gpt4 book ai didi

r - A/B Fisher 检验显着性的样本大小

转载 作者:行者123 更新时间:2023-12-04 14:48:22 25 4
gpt4 key购买 nike

鉴于简单 A/B 测试的结果......

        A   B
clicked 8 60
ignored 192 1940

(即 A 4% 和 B 3% 的 session 率)

... R 中的 Fisher 测试非常正确地表明没有显着差异
> fisher.test(data.frame(A=c(8,192), B=c(60,1940)))
...
p-value = 0.3933
...

但是 R 中有什么函数可以告诉我我需要增加多少样本量才能达到 0.05 的 p 值?

我可以增加 A 值(按它们的比例)直到我达到它,但必须有更好的方法吗?也许 pwr.2p2n.test [1] 不知何故可用?

[1] http://rss.acs.unt.edu/Rdoc/library/pwr/html/pwr.2p2n.test.html

最佳答案

power.prop.test()应该为你做这件事。为了让数学发挥作用,我通过总结您的列将您的“忽略”数据转换为展示次数。

> power.prop.test(p1=8/200, p2=60/2000, power=0.8, sig.level=0.05)

Two-sample comparison of proportions power calculation

n = 5300.739
p1 = 0.04
p2 = 0.03
sig.level = 0.05
power = 0.8
alternative = two.sided

NOTE: n is number in *each* group

这给出了每个组的 5301,因此您的样本大小需要为 10600。减去已经运行的 2200,您需要进行 8400 个“测试”。

在这种情况下:
  • sig.level与您的 p 值相同。
  • power是找到样本中存在的重要结果的可能性。这有点武断,80% 是常见的选择。请注意,选择 80% 意味着有 20% 的时间您不会在应该时发现意义。提高功效意味着您需要更大的样本量才能达到所需的显着性水平。

  • 如果您想确定达到显着性需要多长时间,请将 8400 除以每天的展示次数。这可以帮助确定是否值得继续测试。

    您还可以使用此功能在测试开始之前确定所需的样本量。在 37 Signals blog 上有一篇很好的文章描述了这一点。 .

    这是一个 native R 函数,因此您无需添加或加载任何包。除此之外,我不能说这与 pwr.p2pn.test() 有多相似。 .

    关于r - A/B Fisher 检验显着性的样本大小,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/10868229/

    25 4 0
    Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
    广告合作:1813099741@qq.com 6ren.com