实验组与对照组服从分布的均值是否相等
- 卡方检验,即检验实验组是否服从理论分布(将对照组看成理论分布)
这里以Z检验为例,介绍如何确定AB实验中实验组与对照组的样本量,提供相应的代码,卡方检验原理相似。
1. 统计功效与关键概念
在假设检验中有以下两类错误——
- 弃真:原假设为真,而我们拒绝原假设,这种错误称为一型错误
- 取伪:原假设为假,而我们接受原假设,这种错误称为二型错误
在教科书中一般只限定显著性水平为 α \alpha α,即只考虑一型错误的概率,而不考虑二型错误。但在实际应用中(如AB实验),二型错误也必须限定在较低的范围内。如下例子,这种情况下即使 α \alpha α 足够小,实验结果仍不够具有说服性。
假设实验的显著性水平 α = 0.01 \alpha=0.01 α=0.01,二型错误概率 β = 0.5 \beta=0.5 β=0.5,这意味着——
- 若原假设为真,我们判断出错(即拒绝)的概率为1%;
- 若原假设为假,我们判断出错(即接受)的概率为50%。
上面说的考虑二型错误,更常见的是考虑统计功效Statistical Power
。
统计功效是指当原假设为假,拒绝原假设的概率。因此有 p o w e r = 1 − β power = 1-\beta power=1−β。
通过求解统计功效,即可得到统计功效与 α 、 n \alpha、n α、n 的关系式。反过来,知道 α 、 p o w e r \alpha、power α、power 后就可以求出所需的样本量。
2. Z检验样本量确定
2.1 统计功效公式推导
- 原假设与备择假设如下:
H 0 : μ A = μ B H 1 : μ A ≠ μ B (1) H_0:\mu_A=\mu_B \\ H_1:\mu_A \ne\mu_B\tag{1} H0:μA=μBH1:μA=μB(1)
- 令 δ = μ A − μ B \delta=\mu_A-\mu_B δ=μA−μB,按照二型错误的概念,假设 σ A = σ B = σ \sigma_A=\sigma_B=\sigma σA=σB=σ, 有
β = P ( 接 受 H 0 ∣ H 0 为 假 ) = P ( − z α / 2 ≤ x ˉ A − x ˉ B σ / n A + n B ≤ z α / 2 ∣ δ ≠ 0 ) = P ( − z α / 2 − δ σ / n A + n B ≤ ( x ˉ A − x ˉ B ) − δ σ / n A + n B ≤ z α /