我正在构建一个开源项目,该项目将衡量各种 Facebook 广告的点击率差异是否显着。从 http://adwords.google.com/support/aw/bin/answer.py?hl=en&answer=167743 中汲取灵感我写了下面的 ruby 代码(假设任何没有定义的方法完全按照他们说的去做)。
点击率定义为点击广告的人数与看到该广告的人数之比。
# ** exponentiation
# * multiplication
# / division
def standard_deviation
(experiment_ctr/(control_ctr**3) * (no_of_clicks_for_control +
no_of_clicks_for_experiment - product_of_ctrs *
total_no_of_impressions ) / product_of_impressions) ** 0.5
end
def z_score
(ratio_of_experiment_ctr_to_control - 1) / standard_deviation
end
我从 Google 网站复制了标准偏差代码,但我觉得它有问题。有谁知道这是否正确?
非常感谢。
最佳答案
它看起来并不熟悉,因为它不是大多数人习惯看到的普通显着性检验。大多数显着性测试的公式如下(过于笼统,请勿喷火):
- 计算样本统计量,X
- 确定该统计量的预期值 E
- 确定该统计量的标准差 S
- 计算检验统计量 T = (X - E)/S
- 根据 T 的假设分布确定 T 是否显着。
对于常见的均值显着性检验,E 是样本均值,S 是我们最熟悉的样本标准差。
此显着性检验基于样本统计的某个比率。 Google 提供的 (E-C)/C 公式。根据 Google 的说法,该统计数据的预期值为 (1/(1-p)) - 2,标准差为 (p/( (C+E) * (1-p)^3 ))^0.5 .因此,这些应该是插入到上面 T 公式中的数字。 Google 解释中的 z-score。
因此,尽管公式看起来很奇怪,但它是基于可靠的基础知识。您应该可以放心使用它。
关于ruby - 如何衡量点击率的统计显着性?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/5226821/