Тонкости A/B тестирования: проблема подглядывания | Вебинар Анатолия Карпова | karpov.courses
Курс «Аналитик данных»: https://bit.ly/3rWZ8je В погоне за более быстрой проверкой продуктовых гипотез легко допустить серию ошибок в организации A/B тестов. Если мы очень торопимся провести эксперимент и готовы завершить его при первой же возможности, будьте готовы, что увеличивается риск ложного срабатывания. Как этого избежать? Обсудим на вебинаре. ● Поэкспериментировать с симуляцией A/B теста и проблемой подглядывания в Jupyter Notebook: https://cutt.ly/Rvk8zo8 ● Поиграть с калькулятором для размера выборки: evanmiller.org/ab-testing/sample-size.html ● Посмотреть, как исследования без чёткого плана могут приводить к неверным интерпретациям на примере большой научной работы, проведённой в Дании и показавшей, что маски не очень-то и защищают от коронавируса: https://bit.ly/32iZeVx ● Прочесть комментарий Data Scientist'а Алексея Чернобровова, чтобы понять, что с ним [исследованием] не так: facebook.com/chernobrovov/posts/1276131569435778 Учитесь Data Science с нами: https://karpov.courses/
