Submit Search
Upload
A/Bテストのための検定
•
1 like
•
3,522 views
G
Genki Ishibashi
Follow
社内勉強会LT Thursday 2018/01/18発表分
Read less
Read more
Engineering
Report
Share
Report
Share
1 of 29
Download now
Download to read offline
Recommended
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
Counterfaual Machine Learning(CFML)のサーベイ
Counterfaual Machine Learning(CFML)のサーベイ
ARISE analytics
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
hoxo_m
Transformer メタサーベイ
Transformer メタサーベイ
cvpaper. challenge
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話
Ryota Kamoshida
アンサンブル学習
アンサンブル学習
Hidekazu Tanaka
最適輸送入門
最適輸送入門
joisino
Recommended
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
Counterfaual Machine Learning(CFML)のサーベイ
Counterfaual Machine Learning(CFML)のサーベイ
ARISE analytics
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
hoxo_m
Transformer メタサーベイ
Transformer メタサーベイ
cvpaper. challenge
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話
Ryota Kamoshida
アンサンブル学習
アンサンブル学習
Hidekazu Tanaka
最適輸送入門
最適輸送入門
joisino
最適輸送の解き方
最適輸送の解き方
joisino
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
AGIRobots
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
Deep Counterfactual Regret Minimization
Deep Counterfactual Regret Minimization
Kenshi Abe
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
Shota Imai
2019年度チュートリアルBPE
2019年度チュートリアルBPE
広樹 本間
Marp Tutorial
Marp Tutorial
Rui Watanabe
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
Yusuke Kaneko
不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明(名古屋大学 Optuna講習会)
不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明(名古屋大学 Optuna講習会)
Preferred Networks
BERT分類ワークショップ.pptx
BERT分類ワークショップ.pptx
Kouta Nakayama
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
Satoshi Hara
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
cvpaper. challenge
機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018
Takahiro Kubo
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Preferred Networks
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
CVPR 2018 速報とその後 (CVPR 2018 完全読破チャレンジ報告会)
CVPR 2018 速報とその後 (CVPR 2018 完全読破チャレンジ報告会)
cvpaper. challenge
Retty recommendation project
Retty recommendation project
Jiro Iwanaga
More Related Content
What's hot
最適輸送の解き方
最適輸送の解き方
joisino
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
AGIRobots
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
Deep Counterfactual Regret Minimization
Deep Counterfactual Regret Minimization
Kenshi Abe
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
Shota Imai
2019年度チュートリアルBPE
2019年度チュートリアルBPE
広樹 本間
Marp Tutorial
Marp Tutorial
Rui Watanabe
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
Yusuke Kaneko
不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明(名古屋大学 Optuna講習会)
不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明(名古屋大学 Optuna講習会)
Preferred Networks
BERT分類ワークショップ.pptx
BERT分類ワークショップ.pptx
Kouta Nakayama
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
Satoshi Hara
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
cvpaper. challenge
機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018
Takahiro Kubo
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Preferred Networks
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
What's hot
(20)
最適輸送の解き方
最適輸送の解き方
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
Optimizer入門&最新動向
Optimizer入門&最新動向
Deep Counterfactual Regret Minimization
Deep Counterfactual Regret Minimization
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
2019年度チュートリアルBPE
2019年度チュートリアルBPE
Marp Tutorial
Marp Tutorial
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明(名古屋大学 Optuna講習会)
不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明(名古屋大学 Optuna講習会)
BERT分類ワークショップ.pptx
BERT分類ワークショップ.pptx
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
時系列分析による異常検知入門
時系列分析による異常検知入門
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
Similar to A/Bテストのための検定
CVPR 2018 速報とその後 (CVPR 2018 完全読破チャレンジ報告会)
CVPR 2018 速報とその後 (CVPR 2018 完全読破チャレンジ報告会)
cvpaper. challenge
Retty recommendation project
Retty recommendation project
Jiro Iwanaga
所キャンプロジェクト
所キャンプロジェクト
泰祐 村田
(道具としての)データサイエンティストのつかい方
(道具としての)データサイエンティストのつかい方
Shohei Hido
enPiT修了生は、大学卒業後の一歩をどう選んだか
enPiT修了生は、大学卒業後の一歩をどう選んだか
Shizuru Kosuge
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
Rakuten Group, Inc.
20190606_ml_and_buisiness
20190606_ml_and_buisiness
Yoichi Tokita
ウェブアナリスト養成講座「LPOとA/Bテスト」
ウェブアナリスト養成講座「LPOとA/Bテスト」
Kazumasa Harumoto
10分でわかったつもりになるLean Analytics_10min lean analytics
10分でわかったつもりになるLean Analytics_10min lean analytics
圭 進藤
Similar to A/Bテストのための検定
(9)
CVPR 2018 速報とその後 (CVPR 2018 完全読破チャレンジ報告会)
CVPR 2018 速報とその後 (CVPR 2018 完全読破チャレンジ報告会)
Retty recommendation project
Retty recommendation project
所キャンプロジェクト
所キャンプロジェクト
(道具としての)データサイエンティストのつかい方
(道具としての)データサイエンティストのつかい方
enPiT修了生は、大学卒業後の一歩をどう選んだか
enPiT修了生は、大学卒業後の一歩をどう選んだか
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
20190606_ml_and_buisiness
20190606_ml_and_buisiness
ウェブアナリスト養成講座「LPOとA/Bテスト」
ウェブアナリスト養成講座「LPOとA/Bテスト」
10分でわかったつもりになるLean Analytics_10min lean analytics
10分でわかったつもりになるLean Analytics_10min lean analytics
More from Genki Ishibashi
音声合成の今昔と深層学習を用いた音声合成
音声合成の今昔と深層学習を用いた音声合成
Genki Ishibashi
Twilio flex導入までの背景と苦労した話
Twilio flex導入までの背景と苦労した話
Genki Ishibashi
新卒の頃に意識したかった プロダクト開発の7つのポイント
新卒の頃に意識したかった プロダクト開発の7つのポイント
Genki Ishibashi
Fuzz testingとgo
Fuzz testingとgo
Genki Ishibashi
仕組みから理解する人力音声認識
仕組みから理解する人力音声認識
Genki Ishibashi
Redash・SQL勉強会 ~目指せクエリ女子~
Redash・SQL勉強会 ~目指せクエリ女子~
Genki Ishibashi
re:invent2019体験記
re:invent2019体験記
Genki Ishibashi
AmebaDSPの成長フェーズとアーキテクチャの話
AmebaDSPの成長フェーズとアーキテクチャの話
Genki Ishibashi
CNNで作る ダメ絶対音感
CNNで作る ダメ絶対音感
Genki Ishibashi
DDDを導入した話
DDDを導入した話
Genki Ishibashi
Paper Collection of Real-Time Bidding論文読み会~第一回~
Paper Collection of Real-Time Bidding論文読み会~第一回~
Genki Ishibashi
テックゼミ輪読会(深層学習1~2章)
テックゼミ輪読会(深層学習1~2章)
Genki Ishibashi
スマホ広告効果測定ツール入門
スマホ広告効果測定ツール入門
Genki Ishibashi
楽しいビッグデータ分析入門~Presto編~
楽しいビッグデータ分析入門~Presto編~
Genki Ishibashi
ゼロから作るダメ絶対音感
ゼロから作るダメ絶対音感
Genki Ishibashi
F.O.Xデータ抽出基盤をクラウド移行した話
F.O.Xデータ抽出基盤をクラウド移行した話
Genki Ishibashi
ゼロから始めるAngular2生活
ゼロから始めるAngular2生活
Genki Ishibashi
Dynamo dbとはとは続き
Dynamo dbとはとは続き
Genki Ishibashi
DynamoDBとはとは
DynamoDBとはとは
Genki Ishibashi
More from Genki Ishibashi
(19)
音声合成の今昔と深層学習を用いた音声合成
音声合成の今昔と深層学習を用いた音声合成
Twilio flex導入までの背景と苦労した話
Twilio flex導入までの背景と苦労した話
新卒の頃に意識したかった プロダクト開発の7つのポイント
新卒の頃に意識したかった プロダクト開発の7つのポイント
Fuzz testingとgo
Fuzz testingとgo
仕組みから理解する人力音声認識
仕組みから理解する人力音声認識
Redash・SQL勉強会 ~目指せクエリ女子~
Redash・SQL勉強会 ~目指せクエリ女子~
re:invent2019体験記
re:invent2019体験記
AmebaDSPの成長フェーズとアーキテクチャの話
AmebaDSPの成長フェーズとアーキテクチャの話
CNNで作る ダメ絶対音感
CNNで作る ダメ絶対音感
DDDを導入した話
DDDを導入した話
Paper Collection of Real-Time Bidding論文読み会~第一回~
Paper Collection of Real-Time Bidding論文読み会~第一回~
テックゼミ輪読会(深層学習1~2章)
テックゼミ輪読会(深層学習1~2章)
スマホ広告効果測定ツール入門
スマホ広告効果測定ツール入門
楽しいビッグデータ分析入門~Presto編~
楽しいビッグデータ分析入門~Presto編~
ゼロから作るダメ絶対音感
ゼロから作るダメ絶対音感
F.O.Xデータ抽出基盤をクラウド移行した話
F.O.Xデータ抽出基盤をクラウド移行した話
ゼロから始めるAngular2生活
ゼロから始めるAngular2生活
Dynamo dbとはとは続き
Dynamo dbとはとは続き
DynamoDBとはとは
DynamoDBとはとは
A/Bテストのための検定
1.
A/Bテストの ための検定 理論 2018年 1月 18日 LT
Thursday@Seminer Room いしばし げんき
2.
自己紹介 ● 石橋 弦樹(いしばし げんき) ●
2015年新卒としてCAに入社 ● MDH DSPチーム 開発エンジニア ● 統計学・機械学習勉強中 ● 日本史とか世界史とかの面白さは全然わか らないけど、哲学とか数学とか新しい概念 が生まれる背景・歴史はすごい好き
3.
A/Bテストとは ● A/Bテストとは、ある施策が良いかどうかを判断するために、2つの施策同士を比較 ・検討すること ○ 色やレイアウトを変えて売上が増えたか否か ○
キャンペーン施策を打ってアプリの継続率が伸びたか否か ○ 文言の変更によって効果があったか否か ○ etc... LPの最適化 https://liskul.com/lp_lpo3-5929 CVRの改善 https://liginc.co.jp/web/useful/135228
4.
A/Bテストによる効果は? ● 新しい施策によって数は増えたけどほんとに優れた施策?? ○ 前日より売上が100万円伸びた ○
CVRが1%増えた ○ 視聴率が2%上がった ● その数値がたまたまじゃないって言える?? 検定の出番!!
5.
検定とは ● 検定とは、ある事象を仮定した時に、観測された事象が生じる確率を出すことでそ の仮定が正しいか否か結論を出すこと ● 検定の考え方 ○
A/Bテストの場合、施策前後で差があることを主張したい ○ ある事象Aともう一つの事象Bに差がないと仮定 ○ 観測されたデータがその仮定上だと成り立つ可能性を算出 ○ 可能性が非常に低いことを示すことことで最初の主張を正当化
6.
検定に用いる用語の説明 ● 帰無仮説 ○ ある事象ともう一つの事象に差がないとする仮説 ●
対立仮説 ○ ある事象ともう一つの事象に差があるとする仮説 ○ 主張したしたいことはこいつ ● 有意水準 ○ 可能性が非常に低いと判断するための閾値 ○ 慣習的に1% or 5%が用いられる ● 統計量 ○ 観測されたデータから算出される平均・分散・比率などのデータ ● 採択・棄却 ○ 採択 = 設定した仮説を受け入れること ○ 棄却 = 設定された仮説を否定すること
7.
検定の手順 ● 検定を行う手順 1. 帰無仮説と対立仮説を設定 2.
検定統計量を選択 3. 有意水準αの決定 4. 観測された検定統計量の実現値を求める 5. その実現値が棄却域に入れば帰無仮説を棄却して、対立仮説を採択 棄却域に入らなければ帰無仮説を採択
8.
具体例で考える検定 ● Case 1.
カープとジャイアンツどっちが強い?? ● Case 2. 新施策でCTRが上がった??
9.
Case 1 カープとジャイアンツどっちが強い? ●
問題設定 ○ 2017年シーズン カープとジャイアンツの対戦成績 25戦中17勝8敗 ■ 2017年度 公式戦シーズン成績 (http://npb.jp/bis/2017/stats/std_c.html) ○ カープとジャイアンツには実力は同じ??実力差があった?? ● 検定の手順に則って確認してみよう!
10.
Case 1 カープとジャイアンツどっちが強い? ●
帰無仮説と対立仮説を設定 ○ 帰無仮説 = カープとジャイアンツの強さは同じ (勝率 = 1/2) ○ 対立仮説 = カープの方がジャイアンツより強い (勝率 > 1/2) ● 検定統計量を選択 ○ カープの勝利数(25戦中17勝) ● 有意水準αの決定 ○ 5%( = 0.05)を有意水準として利用 ● 観測された検定統計量が分布のどこに位置するか把握 ○ 観測されたデータは二項分布上 Bn(25, 0.5)に位置する
11.
二項分布とは ● 二項分布とは、結果が成功か失敗のいずれかで、n回の試行を行ったときの成功 数で表される確率分布
12.
Case 1 カープとジャイアンツどっちが強い? ●
観測された検定統計量が分布のどこに位置するか把握 ○ 観測されたデータは二項分布上 Bn(17, 25, 0.5)に位置する
13.
Case 1 カープとジャイアンツどっちが強い? ●
その検定統計量が棄却域に入れば帰無仮説を棄却して、対立仮説を採択。棄却 域に入らなければ、帰無仮説を採択 ○ 勝率が5割と仮定した時に25戦中17勝以上になる確率は 2.2%( = p値) ○ 棄却域に入るので実力が五分五分は棄却され、カープの方が強いと主張できる
14.
Case 2. 新施策でCTRが上がった? ●
問題設定 ○ 既存の施策と並行して新しい施策を行った結果、クリック数が既存のものより増えた! ■ 既存:imp 1000, click 50 (CTR = 5%) ■ 新施策:imp 1200, click 70 (CTR = 5.833...%) ○ 新施策の方が既存のものより良いものといえるか?
15.
Case 2. 新施策でCTRが上がった? ●
帰無仮説と対立仮説を設定 ○ 帰無仮説 = それぞれの施策の比率に差はない (既存のCTR = 新施策のCTR) ○ 対立仮説 = 新施策の方が比率が大きい (既存のCTR < 新施策のCTR) ● 検定統計量を選択 ○ 各施策の比率(= CTR)の差 ● Case 1と違う点 ○ 施策を行っていない側のユーザーのデータはない ○ 未来のユーザーを含めた全ユーザーへの調査は不可能 ( = 正確な比率がわからない ) ○ 施策対象の人数がわからないため、二項分布の試行回数を決定できない ● よし、推定だ!
16.
推定とは ● 推定とは母集団の統計量を標本の統計量から予測すること
17.
推定例 ● 標本統計量( =
標本平均)の分布が分かれば、母集団統計量( = 母平均)を予測可 ○ 正規分布 母集団分布の正規分布 N(μ, σ^2) 標本平均の分布 N(μ, σ^2/n) から標本を取った標本平均は正規分布 になる
18.
正規分布とは ● 正規分布とは平均と分散を決めると一意に定まる左右対称のつり鐘型分布 ○ 工業製品の長さや重さなどある1つの数値を目標とした時に作業の偶然の誤差で生じる分布 ○
性別と年齢を固定にした時に身長に現れる分布 ○ 偏差値に用いられる
19.
推定(母集団統計量の予測) ● 標本統計量が正規分布に従う場合、Z統計量が用いられる ● Z統計量(x:
確率変数, μ: 平均, σ: 標準偏差) ○ 観測された値xが平均から標準偏差何個分離れているか
20.
推定(母集団統計量の予測) ● 標本平均の分布 ○ 母分散が既知 ○
母平均はz統計量の95%信頼区間で予測 ● 母平均は95%の確率で上記の範囲に収まる ● 逆に95%信頼区間に収まることを帰無仮説として検定が可能 とサンプル数nから母平均の95%信頼区間を推定
21.
母比率を含む統計量の推定の場合 ● 母集団が二項分布の場合、標本はどんな分布...? 母集団(母比率・試行回数がわからない二項分布) 標本抽出 標本比率の分布
22.
中心極限定理 ● 中心極限定理とは母集団がどんな分布でも、標本平均はサンプル数を増やすと正 規分布に近似できる 一様分布 カイ二乗分布
正規分布 どの母集団でも標本数nが大きい時、標本の和・標本平均の分布は正規分布に従う は は に に従う に従う
23.
母比率を含む統計量の推定の場合 ● 母集団が二項分布の場合、標本数が多い場合標本平均正規分布に近似できる 母集団(母比率・試行回数がわからない二項分布) 標本抽出 母比率をpとする時二項分布の平均μと分散σ2 標本数が多い場合 標本平均の分布→正規分布
24.
母比率を含む統計量の推定の場合 ● 中心極限定理より標本平均は正規分布N(np, np(1-p))に従う ○
二項分布の平均は , 分散は ○ 正規分布に従うので z統計量について考える
25.
母比率を含む統計量の推定の場合 ● z統計量の95%信頼区間について式変形 ● 標本比率はサンプル数nが増えると母比率に近づくと考える95%信頼区間は以下 の用になる
26.
Case 2. 新施策でCTRが上がった? ●
検定統計量を選択 ○ 母比率の差(既存の母比率p1, 新施策の母比率をp2とする) ○ 中心極限定理より二項分布の平均・分散を用いた正規分布の差 ● 有意水準αの決定 ○ 5%( = 0.05)を有意水準として利用 ● 観測された検定統計量の実現値を求める ○ 母比率の差は正規分布 ○ z検定量 ただし、 に従う
27.
母比率の差の検定 ● 観測された検定統計量の実現値を求める ● その実現値が棄却域に入れば帰無仮説を棄却して、対立仮説を採択。棄却域に入ら なければ、帰無仮説を採択 ○
母比率の差のz統計量は棄却域に入っていないので母比率の差に有意差があるとはいえない
28.
母比率の差の検定を気軽にやりたい! ● 母比率の差の検定の計算フォーム ○ https://bellcurve.jp/statistics/blog/13953.html
29.
まとめ ● 検定を使えば統計学的根拠をもって意見を主張できる ● 母集団が分かれば母集団分布から検定 ●
母集団の統計量がわからない場合は、その統計量を含む分布を推定 ● 母集団統計量を推定できれば検定が使える
Download now