A/B测试算法揭秘第二篇：如何分析试验数据（上）

A/B测试的实质是对照试验，即通过对几个不同的版本进行对比，从而选出最优版本。在这个过程中，需要分析处理在试验中收集到的数据，并应用统计学上的方法对数据进行验证，看它是否符合我们最初的设计目标，或分析它的结果效应如何。这一章我们就将跟大家谈谈这种方法——假设检验。

假设检验的定义

假设检验是先对总体的参数提出某种假设（比如说转化率的平均值），然后利用样本数据判断假设是否成立的过程。在逻辑上，假设检验采用了反证法，即先提出假设，再通过适当的统计学方法来计算这个假设可能性的大小。

由于统计得出的结果来自于随机样本的数据，结论不可能为绝对的，所以我们只能根据概率上的一些依据进行相关的判断。这里依据的是小概率思想（即显著性水平 p”或“ α，那么不能拒绝原假设。

如果 α 取 0.05 而 p = 0.04，说明如果原假设为真，则此次试验发生了小概率事件。根据小概率事件不会发生的判断依据，我们可以反证认为原假设不成立。

显著性水平 p 的计算公式取决于假设检验的具体方式，在这里就不具体展开了。

关于假设检验的基础知识就介绍到这里，在之后的内容中，我们将分别对显著性水平的P-Value、T检验等进行详细的介绍。

作者：吆喝科技，微信公众号（appadhoc）。

关键字：产品经理, 数据分析, 数据驱动产品, 假设

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！