|
|
本帖最后由 Menuett 于 2013-12-22 15:59 编辑
/ j2 }2 F+ p( }9 B: D3 R, L煮酒正熟 发表于 2013-12-20 12:05 ![]()
- B% d5 [' m X0 ^6 s9 M基本可以说是显著的。总的来说,在商界做统计学分析,95%信心水平是用得最多的,当95%上不显著时,都会去 ... & d( R. |- g' y! R4 y
" u9 K/ e3 R& A7 i
这个其实是一种binomial response,应该用Contigency Table或者Logisitic Regression(In case there are cofactors)来做。只记比率丢弃了Number of trial的信息(6841和1217个客户)。
* b4 M% d% v! k$ m T. L1 F4 u5 G9 J
结果p=0.5731。 远远不显著。要在alpha level 0.05的水平上检验出76.42%和75.62%的区别,即使实验组和对照组各自样本大小相同,各自尚需44735个样本(At power level 80%)。see: Statistical Methods for Rates and Proportions by Joseph L. Fleiss (1981)
1 T, ~ X7 z( y+ W+ v- A; Q9 z
& f$ w) ?. t" Z6 H, p$ dR example:
$ o) I p, [' K6 I8 s+ k$ B, A& |" c. Y E6 i2 S& A3 \
> M<-as.table(rbind(c(1668,5173),c(287,930)))7 D, Q8 W9 |3 Y7 `# p* E
> chisq.test(M)
9 P# N/ L) }2 a+ {$ N
/ g9 s( O, ~" D Pearson's Chi-squared test with Yates' continuity correction
. S$ E0 c% K: x% _7 w- p: U. P: Z& U: J
data: M/ B) F1 Y* C$ g( K. e- n7 l
X-squared = 0.3175, df = 1, p-value = 0.5731
# i% b1 g, e) `9 _6 \, ?7 N- s; _. r0 F* J& n
Python example:
) Z( a+ O% E: c0 L$ C% G$ l- n
& l$ ^ a" w: F" W>>> from scipy import stats
2 Y& w3 f% _. p* M6 h3 L. n>>> stats.chi2_contingency([[6841-5173,5173],[1217-930,930]])+ J% d6 `6 c" ?. @1 e* t
(0.31748297614660292, 0.57312422493552839, 1, array([[ 1659.73628692, 5181.26371308],
: j3 S& t0 I9 `1 P# e& Q [ 295.26371308, 921.73628692]])) |
|