怎么对AB测试的结果做分析
本文目录
ab型人格测试分析
ab型人格测试分析
AB型人格测试是一种常见的性格测试，它能够揭示人们的性格特质和个性倾向。AB型人格的人通常被认为具有复杂的性格，既有A型人格的冲动和着急，也有B型人格的冷静和慢性子。本文将从多个角度分析AB型人格测试，并展示一些有用的结论和建议。
1.什么是AB型人格？
AB型人格指的是一种既有A型人格的特质，又有B型人格的特质的人。A型人格的特点是热情、积极、竞争心强、易冲动、容易压力大，而B型人格的特点是冷静、沉着、不论事情如何都不会特别紧张，但气质比较软和散漫，也不太有冲劲。AB型人格则是这两种性格特质的结合，能够兼具A和B型人格的优点。AB型人格测试通过对被试者的性格特点的测试，得出一个人是否为AB型人格。
2. AB型人格测试有哪些方面？
AB型人格测试可以从多个方面进行测试，以反映人们的性格特质、行为模式、情感状态等。以下是一些常见的测试方面：
（1）性格类型：测试结果会告诉你，你的性格类型是什么，包括是否为AB型人格、A型人格、B型人格还是其他类型的人格。
（2）做事方式：测试会测试你的工作习惯、思维方式、任务执行效率等方面，以反映你在工作学习等方面的表现。
（3）情感状态：测试会测试你的情绪管理能力、压力抗衡能力等方面，以反映你的情感状态。
3. AB型人格测试的意义
AB型人格测试的意义在于，通过对测试结果的分析，可以更深入地了解一个人的个性特征和行为模式。测试结果可以帮助人们更好地了解自己，提高自我认知水平，从而更好地发掘自己的优势和缺陷，增强自身实力。此外，测试结果还可以为人们的择业、职业发展、学习规划提供借鉴和建议。
4.如何应对AB型人格的缺点？
虽然AB型人格具有A型人格和B型人格的优点，但也会有一些缺点。比如，AB型人格容易着急、冲动，也容易失去耐心和兴致，导致做事不够稳定。因此，要避免AB型人格的缺点，需要有针对性地进行一些自我修炼和自我调节。例如：保持一颗平静的心态，不要过于焦虑和紧张；加强自我控制，避免情绪波动过大；定时休息，避免疲劳和压力过大等。
AB测试介绍与案例分析
AB测试介绍：
概念：AB测试是为web或APP界面、流程等制作两个或多个版本，在同一时间维度，分别让成分相同的访客群随机访问这些版本，收集各群组的用户体验数据和业务数据，最后分析评估出最优版本并正式采用。简而言之，AB测试是通过设计对照实验来对比不同版本的效果。
关键点：
对照实验：需要有两个或多个版本的对照。随机分配：访客群需随机访问不同版本。数据收集与分析：收集用户体验和业务数据，并进行评估分析。AB测试案例分析：
明确问题：案例中，目标是对web新旧页面的AB测试结果进行分析，判断两者在用户转化情况上是否有显著区别。
数据准备：
导入数据：使用分析包导入数据文件，并查看数据字段及其含义。数据清洗：处理异常值和重复值。假设检验：
确定假设：设定零假设和备选假设。检验方向：根据备选假设确定检验方向。抽样分布类型：根据数据特点确定抽样分布类型。检验类型和统计量：选择合适的检验类型和计算检验统计量。显著性水平：设定显著性水平，用于判断结果是否显著。结果分析：
计算统计量：使用公式或Python函数计算检验统计量，并与显著性水平对应的分位数进行比较。判断结果：根据统计量是否落入拒绝域来判断是否拒绝零假设。效应量分析：计算效应量来衡量差异的大小。结论：
转化率对比：新页面平均转化率略高于旧页面。统计显著性：在显著性水平5%下，新页面转化率高于旧页面的结论是统计显著的。效应量：尽管有统计显著差异，但效应量很小，说明新旧页面转化率差异不大。详解完整的AB测试流程
本文详细剖析了完整的AB测试流程，包括关键步骤及其作用。
首先，AB测试流程涉及以下几个步骤：
选择实验指标：确定核心指标，如点击转化率，同时设定观测和反向指标以全面评估效果。
构建实验假设：针对核心指标设定零假设（无影响）和备择假设（有提升），明确实验目标。
实验单位选择：用户、设备或行为粒度，其中用户粒度最推荐，以确保数据置信。
设定最小提升预期：考虑成本效益，设定实验成功的基本标准。
计算最小样本量：确保实验功效，避免无效流量投入和错误结论。
流量分割策略：互斥或正交实验设计，合理分配流量。
确定实验时长：考虑样本量、用户活跃度和可能的周期性变化。
数据统计：采用合适的检验方法（T或Z检验），关注diff、p值和置信区间。
得出评估实验结果的显著性，考虑是否推广，以及MDE最小检测效应。
理解这些步骤有助于确保AB测试的有效性和准确性。若遇到不显著结果，可通过调整策略或增加样本量来优化实验。希望这些指导对您的实践有所帮助，欢迎讨论。
关于AA测试和AB测试的一些思考
老规矩，由于对知乎平台的怀疑，我一定多写一份写在我的博客，作为防删备份：
起因
一般的AA/AB测试都怎么做呢？正常来说，取一部分用户，然后把用户分成2组（也可以是多组，本文中我们只讨论最典型的2组的情况），在一段时间的运行以后，比较其结果。
AB测试自不必说，主要测试新的算法在指定的监测指标上又没有达到预期，AA测试则一般用来测试AB测试和用户的稳定性，也可以作为AB测试的一个预演和对AB测试工具的测试。有了AA测试，可以对AB测试的结果更为自信，当然，也有很多的文章讨论AA测试究竟是不是必要的，例如这一篇：A/A Testing: A Waste of Time or Useful Best Practice?
就我的实践而言，AB测试中的确容易出现两组天然存在指标差异的情况，尤其是样本或者用户少的时候更容易发生，比如有的时候你就是不幸多分了几个Heavy User到某一个组去，导致你怎么测试都得不到正确的结果……当然，在实践中，这个问题造成的误差并不大，一般CTR误差都在0.1%这个量级，而且误差可以随着时间收敛，基本算法带来的提升都应该能覆盖这个误差。
AB测试中出现两组天然存在指标差异带来的更大问题是，AA测试通不过，有的时候换个分组的Salt Key结果就不一样了。造成这个问题的原因是，随着采样数据的上升，AA测试中两组的方差都逐渐收敛，这个时候两组之间的天然差异会被“固化”，这个时候AA测试就失败了。
这个问题困扰我们挺久，但是到我们之前的AA测试只有Pass/Fail两个结果，所以我们考虑不妨把AA测试变成标定AB测试的工具，故事就从这里开始了。
改善
假设在一次试验（或者试验的某个片段中）收集到如下数据：
我们假定点击这个事件是服从Bernoulli分布的，也就是每次展示等价于抛一枚正反面概率固定为p的硬币（这里的假设是错误的，爆款新闻，突发事件，甚至只是单纯的周末或者深夜等等特殊时间都会影响点击率）。那我们做了N次这样的试验，所以 [公式]，C指的就是点击次数这个随机变量，p是二项分布试验的概率，那么C/N自然就是实际观测到的点击（转换）率CTR了，之后我们用符号x表示这个变量。根据中心极限定理，当n特别大的时候，C是服从正态分布的（注意了，N一定要特别大），表达为 [公式]。我们稍作转换 [公式]。我们用表中的数据代入，我们就可以得到对照组和测试组的点击率分布。记作： [公式]和 [公式]。其中， [公式]， [公式]。这里我们遇到第二个有点脏的点：用观测的CTR取代 [公式]，好在CTR是 [公式]的无偏估计，N又特别大，忍了。
直观的画出来，大概长这个样子：
我觉得两个随机变量还是太多，由于我们关注的并不是CTR本身，而是CTR的差异。不妨设[公式]，我们可以根据正态分布求和公式轻易得到 [公式]。
到此为止，我们所有的理论准备完成。
实战AA测试
AA测试，主要是估计一个提升的下确界，也就是我们最少要提升多少CTR，这个CTR甚至有可能是负数。举个例子，当试验组就是比对照组CTR要小一些的时候，哪怕在之后的测试中两者持平，我也可以判定对照组胜利，这和于老爷子出门没捡着钱就算丢的理论有异曲同工之妙。
在求这个数值之前，我们首先要确定一个单侧的置信度，比如0.05，或者0.01，根据你的容忍程度决定。随后我们可以根据这个数值，计算我们最少应该提升的CTR，如果形象的画个示意图，差不多是这个样子：
简单的写个代码实现一下：
AB测试
我们用AA测试得到了一个最少提升的参数，不妨记这个最小提升为ϵepsilonϵ。
那我们AB测试究竟过了没有（过了的意思是，测试组的算法对于对照组来说有提升），或者说，我们能以怎样的置信度判断AB测试过了。也就是说我们要求： [公式]。由于 [公式]，所以也就是判断 [公式]。
根据公式很容易得到：
[公式]
简单的写个代码实现一下：
展望
其实我们不仅仅可以使用正态分布，我们还可以借鉴Thompson Sampling中的思路，利用Beta分布对CTR进行建模，而Bandit本身，其实可以看作一个实时的，特殊的AB Testing。详细可以参见这篇：
但是我还没搞出来，因为还没有得到CTR误差的解析解。而Thompson Sampling是利用一种类似蒙特卡洛的方式来解决这个问题的。
等我下次无聊的时候，或许会尝试去计算一下吧。
写得比较急，要出门了，请各位帮忙纠错了，错别字也行。
感谢@萝卜他姓胡的勘误，norm的第二个参数的输入是标准差不是方差。
