最近，需要解决看似经典的数学问题。 统计资料。
正在测试对一群人的某种推动作用。 有必要评估效果。 当然，您可以使用概率方法来做到这一点。
但是，与企业讨论零假设和p值完全没有用，并且适得其反。
截至2019年2月，如何使用“普通手”笔记本电脑尽可能简单，快速地完成此操作？ 抽象说明，无公式。
它是以前出版物的延续。
问题陈述
有两个统计上相同的测量用户组（A和B）。 B组受到影响。 这种影响会导致所测指标的平均值发生变化吗？
最受欢迎的选择是计算统计标准并得出结论。 我喜欢“经典统计方法：卡方检验”的示例。 在这种情况下，使用特殊功能无关紧要。 程序，Excel，R或其他内容。
但是，由于以下原因，调查结果的可靠性可能令人怀疑：
- 实际上，垫子。 很少有人从头到尾都了解统计信息。 您应始终牢记可以应用一种或另一种方法的条件。
- 通常，工具的使用和结果的解释是基于单一计算和采用“交通灯”决策的原则。 问题越少，对过程中的所有参与者越有利。
对p值的批评
很多资料，链接到最壮观的资料：
该怎么办？
现在每个人都拥有一台计算机，因此蒙特卡洛方法可以避免这种情况。 从p值计算，我们继续计算平均值差的置信区间。
有许多书籍和材料，但简而言之（重新映射和拟合）在Jake Vanderplas的报告-“黑客统计”-PyCon 2016中非常简洁地介绍了。 演示文稿本身。
关于该主题的初步工作之一，包括图形化可视化建议，是由苏联时代著名的数学家，马丁·加德纳（Martin Gardner）撰写的： 置信区间而非P值：估计而不是假设检验。 MJ Gardner和DG Altman，Br Med J（临床研究版）。 1986年3月15日； 292（6522）：746-750 。
如何将R用于此任务？
为了不做任何事情，我们来看一下生态系统的当前状态。 不久前，一个非常方便的dabestr软件包：使用Bootstrap耦合估计的数据分析已转移到R。
此处描述了备忘dabestr格式的dabestr中使用的结果的计算和分析原理： 估计统计数据 dabestr使用有效dabestr来分析您的数据 。
R Notebook的“触摸”示例： --- title: "A/B bootstrap" output: html_notebook: self_contained: TRUE editor_options: chunk_output_type: inline ---
library(tidyverse) library(magrittr) library(tictoc) library(glue) library(dabestr)
模拟
创建操作持续时间的对数正态分布。
my_rlnorm <- function(n, mean, sd){ # . : https://en.wikipedia.org/wiki/Log-normal_distribution#Arithmetic_moments location <- log(mean^2 / sqrt(sd^2 + mean^2)) shape <- sqrt(log(1 + (sd^2 / mean^2))) print(paste("location:", location)) print(paste("shape:", shape)) rlnorm(n, location, shape) } # N (A = Control) A_control <- my_rlnorm(n = 10^3, mean = 500, sd = 150) %T>% {print(glue("mean = {mean(.)}; sd = {sd(.)}"))} # N (B = Test) B_test <- my_rlnorm(n = 10^3, mean = 525, sd = 150) %T>% {print(glue("mean = {mean(.)}; sd = {sd(.)}"))}
我们使用dabestr工具以分析所必需的形式收集数据并进行分析。
df <- tibble(Control = A_control, Test = B_test) %>% gather(key = "group", value = "value") tic("bootstrapping") two_group_unpaired <- df %>% dabest(group, value, # The idx below passes "Control" as the control group, # and "Test" as the test group. The mean difference # will be computed as mean(Test) - mean(Control). idx = c("Control", "Test"), paired = FALSE, reps = 5000 ) toc()
让我们看一下结果
two_group_unpaired plot(two_group_unpaired)
==================================================== ====
结果为CI
DABEST (Data Analysis with Bootstrap Estimation) v0.2.0 ======================================================= Unpaired mean difference of Test (n=1000) minus Control (n=1000) 223 [95CI 209; 236] 5000 bootstrap resamples. All confidence intervals are bias-corrected and accelerated.
和图片
与业务交谈非常容易理解和方便。 所有的计算都是针对“一杯咖啡”。
先前的出版物- “数据科学”特种部队“内部” 。