Kotlin Notebook
Führen Sie dieses Tutorial als Kotlin Notebook mit interaktiven Kandy-Diagrammen aus — alle Codezellen, DataFrame-Ausgaben und Visualisierungen inklusive.
- E-Commerce-Landingpage (Kaggle) — ~294K Nutzer, zufällig der alten oder neuen Checkout-Seite zugewiesen, binäres Ergebnis (konvertiert / nicht)
- Marketingkampagne (Kaggle) — tägliche Kampagnenmetriken (Ausgaben, Klicks, Impressionen, Käufe) für Kontroll- vs. Testkampagne
- Akt 1 — Binäre Metrik: Konversionsrate (Proportions-z-Test, Chi-Quadrat, Bayessche Analyse)
- Akt 2 — Ratenmetriken: CTR, Kaufrate (gepaarter t-Test, Wilcoxon, Effektgrößen, Korrelation)
Dieses Tutorial verwendet Kotlin DataFrame zum Laden der Daten und Kandy zur Visualisierung. Dies sind Kotlin-Notebook-Abhängigkeiten — die statistischen kstats-Funktionen funktionieren in jeder Kotlin-Umgebung.
Kurzreferenz: Welchen Test verwenden?
Akt 1: Binäre Metrik — Konversionsrate
1. Daten laden und bereinigen
Datensatz: ~294K Nutzer, zufällig der Kontrollgruppe (alte Seite) oder Behandlungsgruppe (neue Seite) zugewiesen, binäres Ergebnis (konvertiert / nicht).
Der Datensatz hat 294.478 Zeilen und 5 Spalten mit einer Gesamtkonversionsrate von ~12%.
2. SRM-Prüfung — Sample Ratio Mismatch
Vor jedem Hypothesentest muss überprüft werden, ob die Randomisierung korrekt funktioniert hat. Weicht das Aufteilungsverhältnis stärker als zufällig erwartet von 50/50 ab, ist das Experiment kompromittiert — alle nachfolgenden Ergebnisse sind nicht vertrauenswürdig. wird mit einem Ein-Stichproben-Proportions-z-Test geprüft: Ist die beobachtete Aufteilung mit einem 50/50-Verhältnis vereinbar?3. Power-Analyse — Planung vor dem Experiment
Die sollte vor der Datenerhebung stattfinden, um die benötigte Stichprobengröße zu bestimmen. Wir fragen: „Wie viele Nutzer brauchen wir, um einen 1-Prozentpunkt-Anstieg von einer 12%-Baseline mit 80% Power bei α = 0,05 zu erkennen?”4. Haupttest — Zwei-Stichproben-Proportions-z-Test
Die Kernfrage: Unterscheidet sich die Konversionsrate zwischen Kontroll- und Behandlungsgruppe?Einseitiger Test
Das Unternehmen interessiert nur, ob die neue Seite besser ist. Ein einseitiger Test hat mehr Power, aber p ≈ 0,905 deutet stark darauf hin, dass die Behandlung tatsächlich schlechter ist (oder bestenfalls gleich).5. Effektgröße — Cohens h
Ein beantwortet „gibt es einen Unterschied?”. Die beantwortet „wie groß ist der Unterschied?” Mit N=290K können selbst winzige Unterschiede „signifikant” werden. Cohens h stellt den Unterschied auf einer standardisierten Skala dar, unabhängig von der Stichprobengröße.6. Konfidenzintervalle — Wilson-Score
Das Wald-KI aus dem z-Test kann sich nahe 0 oder 1 schlecht verhalten. Das Wilson-Score-Intervall wird für Konversionsraten-Schätzungen pro Gruppe empfohlen.7. Robustheitscheck — Chi-Quadrat-Test
Dieselbe Hypothese kann mit einer 2×2-Kontingenztafel getestet werden. Bei großem N entspricht die Chi-Quadrat-Statistik z² — ein nützlicher Plausibilitätscheck.8. Bayesscher A/B-Test
Der frequentistische Ansatz gibt eine binäre Antwort: ablehnen oder nicht ablehnen. Der Bayessche Ansatz beantwortet eine intuitivere Frage: Wie hoch ist die Wahrscheinlichkeit, dass die Behandlung besser ist? Wir verwenden das Beta-Binomial-Konjugat-Modell:- Prior: Beta(1, 1) — uninformativ (gleichverteilt auf [0, 1])
- Posterior: Beta(1 + Erfolge, 1 + Misserfolge) — aktualisierte Überzeugung nach Datenbeobachtung
- Entscheidung: Vergleich der Posterior-Verteilungen via Monte-Carlo-Sampling
- Frequentistisch: „Wir können H₀ nicht ablehnen” — binäre Entscheidung, p-Wert hängt von der Stichprobengröße ab
- Bayessch: „Es gibt eine ~9,5%ige Chance, dass die neue Seite besser ist” — direkte Wahrscheinlichkeitsaussage, intuitiver für Stakeholder
Akt 2: Stetige Metriken — Marketingkampagne
Wir wechseln nun zu stetigen Metriken, für die andere statistische Werkzeuge benötigt werden. Datensatz: Marketing Campaign A/B Testing — tägliche Kampagnenmetriken für Kontroll- vs. Testkampagne über 30 Tage.9. Ratenmetriken berechnen
10. EDA — Gepaarte Differenzen
Vor der Durchführung von Hypothesentests visualisieren wir die Daten, um ihre Struktur zu verstehen und potenzielle Probleme zu erkennen.- CTR
- Kaufrate
Streifendiagramm mit Mittelwert ± SE — jeder Punkt ist ein Tag; der Behandlungsmittelwert liegt deutlich höher, aber einzelne Tage variieren stark.
Boxplot — der Behandlungsmedian liegt oberhalb des Kontrollbereichs, mit mehreren Ausreißertagen mit hoher CTR.
Zeitreihe — die Behandlung (rot) übertrifft die Kontrolle (blau) durchgehend Tag für Tag, was ein gepaiertes Testdesign unterstützt.
11. Annahmenprüfung
Für gepaarte Tests prüfen wir die Differenzen (Behandlung minus Kontrolle pro Tag):- Normalität der Differenzen (Shapiro-Wilk) — Sind die gepaarten Differenzen approximativ normalverteilt?
- Varianzhomogenität (Levene) — Der Vollständigkeit halber berichtet, obwohl gepaarte Tests dies nicht erfordern.
- Shapiro-Wilk auf Differenzen besteht (p > 0,05) → gepaarter t-Test als Primärtest
- Shapiro-Wilk schlägt fehl → der gepaarte t-Test ist oft robust gegenüber leichter Nicht-Normalität, aber bei N ≈ 29 sollten Ergebnisse vorsichtig interpretiert werden. Der Wilcoxon-Vorzeichen-Rang-Test dient als Sensitivitätsprüfung
- Keine Prüfung gleicher Varianzen nötig — gepaarte Tests arbeiten mit Differenzen, nicht separaten Gruppen
12. Hypothesentests — Gepaarter t-Test und Wilcoxon-Vorzeichen-Rang
13. Effektgröße — Gepaarter Cohens dz
Für gepaarte Designs ist Cohens dz = Mittelwert(Differenzen) / SD(Differenzen) die geeignete Effektgröße. Sie erfasst, wie groß die Innerhalb-Paar-Differenzen relativ zu ihrer Variabilität sind.
14. Korrektur für multiples Testen
Wir haben zwei Metriken getestet: CTR und Kaufrate. Das Testen multipler Hypothesen erhöht die Chance auf falsch positive Ergebnisse (Fehler 1. Art). Drei Korrekturmethoden:
Verwenden Sie FWER (Bonferroni/Holm) wenn jedes falsch positive Ergebnis kostspielig ist (z.B. regulatorisch). Verwenden Sie FDR (BH) beim Screening vieler Metriken, wenn einige falsch positive Ergebnisse tolerierbar sind.
15. Metrik-Korrelation — CTR vs. Kaufrate
Sind unsere beiden Testmetriken korreliert? Bonferroni kontrolliert FWER unabhängig von der Abhängigkeitsstruktur, aber bei positiv korrelierten Metriken wird die Korrektur konservativer als nötig.Zusammenfassung
Vorbehalt zur Power in Akt 2: Mit nur ~29 gematchten Paaren hat die Studie moderate Power (~55% für einen mittleren Effekt dz ≈ 0,4). Die signifikanten Ergebnisse entsprechen mittleren bis großen Effekten (dz ≈ 0,59-0,75). Dennoch spiegeln die breiten Konfidenzintervalle die kleine Stichprobe wider.
Geschäftsschlussfolgerung: Die neue Landingpage verbessert die Konversionsrate nicht — das Experiment war gut gepowert (>99% für einen 1-pp-Anstieg) und sowohl frequentistische als auch Bayessche Analysen stimmen überein. Für die Marketingkampagne sind sowohl CTR als auch Kaufrate in der Behandlungsgruppe nach Holm-Korrektur signifikant höher. Bei nur 29 gematchten Tagen sind die Effektgrößenschätzungen jedoch ungenau; ein längeres Experiment würde die Konfidenzintervalle einengen.
Siehe auch
A/B-Testing-Anleitung
Kompakte Schritt-für-Schritt-Anleitung für A/B-Tests mit kstats und synthetischen Daten.
Annahmen testen
Normalität, Varianzhomogenität und Verteilungsanpassung vor parametrischen Methoden prüfen.
Hypothesentests-Modul
Vollständige Referenz aller in kstats verfügbaren Hypothesentests.
Korrelationsmodul
Pearson-, Spearman- und Kendall-Korrelation mit Signifikanztests.