... (opcional) en el contexto de Google Web Optimizer.
Suponga que tiene dos grupos y una variable de respuesta binaria. Ahora obtienes el siguiente resultado:
- Original : 401 ensayos, 125 ensayos exitosos
- Combinación16 : 441 ensayos, 141 ensayos exitosos
La diferencia no es estadísticamente significativa, sin embargo, se puede calcular una probabilidad de que Combination16 supere a Original.
Para calcular la "posibilidad de vencer al original" he utilizado un enfoque bayesiano, es decir, realizar una integración bidimensional de Monte Carlo sobre los intervalos de confianza de estilo bayesiano (distribución beta, (0,0) anterior). Aquí está el código:
trials <- 10000
resDat<-data.frame("orig"=rbeta(trials,125+1,401-125+1),
"opt"=rbeta(trials,144+1,441-144+1))
length(which(resDat$opt>resDat$orig))/trials
Esto resulta en 0.6764.
¿Qué técnica usaría un frecuentador para calcular "Probabilidad de vencer ..."? ¿Quizás la función de potencia de la prueba exacta de Fisher?
Opcional: contexto de Google Web Optimizer
Google Web Optimizer es una herramienta para controlar pruebas multivariadas o pruebas A / B. Esto solo como una introducción ya que esto no debería importar para la pregunta misma.
El ejemplo presentado anteriormente se tomó de la página de explicación de Google Web Optimizer (GWO), que puede encontrar aquí (desplácese hacia abajo a la sección " Rangos de tasa de conversión estimada "), específicamente de la figura 2.
Aquí GWO ofrece 67.8% para "Oportunidad de vencer a Original", que difiere ligeramente de mi resultado. Supongo que Google usa un enfoque más frecuente y me preguntaba: ¿Qué podría ser?
EDITAR: Dado que esta pregunta estaba a punto de desaparecer (supongo que debido a su naturaleza demasiado específica), la he reformulado para que sea de interés general.