Семейство тестов хи-квадрат: что у них под капотом и какие выбрать для сравнения воронок

C примерами на Python.

Всем привет, меня зовут Вячеслав Зотов, я аналитик в студии Whalekit. В этом тексте я расскажу про статистические тесты и сравнение воронок, а также мы попробуем разобраться, что объединяет χ²-тесты, какова область их применения и подробно исследуем применимость χ²-тестов к анализу воронок. И все это с примерами на Python.

Тест χ² — очень полезный аналитический инструмент, который тем не менее часто вызывает у аналитиков недопонимание и путаницу. Прежде всего это происходит из-за того, что существует целое семейство тестов χ², имеющих разные области применения. Дополнительную путаницу создает то, что тесты χ² часто рекомендуют применять для анализа продуктовых и маркетинговых воронок, а это обычно приводит к ошибочному использованию тестов.

Семейство тестов хи-квадрат: что у них под капотом и какие выбрать для сравнения воронок

Начнем с импорта библиотек:

import warnings warnings.filterwarnings('ignore') import os import math import random import re import pandas as pd import numpy as np import scipy.stats as stats from matplotlib import pyplot as plt import matplotlib.ticker as mtick import seaborn as sns from matplotlib import cm import matplotlib.colors

Распределение χ² возникает при возведении в квадрат нормально распределенной случайной величины:

np.random.seed(1234) size = 10000 # размеры случайных переменных loc = 0 scale = 1 result = pd.DataFrame([[0] * size], index = ['chi2_1']).T plt.figure(figsize = (15, 5)) # перебираем значения степеней свободы k for k in range(2, 22, 3): # создаем фрейм результатов current_result = pd.DataFrame([[0] * size], index = [1]).T # генерируем нужное количество нормально распределенных переменных, находим сумму их квадратов for i in range(1, k + 1): current_result[i] = pd.Series(np.random.normal(loc = loc, scale = scale, size = size)) # находим сумму квадратов current_result['chi2'] = (current_result * current_result).sum(axis = 1) sns.kdeplot(current_result['chi2'], label = 'k = {}'.format(k)) plt.legend(title = 'Степени свободы'), plt.ylabel('$f_k(x)$'), plt.xlabel('$x$'), plt.title('Распределения $\chi_k^2$') plt.show()

Существует три χ²-теста.

Тест на гомогенность (test of homogeneity, он же goodness of fit) — непараметрический, одновыборочный тест, который проверяет соответствие наблюдаемого распределения категориальной случайной величины некоторому эталонному распределению. В Python реализован функцией scipy.stats.chisquare.
Тест на независимость (он же test of independence/association) — непараметрический, одновыборочный тест, который проверяет наличие связи между двумя категориальными переменными. В Python реализован функцией scipy.stats.chi2_contingency.
Тест для дисперсии — параметрический (параметр — дисперсия), одновыборочный тест, который проверяет равенство дисперсии непрерывной случайной величины заданному порогу. В Python для него нет готовой функции.

Первые два теста используют критерий согласия Пирсона (КСП), который имеет распределение χ². Третий тест никак не относится к первым двум за исключением того, что статистика, которую он использует, также имеет распределение χ² (об этом ниже).

Критерий согласия Пирсона рассчитывается по формуле:

Здесь:

O — наблюдаемое значение;
E — ожидаемое значение.

Таким образом, КСП — это разница между наблюдаемым и ожидаемым значением, возведенная в квадрат (нам важно не направление отличий, а только факт их наличия) и нормированная с помощью деления на ожидаемое значение (чтобы слишком быстро не росла).

Если мы сравниваем набор наблюдаемых значений с набором эталонов, то формула КСП приобретает вид:

В том случае, когда O и E имеют нормальное распределение, КСП имеет распределение χ².

Получается, что мы можем провести статистический тест с гипотезами:

H0: между наблюдаемым распределение и эталонным распределением нет различий;
H1: между наблюдаемым распределение и эталонным распределением есть различия.

Если различий нет, то КСП будет стремиться к нулю. В противном случае она окажется за пределами интервала наиболее вероятных значений:

Тесты с КСП, таким образом, непараметрические (поскольку не оценивают никакие из параметров распределений) и односторонние (так как статистика всегда положительная за счет возведения в квадрат — вот некоторые рассуждения на этот счет). Поскольку тест непараметрический, мы можем напрямую сравнивать полученную статистику с эталонным распределением (без применения несмещенных оценок как в z- и t-тестах).

Остался маленький нюанс — O и E должны иметь нормальное распределение. При работе с категориальными переменными это достигается за счет нормальной аппроксимации биномиального распределения (вот обсуждение по теме).

Предположим, что у нас есть таблица реально наблюдаемых вероятностей появления наблюдений в группах (Observed) и ожидаемых вероятностей появления (Expected):

Тогда гипотезы для теста goodness of fit можно представить таким образом:

H0: O₁ = O₂ = O₃ = ... = Oₙ (то есть наблюдение может относиться с равной вероятностью к каждой из групп);
H1: Хотя бы одна из вероятностей Oᵢ не равна остальным.

или таким:

H0: O₁ = E₁, O₂ = E₂, O₃ = E₃, ..., Oₙ = Eₙ (то есть вероятности соответствуют ожидаемому распределению);
H1: хотя бы в одном случае Oᵢ не равна Eᵢ (то есть вероятности не соответствуют ожидаемому распределению).

Пример расчета статистики (источник):

Для полученную статистики можно рассчитать p-value для распределения χ² при числе степеней свободы d = (n-1) = 4:

1 - stats.chi2.cdf(52.75, 4)

9.612521889579284e-11

Сравнив его с уровнем значимости α = 0.05, можно сделать вывод о том, что нулевая гипотеза отвергается и конфеты распределены по вкусам неравномерно.

Еще примеры расчета: один и второй.

Напишем функцию для проведения теста:

def diy_chisquare(observed, expected): # рассчитываем статистику k = len(observed) # число степеней свободы statistic = (((observed - expected)**2)/expected).sum() # КСП # рассчитываем p-value p_value = 1 - stats.chi2.cdf(statistic, k - 1) # вероятность получить значение выше или равное статистике return k - 1, statistic, p_value

Сравним ее результат со встроенным методом, используя предыдущий пример:

# задаем исходные данные np.random.seed(1234) data = np.array([180, 250, 120, 225, 225]) expected = np.array([200, 200, 200, 200, 200]) # результат самодельного теста display(diy_chisquare(data, expected)) # результат встроенного теста from scipy.stats import chisquare chisquare(data, expected)

(4, 52.75, 9.612521889579284e-11)

Power_divergenceResult(statistic=52.75, pvalue=9.612518035368181e-11)

Результаты полностью совпадают.

Интереса ради исследуем вопрос о том, как размер выборки влияет на то, будет ли распределение КСП соответствовать распределению χ². Зададим функцию проведения эксперимента:

def generate_max_likelihood_distro(size, num_samples, sample_size, k_range, ax, ax2, ax3, title): ks_results = [] for line_i, k in enumerate(k_range): # перебираем степени свободы (количество классов, на которые разбиваются наблюдения) data = pd.Series(np.random.choice(k, size, p = [1 / k] * k)) # не генерируем равномерно распределенный массив групп наблюдений max_likelihood = [] for i in range(num_samples): observed = data.sample(sample_size, replace = True).value_counts() # считаем, сколько раз появилось каждое из значений expected = sample_size/k # ожидаемое число значений max_likelihood += [[i, k - 1, (((observed - expected)**2)/expected).sum() # максимальное правдоподобие ]] max_likelihood = pd.DataFrame(max_likelihood, columns = ['Sample #', 'Degrees of freedom', 'Max likelyhood distribution']) # строим графики распределений sns.kdeplot(max_likelihood['Max likelyhood distribution'], label = 'k = {}'.format(k), ax = ax) ax.legend(title = 'Степени свободы'), ax.set_ylabel('$f_k(x)$'), ax.set_xlabel('$x$'), ax.set_title(title) # строим qq-графики stats.probplot(max_likelihood['Max likelyhood distribution'], dist = stats.chi2, sparams = (k - 1), # chi2 с числом степеней свободы k-1 plot = ax2, fit = False) line_index = (line_i + 1) * 2 (ax2.get_lines()[line_index - 2].set_color(ax.get_lines()[line_i].get_color()), ax2.get_lines()[line_index - 2].set_label('k = {}'.format(k)), ax2.get_lines()[line_index - 2].set_markersize(3), ax2.get_lines()[line_index - 2].set_alpha(0.5) ) ax2.get_lines()[line_index - 1].set_color('lightgrey'), ax2.get_lines()[line_index - 1].set_linestyle(':') ax2.set_title('Соответствие распределению $\chi^2$'), ax2.legend(title = 'Степени свободы') # проводим КС-тест ks_stat, ks_p = stats.kstest(max_likelihood['Max likelyhood distribution'], 'chi2', args = (k - 1, )) ks_results.append([k, ks_stat, ks_p]) ks_results = pd.DataFrame(ks_results, columns = ['k', 'statistic', 'p']).set_index('k') ks_results[['p']].plot(ax = ax3, xticks = ks_results.index, label = '$p$-value') ax3.axhline(0.05 / len(k_range), color = 'red', linestyle = ':', label = 'alpha = {:.2f}'.format(0.05 / len(k_range))) # с коррекцией Бонферрони ax3.set_ylabel('$p$-value'), ax3.set_xlabel('$k$ (степени свободы)'), ax3.set_title('Результаты КС-теста'), ax3.legend()

Исследуем влияние размера выборки на соответствие статистики распределению χ²:

np.random.seed(12345) size = 100000 # размер «генеральной совокупности» — исходной большой выборки num_samples = 1000 sample_size = 100 plt.figure(figsize = (25, 12)) sample_sizes = [10, 50, 100, 500, 1000, 2000] for i, sample_size in enumerate(sample_sizes): generate_max_likelihood_distro(size, num_samples, sample_size, range(2, 22, 3), title = 'Размер выборки $n = {}$'.format(sample_size), ax = plt.subplot(3, len(sample_sizes), i + 1), ax2 = plt.subplot(3, len(sample_sizes), len(sample_sizes) + i + 1), ax3 = plt.subplot(3, len(sample_sizes), len(sample_sizes) * 2 + i + 1), ) plt.tight_layout()

Наблюдения и выводы:

при увеличении размера выборки результат становится менее шумным;
сами распределения весьма похожи на χ²;
QQ-plot показывает, что распределение статистики становится близко к χ² даже для малых k, когда размер выборки превышает 100 наблюдений;
тест Колмогорова-Смирнова также показывает, что с ростом размера выборок статистика уверенно приближается к χ².

Мы показали эмпирически, что КСП действительно имеет распределение χ².

Тест χ²-тест на независимость (test of independence/association) отличается от предыдущего теста постановкой гипотез:

H0: категориальные переменные A и B независимы;
H1: категориальные переменные A и B связаны между собой.

Допустим, у нас есть таблица сопряженности (из примера). Таблица сопряженности описывает наблюдаемые (observed) результаты:

Согласно теореме умножения вероятностей, в том случае, когда две случайные величины A и B независимы, вероятность получить совместное событие равна P(AB) = P(A) ⋅ P(B). Таким образом, наши ожидаемые (expected) величины можно рассчитать по формуле умножения вероятностей и свести в таблицу:

Используя эту таблицу, мы можем рассчитать статистику по формуле:

Готовую статистику можно подставить в CDF для распределения χ² и получить p-value.

Напишем функцию для расчетов:

def diy_chi2_contingency(contingency_table): # общее число наблюдений total = contingency_table.sum().sum() # суммы по строкам и столбцам col_probs = contingency_table.sum(axis = 0).values row_probs = contingency_table.sum(axis = 1).values # превращаем их в вероятности col_probs = col_probs / total row_probs = row_probs / total # рассчитываем ожидаемые значения expected = np.array([col_probs]).T @ np.array([row_probs]) # перемножаем вектор-столбец вероятностей в рядах на вектор-стороку вероятностей в столбцах expected = expected.T expected = expected * total # рассчитываем статистику statistic = ((contingency_table.values - expected)**2)/expected statistic = statistic.sum() # определяем число степеней свободы dof = (contingency_table.shape[0] - 1) * (contingency_table.shape[1] - 1) # рассчитываем p-value p_value = 1 - stats.chi2.cdf(statistic, dof) # вероятность получить значение выше или равное критерию МП return dof, statistic, p_value contingency_table = pd.DataFrame([[11, 3, 8], [2, 9, 14], [12, 13, 28]]) diy_chi2_contingency(contingency_table)

(4, 11.942092624356777, 0.01778711460986071)

Сравним результат со встроенной функцией:

from scipy.stats import chi2_contingency chi2_contingency(contingency_table)[0:3]

(11.942092624356777, 0.0177871146098607, 4)

Результаты полностью идентичны.

Третий вид χ²-теста не имеет никакой связи с предыдущими за исключением того, что его статистика, которая рассчитывается по формуле

также имеет распределение:

Вот доказательство. Здесь S — это наблюдаемое выборочное СКО, а σ — ожидаемое СКО.

Пример расчета статистики тут.

В Python нет встроенной функции, но можно ее написать: пример.

Тест χ² для дисперсии не используется для сравнения выборок. Для этого служит F-тест (очень чувствителен к требованию нормальности данных), а для ненормальных данных — тесты Левена или Бартлетта (оба есть в Python).

Нас, как практиков, конечно же, прежде всего интересует вопрос — можно ли использовать этот тест для ненормально распределенных данных (потому что на практике мы практически никогда не работаем с нормальными распределениями).

Для этого сравним распределение статистики для нормально распределенных и экспоненциально распределенных данных. Кроме того, оценим влияние размера выборки на результат:

np.random.seed(1234) size = 100000 # размер «генеральной совокупности» — исходной большой выборки num_samples = 1000 sample_size = 1000 std_threshold = 1.1 data_norm = pd.Series(np.random.normal(0, std_threshold, size)) data_exp = pd.Series(np.random.exponential(std_threshold, size)) plt.figure(figsize = (25, 5)) sample_sizes = [10, 30, 50, 100, 500, 1000] for i, sample_size in enumerate(sample_sizes): statistics = [] for j in range(num_samples): statistics += [[j, (sample_size - 1) * data_norm.sample(sample_size, replace = True).var() / (std_threshold ** 2), # статистика для нормально распределенных данных (sample_size - 1) * data_exp.sample(sample_size, replace = True).var() / (std_threshold ** 2) # статистика для жкспоненциально распределенных данных ]] statistics = pd.DataFrame(statistics, columns = ['Sample #', 'Statistic (normal data)', 'Statistic (exponential data)']) # строим графики распределений ax = plt.subplot(1, len(sample_sizes), i + 1) sns.kdeplot(statistics['Statistic (normal data)'], label = 'Нормально распределенные данные', color = 'orange', linestyle = ':', ax = ax) sns.kdeplot(statistics['Statistic (exponential data)'], label = 'Экспоненциально распределенные данные', color = 'orange', ax = ax) sns.kdeplot(pd.Series(np.random.chisquare(sample_size - 1, size)), color = 'blue', label = 'Эталонное распределение $\chi^2$', ax = ax) plt.title('Размер выборки: {}'.format(sample_size)), plt.xlabel('Статистика'), plt.ylabel('Частота') if i == 0: plt.legend() plt.tight_layout()

Наблюдения:

распределение статистики для нормально распределенных данных повторяет ожидаемое распределение:

распределение статистики для экспоненциально распределенных данных отличается от эталонного распределения. Более того, различие, похоже, растет с ростом размера выборки.

Вывод: промысловой ценности не имеет.

Довольно часто встречаются попытки использовать χ²-тест вместо z-теста для пропорций. Также можно встретить утверждения о том, что z-тест эквивалентен χ²-тесту для ситуации с двумя классами. Имеется в виду эквивалентность результатов между:

двухвыборочным z-тестом для пропорций;
тестом χ² на независимость данных (test of independence) в ситуации, когда таблица сопряженности имеет размерность 2 x 2.

Пример: допустим, у нас есть результаты бинарного эксперимента:

np.random.seed(1234) size = 1000 p = 0.4 data = pd.Series(np.random.choice(2, size, p = [1 - p, p]))

Эти результаты можно представить в виде таблицы сопряженности, если добавить к ним ожидаемые значения:

contingency_table = pd.DataFrame([data.value_counts().values, [500, 500]], index = ['Observed', 'Expected']) contingency_table

Результат χ²-теста на независимость:

from scipy.stats import chi2_contingency chi2_statistic, p_value, dof, exp = chi2_contingency(contingency_table, correction = False) # отключаем коррекцию (с ней результат чуть-чуть отличается) chi2_statistic, p_value

(14.555161038503186, 0.00013611529553341273)

Результат двухвыборочного z-теста для пропорций:

from statsmodels.stats.proportion import proportions_ztest z_statistic, p_value = proportions_ztest(contingency_table[0], contingency_table.sum(axis = 1), alternative = 'two-sided') z_statistic, p_value

(3.815122676730484, 0.00013611529553341327)

p-value полностью совпадают. Более того, z-статистика равна квадратному корню из χ²-статистики:

z_statistic, math.sqrt(chi2_statistic)

(3.815122676730484, 3.8151226767304856)

Демонстрация математической эквивалентности: тут и тут.

Нужно отметить, что тест на гомогенность не эквивалентен z-тесту:

from scipy.stats import chisquare chi2_statistic, p_value = chisquare(contingency_table.loc['Observed'], f_exp = contingency_table.loc['Expected']) # тестируем наблюдаемые величины на равновероятность chi2_statistic, p_value

(28.9, 7.62129129638297e-08)

Тест Фишера часто рекомендуют применять вместо χ²-теста для таблиц сопряженности размером 2 х 2 в тех случаях, когда частоты очень малы (ячейки таблицы сопряженности имеют значения <= 5). Если тест Фишера до какой-то степени эквивалентен χ²-тесту, то он должен быть эквивалентен и z-тесту для пропорций. Действительно, p-value довольно похожи:

from scipy.stats import fisher_exact fisher_exact(contingency_table, alternative = 'two-sided')

(1.4096385542168675, 0.00016169735747221216)

Утверждается, что размер выборки должен быть такой, чтобы:

каждая из ячеек таблицы сопряженности была больше 5 (если нет, то это легко исправляется умножением таблицы на нужный множитель);
общий размер сэмпла был не более 500, так как увеличение размера сэмпла вызывает рост статистики и вероятности ложноположительных результатов.

Проверим это на практическом примере.

Возьмем таблицу сопряженности, при которой тест подтверждает нулевую гипотезу (это слегка модифицированная таблица ожидаемых значений из одного из предыдущих примеров) и будем последовательно увеличивать размер выборки:

# тестовые данные test_table = pd.DataFrame([[6, 5.5, 11], [6.25, 7, 12.5], [13.25, 13.25, 26.5]]) # последовательно увеличиваем количество наблюдений result = [] for mult in range(1, 100, 1): current = test_table * mult statistic_ind, p_ind, _, _ = chi2_contingency(current) # тест по увеличиваемой таблице result += [[current.sum().sum(), p_ind, statistic_ind]] result = pd.DataFrame(result, columns = ['sample_size', 'p-value', 'statistic']).set_index('sample_size') # график p-value ax = result['p-value'].plot(figsize = (10, 5), color = 'red', grid = True) plt.ylabel('p-value'), plt.xlabel('Размер выборки') # график статистики ax2 = ax.twinx() result['statistic'].plot(ax = ax2, color = 'blue', label = 'Статистика') # собираем легенду lines, labels = ax.get_legend_handles_labels() lines2, labels2 = ax2.get_legend_handles_labels() ax2.legend(lines + lines2, labels + labels2, loc = 1, title = 'Параметры') plt.ylabel('Статистика'), plt.title('Влияние размера выборки на результаты теста $\chi^2$');

Видно, что с ростом размера выборки статистика растет линейно, при этом p-value стремится к 0 и рано или поздно тест покажет статистически значимые отличия при исходных пропорциях.

Таким образом, размер выборки желательно брать достаточно малый (видимо, 500 — хорошая практическая граница).

Довольно часто встречаются утверждения, что χ²-тест можно применять для сравнения множественных пропорций. Например, при сравнении нескольких воронок (скажем, в процессе A/B-тестирования) предлагается вместо серии последовательных z-тестов для пропорций применять тест χ². В этом разделе мы посмотрим, какие из χ²-тестов применимы для задачи анализа воронок.

Сразу можно сказать, что для анализа воронок неприменим тест χ² для дисперсии.

Чтобы разобраться с оставшимися двумя видами тестов χ², представим, что нам нужно проанализировать результаты А/B теста, в котором тестировались два вида воронок — воронка контрольной группы (A) и воронка тестовой группы (B).

Теоретически, χ²-тест на гомогенность можно применить, если рассматривать воронку контрольной группы как набор ожидаемых значений (expected), а воронку тестовой группы — как набор наблюдаемых значений (observed). Тогда тест покажет наличие статистически значимого отличия между observed и expected.

Аналогично χ²-тест на независимость можно применять для анализа любого числа воронок, если рассматривать все эти воронки как таблицу сопряженности. В этом случае тест покажет, зависит ли переменная «шаги воронки» от переменной «группа теста» или нет.

Но, кажется, здесь возникает нюанс. Дело в том, что логика обоих видов χ²-теста предполагает, что на их вход подаются таблицы сопряженности. Таблицу сопряженности, прежде всего, характеризует то, что в ней каждый объект наблюдений может попадать в одну единственную категорию. Это условия, очевидно, не выполняется для таблиц воронок, так как каждый объект наблюдений (в случае с воронками — это пользователь) может выполнить несколько шагов воронки и оказаться сразу в нескольких категориях.

Чтобы превратить таблицу воронок в таблицу сопряженности, нужно провести простую трансформацию — посчитать, сколько пользователей ушло из воронки на каждом из шагов. Таким образом, для каждого пользователя в таблице остается одно единственное наблюдение. Например, таблица сопряженности для таблицы из двух воронок из примера выше будет иметь вид:

В этом примере мы полагаем, что пользователь не может перепрыгивать через шаги воронок, поэтому число отвалившихся пользователей для каждого шага равно разности уникальных пользователей на двух соседних шагах.

Есть ли какое-либо отличие в результатах, получаемых при подстановке в χ²-тесты таблиц воронок и таблиц сопряженности? Действительно, довольно легко подобрать пример, для которого тест, проведенный на данных таблицы сопряженности, даст правильный результат, а тест проведенный на таблице воронок — неправильный. К примеру, возьмем воронки из примера выше.

У них есть явные отличия, но χ²-тест для гомогенности, выполненный на таблице воронок показывает отсутствие отличий, а тот же тест, выполненный по таблице сопряженности, показывает, что отличия есть:

Казалось бы, все просто — трансформируем таблицы воронок в таблицы сопряженности, подаем их в χ²-тесты и получаем правильный результат. Но где гарантия, что получившийся выше результат не случаен, и в особенности, что результаты тестов никак не зависят от формы воронок. Давайте это проверим.

Сначала протестируем, как от формы воронок зависит вероятность ошибки первого рода (вероятность обнаружить отличия там, где их нет). Для этого проведем серию экспериментов:

создадим набор воронок, состоящих из трех шагов. Каждая воронка будет описываться парой чисел — вероятностью конвертироваться из первого во второй шаг и вероятностью конверсии из второго шага в третий. То есть воронка 100 -> 50 -> 25 будет описываться парой чисел [0.5, 0.5];
для каждой из созданных воронок построим N пар выборок;
для каждой из пар выборок проведем 5 тестов:

χ²-тест на гомогенность по таблице воронок;
χ²-тест на гомогенность по таблице сопряженности;
χ²-тест на независимость по таблице воронок;
χ²-тест на независимость по таблице сопряженности;
z-тест, сравнивающий доли пользователей, достигших последнего шага воронок.

Начнем с функции построения воронок:

# строим воронки, из которых будем делать сэмплирование # pop_size — количество пользователей, которые участвуют в каждой воронке # coeffs — массив процентных значений отличий воронок для тестирования ошибок второго рода # rel — параметр, управляющий тем, какая воронка будет получена — абсолютная (доля рассчитывается от первого шага воронки) или относительная (доля рассчитывается от предыдущего шага) def generate_funnel_log(pop_size, coeffs, rel = False, random_state = 12345): # задаем начальный шаг result = pd.DataFrame([[0, 1]] * pop_size, columns = ['step', 'user_id']) result['user_id'] = result['user_id'].apply(lambda x: ''.join(random.choice('abcdefghij1234567890') for i in range(10))) # на каждом шаге берем только нужный процент пользователей, достигших прошлого шага for step, step_coeff in enumerate(coeffs): current = result.query('step == @step') # если относительная воронка, то число уников на этом шаге считаем как % от предыдущего, если абсолютная, то от всей популяции current_pop = pop_size if rel: current_pop = current['user_id'].nunique() current = current.sample(int(np.ceil(current_pop * step_coeff)), random_state = random_state) current['step'] = step + 1 result = result.append(current) return result

С помощью этой функции сконструируем воронки разной формы:

# конструируем разные формы воронок # steps — на сколько шагов будут разбиты относительные шаги воронок # pop_size — количество пользователей, которые участвуют в каждой воронке # differences — массив процентных значений отличий воронок для тестирования ошибок второго рода # file_name — файл, в который будут записаны результаты генерации лога (при определенных условиях его генерация может занимать существенное время) def generate_funnel_set(steps, pop_size, differences = [], file_name = None): result = pd.DataFrame() funnel_num = 0 # проверяем ранее сгенерированный файл лога воронки if file_name is not None: try: return pd.read_csv(file_name) except: print(f'{file_name} не существует.') # добавляем 1 к списку различий, чтобы сгенерировать исходную воронку differences = [1] + differences for first_step_prob in np.linspace(0, 1, num = steps): for second_step_prob in np.linspace(0, 1, num = steps): # отсекаем ситуации, когда воронка плоская if first_step_prob == 0 or second_step_prob == 0: continue funnel_coeffs = [first_step_prob, second_step_prob] # генерируем набор воронок, имеющих отличия от исходной воронки # здесь же генерируется и она сама с diff = 1 for i, diff in enumerate(differences): current_funnel = generate_funnel_log(pop_size, [x * diff for x in funnel_coeffs], rel = True) # номер воронки для быстрого к ней обращения current_funnel['funnel_num'] = funnel_num current_funnel['funnel_diff_num'] = i # параметры воронки current_funnel['first_step_prob'] = first_step_prob current_funnel['second_step_prob'] = second_step_prob current_funnel['diff'] = diff result = result.append(current_funnel) funnel_num += 1 # сохраняем воронку в файл if file_name is not None: result.to_csv(file_name) return result # набор воронок log = generate_funnel_set(steps = 25, pop_size = 10000, differences = [], file_name = 'sample_log.csv') display(log.query('funnel_num == 10')[['first_step_prob', 'second_step_prob']].drop_duplicates()) report = log.query('funnel_num == 10').groupby('step').agg({'user_id': 'nunique'}) report['perc'] = report['user_id'] / report.loc[0, 'user_id'] display(report)

Построим некоторые из полученных воронок и посмотрим, на какие классы мы можем их разделить:

# выбираем 5 произвольных воронок sample_funnels = log['funnel_num'].drop_duplicates().sample(5, random_state = 1234567) # строим их report = log.query('funnel_num in @sample_funnels') report['funnel_name'] = report.apply(lambda x: f"№{x['funnel_num']}. Отн. конверсия {x['first_step_prob']:.2%} -> {x['second_step_prob']:.2%}", axis = 1) report = report.pivot_table(index = 'step', columns = 'funnel_name', values = 'user_id', aggfunc = 'nunique') report = report.div(report.loc[0], axis = 1) # выводим графики ax = report.plot(figsize = (15, 7), grid = True) ax.yaxis.set_major_formatter(mtick.PercentFormatter(1)) ax.set_xticks(report.index) plt.xlabel('Шаг воронки'), plt.ylabel('Абсолютная вероятность конверсии'), plt.legend(title = 'Воронки') plt.title('Различные классы воронок');

Видно, что воронки, в сущности, делятся на три класса:

воронки с немедленным падением — те, у которых на первом шаге наблюдается падение на более, чем 50% от нулевого. В этом случае конверсия во второй шаг не важна. На графике к этой категории относятся воронки №211 и №214;
воронки с умеренным угасанием — те, у которых падение на первом шаге составляет не более 50% от нулевого, а на втором шаге — не более, чем 50% от первого. Например, этим критериям соответствует воронка №377;
воронки с быстрым угасанием на втором шаге. На картинке выше это воронки №491 и №532.

Если мы построим график, у которого по оси X отложена вероятность конверсии из шага 0 в шаг 1, а по оси Y — вероятность конверсии из шага 1 в шаг 2, то воронки расположатся на нем вот так:

report = log.query('funnel_num in @sample_funnels') plot_data = report[['funnel_num', 'first_step_prob', 'second_step_prob']].drop_duplicates() x, y, t = plot_data['first_step_prob'].values, plot_data['second_step_prob'].values, plot_data['funnel_num'].values ax = plt.axes() plt.scatter(x, y) plt.xlim((0, 1)), plt.ylim((0, 1)) # границы типов воронок ax.axvline(0.5, linestyle = '-.', color = 'red') ax.hlines(y = 0.5, xmin = 0.5, xmax = 1, linestyle = '-.', color = 'red') ax.text(0.07, 0.9, 'Быстрое', fontsize = 15, color = 'red') ax.text(0.55, 0.9, 'Умеренное', fontsize = 15, color = 'red') ax.text(0.55, 0.3, 'Быстрое\n2-й шаг', fontsize = 15, color = 'red'); for i, txt in enumerate(t): ax.annotate(txt, (x[i] + 0.03, y[i])) plt.xlabel('Вероятность конверсии в первый шаг'), plt.ylabel('Вероятность конверсии во второй шаг');

Если мы проведем для каждой воронки серию тестов, то мы сможем построить график вероятности, на котором будет показан шанс допустить ошибку первого рода. Он будет выглядеть примерно так:

Здесь зеленым цветом обозначены области с умеренной вероятностью допустить ошибку, а оттенки красного показывают области с высокими вероятностями ошибок.

Подготовим набор воронок, которые будут использоваться при тестировании:

# генерирует набор воронок, в котором будут не только исходные воронки, но и отличающиеся от них на 75%, 50% и 25% funnel_log = generate_funnel_set(steps = 25, pop_size = 2000, differences = [0.9, 0.8, 0.7], file_name = 'funnel_log.csv') display(funnel_log.query('funnel_num == 10')[['diff', 'first_step_prob', 'second_step_prob']].drop_duplicates())

Зададим функции для проведения экспериментов:

run_experiment получает на вход данные воронок, получает из них выборки нужного размера, формирует таблицы воронок и сопряженности, а также проводит по ним статистические тесты;
run_error_experiments перебирает наборы воронок для тестирования и для каждого набора вызывает функцию run_experiment. Помимо этого, run_error_experiments отображает графики результатов.

# для каждого сочетания воронок проводим серию экспериментов # funnel_log - лог с данными воронок # sample_size - размер выборок, формируемых в каждом из экспериментов # number_of_experiments - число экспериментов для каждой из воронок # alpha - уровень значимости # test_func - функция, описывающая набор статистических тестов, которые проводятся в каждом из экспериментов # result_column_names - словарь человеко-читаемых названий колонок с результатами экспериментов # compare_func - функция, служащая для сравнения p-value в каждом из экспериментов с уровнем значимости def run_experiment(funnel_log, sample_size, number_of_experiments, alpha, test_func, compare_func): result = [] errors = 0 # проводим эксперименты for i in range(number_of_experiments): # составляем выборки из всех групп funnel = pd.DataFrame() for j, group in enumerate(funnel_log['group'].unique()): test_users = funnel_log.query('group == @group')['user_id'].drop_duplicates().sample(sample_size, random_state = i + j) current_funnel = funnel_log.query('group == @group and user_id in @test_users') funnel = funnel.append(current_funnel) # формируем таблицу воронок funnel = funnel.pivot_table(index = 'step', columns = 'group', values = 'user_id', aggfunc = 'nunique').fillna(0) # игнорируются ситуации, когда из-за малого размера выборки воронка состоит только из первого шага if funnel.shape[0] == 1: errors += 1 continue # формируем таблицу сопряженности for col in funnel.columns: funnel[f'cont_{col}'] = funnel[col] - funnel[col].shift(-1) # заполняем пропуски в последнем ряду оставшимися пользователями funnel_cols = [x for x in funnel.columns if 'cont' not in str(x)] cont_cols = [x for x in funnel.columns if 'cont' in str(x)] funnel.loc[funnel.index.max(), cont_cols] = funnel.loc[funnel.index.max(), funnel_cols].values # если в таблице сопряженности попадаются нули, то пропускаем такие ситуации if (funnel[cont_cols] == 0).max().max(): errors += 1 continue # проводим тесты result += [test_func(funnel)] result = pd.DataFrame(result) result = result.apply(compare_func, args = [alpha], axis = 1) return list(result.mean().values), errors

# функция отрисовки карты ошибок def show_contour(data, x_col, y_col, z_col, levels, ax, title): z = data.pivot_table(index = y_col, columns = x_col, values = z_col, aggfunc = 'max') x, y = z.columns, z.index.values # закраска областей ax.contourf(x, y, z, levels = levels, cmap = color_map, alpha = 0.3, norm = matplotlib.colors.BoundaryNorm(levels,len(levels))) line_colors = ['black' for l in levels] # линии уровня cp = ax.contour(x, y, z, levels = levels, colors = 'black') ax.clabel(cp, fontsize = 8, colors = line_colors) # границы типов воронок ax.axvline(0.5, linestyle = '-.', color = 'red') ax.hlines(y = 0.5, xmin = 0.5, xmax = z.columns.values[-1], linestyle = '-.', color = 'red') ax.text(0.07, 0.9, 'Быстрое', fontsize = 15, color = 'red') ax.text(0.55, 0.9, 'Умеренное', fontsize = 15, color = 'red') ax.text(0.55, 0.41, 'Быстрое\n2-й шаг', fontsize = 15, color = 'red') # подписи осей и заголовки plt.xlabel('Вероятность конверсии в первый шаг'), plt.ylabel('Вероятность конверсии во второй шаг') plt.title(title)

# funnel_log - лог с данными воронок # diffs - набор воронок, которые сравниваются с эталонной. Например, если diff = [0.7], то c эталонной воронкой будет сравниваться воронка, имеющая 30% отличие от эталонной # sample_size - размер выборок, формируемых в каждом из экспериментов # number_of_experiments - число экспериментов для каждой из воронок # alpha - уровень значимости # test_func - функция, описывающая набор статистических тестов, которые проводятся в каждом из экспериментов # result_column_names - словарь человеко-читаемых названий колонок с результатами экспериментов # compare_func - функция, служащая для сравнения p-value в каждом из экспериментов с уровнем значимости # levels - линии уровня на карте ошибок # color_map - цвета для отображения уровней ошибок # filename_template - шаблон имени файлов, в которые будут записаны результаты экспериментов def run_error_experiments(funnel_log, diffs, sample_size, number_of_experiments, alpha, test_func, result_column_names, compare_func, levels, color_map, suptitle, filename_template): # проверяем наличие более ранних рассчетов existing_result_files = [f for f in os.listdir('.') if re.match(filename_template, f)] if len(existing_result_files) > 0: # если результаты более ранниз рассчетов найдены, то просто читаем их result = pd.read_csv(filename_template + '_result.csv') errors = pd.read_csv(filename_template + '_errors.csv') else: # если нет - считаем все заново result = [] errors = [] for funnel_num in funnel_log['funnel_num'].unique(): # A-воронка current_funnel_log = funnel_log.query('funnel_num == @funnel_num and diff == 1') current_funnel_log['group'] = 0 # последовательно формируем B-воронки с разной степенью отличия от исходной for i, diff in enumerate(diffs): current_funnel_log_another = funnel_log.query('funnel_num == @funnel_num and diff == @diff') current_funnel_log_another['group'] = i + 1 current_funnel_log = current_funnel_log.append(current_funnel_log_another) # для каждой пары проводим эксперимент current_exp_results, current_exp_errors = run_experiment(current_funnel_log, sample_size = sample_size, number_of_experiments = number_of_experiments, alpha = alpha, test_func = test_func, compare_func = compare_func ) # собираем разультаты в единый массив result += [[funnel_num, current_funnel_log['first_step_prob'].max(), current_funnel_log['second_step_prob'].max()] + current_exp_results] errors += [[funnel_num, current_funnel_log['first_step_prob'].max(), current_funnel_log['second_step_prob'].max(), current_exp_errors]] result = pd.DataFrame(result, columns = ['funnel_num', 'first_step_prob', 'second_step_prob'] + list(result_column_names.keys())) errors = pd.DataFrame(errors, columns = ['funnel_num', 'first_step_prob', 'second_step_prob', 'errors']) # сохраняем результаты рассчетов в файлы result.to_csv(filename_template + '_result.csv', index = False) errors.to_csv(filename_template + '_errors.csv', index = False) # визуализация plt.figure(figsize = (30, 7)) for i, col in enumerate(result_column_names.keys()): show_contour(result, 'first_step_prob', 'second_step_prob', col, levels, ax = plt.subplot(1, len(result_column_names), i + 1), title = result_column_names[col]) plt.suptitle(suptitle) plt.show() return result, errors

Зададим начальные условия экспериментов и наборы тестовых функций:

# начальные условия number_of_experiments = 100 alpha = 0.05 # тестировочная функция для двух воронок two_funnel_test_function = lambda funnel: [chisquare(funnel[1], funnel[0]).pvalue, # тест на гомогенность по таблице воронок chisquare(funnel['cont_1'], funnel['cont_0']).pvalue, # тест на гомогенность по таблице сопряженности chi2_contingency(funnel[[0, 1]])[1], # тест на независимость по таблице воронок chi2_contingency(funnel[['cont_0', 'cont_1']])[1], # тест на независимотьс по таблице сопряженности proportions_ztest(funnel.loc[funnel.shape[0] - 1, [0, 1]].values, funnel.loc[0, [0, 1]].values)[1] # z-тест на последний шаг воронки ] two_funnel_result_column_names = {'chisquare_funnel': '$\chi^2$-тест на гомогенность, таблица воронок', 'chisquare_cont': '$\chi^2$-тест на гомогенность, таблица сопряженности', 'chi2_contingency_funnel': '$\chi^2$-тест на независимость, таблица воронок', 'cchi2_contingency_cont': '$\chi^2$-тест на независимость, таблица сопряженности', 'z_test': 'z-тест по последнему шагу воронок'} # тестирововчная функция для 3 и более воронок mult_funnel_test_function = lambda funnel: [chi2_contingency(funnel[[x for x in funnel.columns if 'cont' not in str(x)]])[1], # тест на независимость по таблице воронок chi2_contingency(funnel[[x for x in funnel.columns if 'cont' in str(x)]])[1] # тест на независимость по таблице сопряженности ] mult_funnel_result_column_names = {'chi2_contingency_funnel': '$\chi^2$-тест на независимость, таблица воронок', 'cchi2_contingency_cont': '$\chi^2$-тест на независимость, таблица сопряженности'}

Зададим графические элементы для отображения карт ошибок:

# графические элементы # уровни и цвета для тестирования ошибок первого рода type_1_error_levels = [0, 0.01, 0.05, 0.1, 0.2, 0.3, 1] type_1_error_color_map = matplotlib.colors.ListedColormap(['forestgreen', 'palegreen', 'lightcoral', 'indianred', 'maroon', 'red']) # уровни и цвета для тестирования ошибок второго рода type_2_error_levels = [0, 0.1, 0.5, 0.7, 0.9, 0.95, 0.98, 1] type_2_error_color_map = matplotlib.colors.ListedColormap(['forestgreen', 'lightcoral', 'indianred', 'brown', 'firebrick', 'maroon', 'red']) # уровни и цвета для анализа технических ошибок при тестировании error_levels = [0, 0.1, 0.25, 0.5, 0.75, 0.9, 1] error_color_map = matplotlib.colors.ListedColormap(['palegreen', 'honeydew', 'floralwhite', 'bisque', 'navajowhite' , 'red'])

Начнем с тестирования двух воронок и сравним, сколько ошибок первого рода (воронки одинаковые, но тест находит различие) возникает при применении разных тестов:

# ошибки первого рода для двух воронок diffs = [1] results, errors = {}, {} for ss in [25, 50, 100, 200, 500]: res, err = run_error_experiments(funnel_log, diffs = diffs, sample_size = ss, number_of_experiments = number_of_experiments, alpha = alpha, test_func = two_funnel_test_function, result_column_names = two_funnel_result_column_names, compare_func = lambda x, alpha: x < alpha, levels = type_1_error_levels, color_map = type_1_error_color_map, suptitle = f'Вероятность ошибки первого рода для различных видов теста $\chi^2$ и различных форм воронок, размер выборки {ss}, $\\alpha$ = {alpha}', filename_template = f'chi2_type1err_ss{ss}_diff{str(diffs[0]).replace(".", "")}_numexp{number_of_experiments}') errors[ss] = err results[ss] = res

Выводы и наблюдения:

лучше всего себя показал χ²-тест на независимость на таблице воронок — он продемонстрировал низкий процент ошибок первого рода для любых форм воронок вне зависимости от размера выборки;
χ²-тест на гомогенность по таблице воронок показывает стабильно хорошие результаты для воронок с умеренным падением и стабильно плохие для воронок с быстрым падением;
χ²-тест на гомогенность по таблице сопряженности стабильно находит отличия там, где их нет, для любых форм воронок и размеров выборок. Доля ошибок доходит до 30%;
χ²-тест на независимость по таблице сопряженности и z-тест по последнему шагу воронок показывают приемлемые результаты только на больших выборках.

Удивительно, но, похоже, что тесты на сырых воронках дают более правильные результаты, если оценивать по ошибкам первого рода.

В процессе тестирования мы с вами получали ситуации, вызывающие ошибки. Например, таблицы сопряженности с нулевыми ячейками. Давайте посмотрим, как распределены ошибки, чтобы понять, насколько мы можем доверять полученным результатам.

# анализ ошибок # data — фрейм с ошибками, полученными при тестировании # num_exp — число экспериментов для каждой из воронок # levels — линии уровня на карте ошибок # color_map — цвета для отображения уровней ошибок # title — заголовок графиков def viz_errors(data, num_exp, levels, color_map, title = 'Число ошибок формирования воронок и таблиц сопряженности в зависимости от размера выборки'): plt.figure(figsize = (30, 5)) for i, ss in enumerate(data.keys()): z = data[ss].pivot_table(index = 'second_step_prob', columns = 'first_step_prob', values = 'errors', aggfunc = 'max') z = z / num_exp x, y = z.index.values, z.columns # закраска областей ax = plt.subplot(1, len(errors.keys()), i + 1) ax.contourf(x, y, z, levels = levels, cmap = color_map, alpha = 0.3, norm = matplotlib.colors.BoundaryNorm(levels,len(levels))) line_colors = ['black' for l in levels] # линии уровня cp = ax.contour(x, y, z, levels = levels, colors = 'black') ax.clabel(cp, fontsize = 8, colors = line_colors) plt.xlabel('Вероятность конверсии в первый шаг'), plt.ylabel('Вероятность конверсии во второй шаг') plt.title(f'Размер выборки: {ss}') plt.suptitle(title) # проверим число сгенерированных ошибок viz_errors(errors, number_of_experiments, levels = error_levels, color_map = error_color_map)

Из графика выше видно, что в основном мы можем доверять результатам, полученным для размера выборок больше 100 элементов. Для меньших выборок нужно быть аккуратными с анализом результатов для воронок с быстрым падением — тут доля ошибок может доходить до 90%.

Проанализируем ошибки второго рода (ситуации, когда различия есть, но они не обнаруживаются тестом). Для начала взглянем на ситуацию, когда воронки отличаются на 10%:

# ошибки второго рода для двух воронок diffs = [0.9] results, errors = {}, {} for ss in [25, 50, 100, 200, 500]: res, err = run_error_experiments(funnel_log, diffs = diffs, sample_size = ss, number_of_experiments = number_of_experiments, alpha = alpha, test_func = two_funnel_test_function, result_column_names = two_funnel_result_column_names, compare_func = lambda x, alpha: x > alpha, levels = type_2_error_levels, color_map = type_2_error_color_map, suptitle = f'Вероятность ошибки второго рода для различных видов теста $\chi^2$ и различных форм воронок, размер выборки {ss}, воронки отличаются на {1-diffs[0]:.0%}, $\\alpha$ = {alpha}', filename_template = f'chi2_type2err_ss{ss}_diff{str(diffs[0]).replace(".", "")}_numexp{number_of_experiments}') errors[ss] = err results[ss] = res

Выводы и наблюдения:

хуже всего себя показал χ²-тест на независимость по таблице воронок — даже на выборках больших размеров этот тест не находит отличия там, где они есть;
χ²-тест на гомогенность по таблице воронок и z-тест показывают сопоставимые результаты. В основном они хорошо работают на больших выборках и только в ситуациях умеренного падения;
лучше всего себя показывают тесты на гомогенность и независимость, выполненные на таблицах сопряженности. С ростом размеров выборок они все лучше и лучше находят различия для воронок с резким падением на втором шаге и для воронок с умеренным падением.

Похоже, что тесты по таблицам сопряженности и z-тест обладают большей мощностью, чем тесты по таблицам воронок.

Теперь проанализируем ситуацию, когда воронки отличаются на 20%:

# ошибки второго рода для двух воронок diffs = [0.8] results, errors = {}, {} for ss in [25, 50, 100, 200, 500]: res, err = run_error_experiments(funnel_log, diffs = diffs, sample_size = ss, number_of_experiments = number_of_experiments, alpha = alpha, test_func = two_funnel_test_function, result_column_names = two_funnel_result_column_names, compare_func = lambda x, alpha: x > alpha, levels = type_2_error_levels, color_map = type_2_error_color_map, suptitle = f'Вероятность ошибки второго рода для различных видов теста $\chi^2$ и различных форм воронок, размер выборки {ss}, воронки отличаются на {1-diffs[0]:.0%}, $\\alpha$ = {alpha}', filename_template = f'chi2_type2err_ss{ss}_diff{str(diffs[0]).replace(".", "")}_numexp{number_of_experiments}') errors[ss] = err results[ss] = res

Картина в целом аналогична предыдущему примеру:

хуже всего тесты работают для воронок с быстрым падением;
самые плохие результаты показывает χ²-тест на независимость на таблице воронок;
лучше всего себя проявили тесты на гомогенность и независимость, выполненные по таблицам сопряженности;
z-тест, похоже, лучше всего работает для воронок с умеренным падением.

Наконец, рассмотрим ситуацию, когда воронки отличаются на 30%:

# ошибки второго рода для двух воронок diffs = [0.7] results, errors = {}, {} for ss in [25, 50, 100, 200, 500]: res, err = run_error_experiments(funnel_log, diffs = diffs, sample_size = ss, number_of_experiments = number_of_experiments, alpha = alpha, test_func = two_funnel_test_function, result_column_names = two_funnel_result_column_names, compare_func = lambda x, alpha: x > alpha, levels = type_2_error_levels, color_map = type_2_error_color_map, suptitle = f'Вероятность ошибки второго рода для различных видов теста $\chi^2$ и различных форм воронок, размер выборки {ss}, воронки отличаются на {1-diffs[0]:.0%}, $\\alpha$ = {alpha}', filename_template = f'chi2_type2err_ss{ss}_diff{str(diffs[0]).replace(".", "")}_numexp{number_of_experiments}') errors[ss] = err results[ss] = res

Видно, что с ростом размера выборок практически все χ²-тесты показывают сопоставимые результаты, а z-тест довольно плохо работает в ситуация быстро падающих воронок.

Общие выводы для ситуации с двумя воронками:

χ²-тесты по таблицам сопряженности демонстрируют самую высокую мощность — они способны обнаружить разницу в воронках даже при небольших отличиях, если выборка достаточно велика;
в то же время они демонстрируют самые высокие ошибки первого рода — чаще засекают разницу там, где ее на самом деле нет;
χ²-тесты по таблицам воронок показывают обратные результаты. Они консервативны, реже допускают ошибки первого рода, но чаще — второго;
z-тест не показывает существенно более хороших результатов по сравнению с χ²-тестами. Кроме того, z-тест хорошо работает преимущественно в регионе воронок с умеренным падением;
при работе с любым χ²-тестом нужно быть внимательным при анализе воронок с быстрым падением — это регион высоких ошибок второго рода для любого χ²-теста;
из всех χ²-тестов наиболее предпочтительным является χ²-тест на независимость — он демонстрирует оптимальное соотношение между вероятностью ошибок первого рода и мощностью;
при росте размера выборки нет особенной разницы, проводите ли вы χ²-тест по таблице сопряженности или по таблице воронок.

В этом разделе мы посмотрим, как увеличение числа сравниваемых воронок повлияет на результаты тестирования. Для сравнения множества воронок будем использовать χ²-тесты на независимость. Сначала мы сравним ошибки первого рода для трех и четырех воронок, у которых нет отличий. Это, конечно, не даст исчерпывающего ответа на вопрос, как поведут себя тесты с ростом числа воронок, но поможет определить примерное направление развития результатов:

# ошибки первого рода для трех воронок diffs = [1, 1] results, errors = {}, {} for ss in [25, 50, 100, 200, 500]: res, err = run_error_experiments(funnel_log, diffs = diffs, sample_size = ss, number_of_experiments = number_of_experiments, alpha = alpha, test_func = mult_funnel_test_function, result_column_names = mult_funnel_result_column_names, compare_func = lambda x, alpha: x < alpha, levels = type_1_error_levels, color_map = type_1_error_color_map, suptitle = f'Вероятность ошибки первого рода для различных видов теста $\chi^2$ и различных форм воронок, размер выборки {ss}, $\\alpha$ = {alpha}', filename_template = f'chi2_contingency_multiple_type1err_ss{ss}_numexp{number_of_experiments}_diffs{len(diffs)}') errors[ss] = err results[ss] = res

Проведем тесты для четырех воронок:

# ошибки первого рода для четырех воронок diffs = [1, 1, 1] results, errors = {}, {} for ss in [25, 50, 100, 200, 500]: res, err = run_error_experiments(funnel_log, diffs = diffs, sample_size = ss, number_of_experiments = number_of_experiments, alpha = alpha, test_func = mult_funnel_test_function, result_column_names = mult_funnel_result_column_names, compare_func = lambda x, alpha: x < alpha, levels = type_1_error_levels, color_map = type_1_error_color_map, suptitle = f'Вероятность ошибки первого рода для различных видов теста $\chi^2$ и различных форм воронок, размер выборки {ss}, $\\alpha$ = {alpha}', filename_template = f'chi2_contingency_multiple_type1err_ss{ss}_numexp{number_of_experiments}_diffs{len(diffs)}') errors[ss] = err results[ss] = res

Оценим доли технических ошибок:

# проверим число сгенерированных ошибок viz_errors(errors, number_of_experiments, levels = error_levels, color_map = error_color_map)

Выводы и наблюдения:

как и в случае с двумя воронкам, тесты, проведенные по таблицам воронок, показывают меньшую вероятность ошибок первого рода;
точность тестов, проведенных по таблицам сопряженности, увеличивается с ростом размера выборок. Интересно, что при размере выборки 100, вероятность ошибок первого рода резко возрастает для практически любых форм воронок, затем снова падает с увеличением размеров выборок. Природа этого эффекта не совсем ясна;
нет существенной разницы между результатами, полученными для трех и четырех воронок;
доля технических ошибок велика для воронок с граничными формами. Например, для воронок с резким падением. Но, начиная с выборок, имеющих размер от 100 наблюдений и более, результаты становятся достаточно консистентными.

Перейдем к анализу ошибок второго рода. Смоделируем ситуацию трех воронок, из которых одна имеет отличие в 10% от остальных двух:

# ошибки второго рода для трех воронок diffs = [1, 0.9] results, errors = {}, {} for ss in [25, 50, 100, 200, 500]: res, err = run_error_experiments(funnel_log, diffs = diffs, sample_size = ss, number_of_experiments = number_of_experiments, alpha = alpha, test_func = mult_funnel_test_function, result_column_names = mult_funnel_result_column_names, compare_func = lambda x, alpha: x > alpha, levels = type_2_error_levels, color_map = type_2_error_color_map, suptitle = f'Вероятность ошибки второго рода для различных видов теста $\chi^2$ и различных форм воронок, размер выборки {ss}, одна из воронок отличается на {1-diffs[1]:.0%}, $\\alpha$ = {alpha}', filename_template = f'chi2_contingency_type2err_ss{ss}_diff{str(diffs[0]).replace(".", "")}_numexp{number_of_experiments}') errors[ss] = err results[ss] = res

Далее смоделируем ситуацию, когда одна из трех воронок имеет 10% отличие от эталона, а вторая — 30% отличие:

# ошибки второго рода для трех воронок diffs = [0.9, 0.7] results, errors = {}, {} for ss in [25, 50, 100, 200, 500]: res, err = run_error_experiments(funnel_log, diffs = diffs, sample_size = ss, number_of_experiments = number_of_experiments, alpha = alpha, test_func = mult_funnel_test_function, result_column_names = mult_funnel_result_column_names, compare_func = lambda x, alpha: x > alpha, levels = type_2_error_levels, color_map = type_2_error_color_map, suptitle = f'Вероятность ошибки второго рода для различных видов теста $\chi^2$ и различных форм воронок, размер выборки {ss}, одна из воронок отличается на {1-diffs[1]:.0%}, $\\alpha$ = {alpha}', filename_template = f'chi2_contingency_type2err_ss{ss}_diff{str(diffs[0]).replace(".", "")}_numexp{number_of_experiments}') errors[ss] = err results[ss] = res

Выводы и наблюдения:

в обоих экспериментах тесты по таблицам сопряженности показывают более высокую мощность;
вероятность ошибки второго рода для тестов по таблице воронок падает с увеличением размеров выборок и ростом отличий воронок, но даже в самом лучшем случае тесты по таблице воронок показывают неплохие результаты только для воронок с умеренным падением.

Итак, проведя серию экспериментов, мы можем сделать следующие практические выводы:

для анализа воронок z-тест менее предпочтителен, чем тест χ²;
для анализа воронок из всех тестов χ² больше всего подходит тест на независимость;
в ситуации сравнения двух воронок и большого размера выборок χ²-тест на независимость дает примерно одинаковые результаты при проведении теста на таблице воронок и на таблице сопряженности;
в случае сравнения нескольких воронок выигрывает χ²-тест на независимость, проводимый по таблице сопряженности. Таким образом, можно рекомендовать всегда пользоваться тестом χ²-тест на независимость по таблице сопряженности для анализа воронок.

Для практических целей бизнес-аналитики применимы только тесты χ²-тест на независимость и гомогенность.
В ситуации анализа двух пропорций z-тест полностью эквивалентен χ²-тесту на независимость с таблицей сопряженности 2 x 2.
Для проведения χ²-тестов имеет смысл брать выборки размером порядка 500 наблюдений.
При решении задач сравнения воронок с помощью χ²-теста предпочтительнее использовать χ²-тест на независимость, проводимый по таблице сопряженности, поскольку он обеспечивает оптимальные результаты с точки зрения ошибок первого и второго рода при сравнении двух и более воронок.

Вы можете скачать ноутбук для этой статьи тут (имейте в виду, что пересчет ошибок может занять значительное время).

#аналитика #опыт

Семейство тестов хи-квадрат: что у них под капотом и какие выбрать для сравнения воронок

1. χ²-распределение

2. χ²-тесты

2.1 χ²-тест на гомогенность (homogeneity, goodness of fit)

2.2 χ²-тест на независимость

2.3 χ²-тест для дисперсии

3. Связь между z-тестом и χ²-тестом (и тестом Фишера)

4. Размер выборки для χ²-теста

5. Применение χ²-тестов для анализа множественных пропорций

5.1 Зависимость результатов χ²-тестов от формы воронок

5.1.1 Ошибки первого рода при сравнении двух воронок

5.1.2 Ошибки второго рода при сравнении двух воронок

5.2 Ситуация множественных воронок

Выводы