Apakah kaedah yang digunakan oleh pasukan percubaan untuk mengira selang keyakinan dan keertian statistik?
Pensampelan Jackknife digunakan pada data berbaldi untuk mengira varians sampel bagi perubahan peratusan metrik. Ujian keertian dua hujung kemudian dijalankan menggunakan selang keyakinan 95%.
Mengapakah baldi data digunakan?
Baldi data mengurangkan kesan daripada ralat pemerhatian kecil. Jika anda ingin mengetahui lebih lanjut tentang sebab baldi data berguna, berikut ialah tempat yang baik untuk bermula.
Walaupun data tidak diagihkan secara normal, data berbaldi secara kasarnya akan diagihkan secara normal berdasarkan Teorem Had Pusat, dengan syarat terdapat pemerhatian yang mencukupi bagi setiap baldi. Untuk mengambil kira keadaan dengan tiada pemerhatian yang mencukupi bagi setiap baldi, kaedah Jackknife digunakan untuk mengira selang keyakinan.
Mengapakah pensampelan semula Jackknife digunakan?
Pensampelan semula Jackknife ialah standard di Google kerana ini merupakan kaedah serba boleh yang menyediakan tahap liputan yang tinggi. Kaedah ini juga efektif untuk mengesan unsur luaran dan mengurangkan bias anggaran sampel. Selain itu, kaedah ini berguna terutamanya dalam situasi dengan data yang tidak mencukupi untuk mendapatkan anggaran yang tepat dengan menggunakan teorem had pusat. Maka kaedah ini digunakan pada data berbaldi untuk meningkatkan ketepatan selang keyakinan kami.
Anda boleh mendapatkan ikhtisar umum tentang pensampelan semula Jackknife di sini. Jika anda ingin mendapatkan penjelasan lanjut tentang kegunaan kaedah ini, terbitan ini memberikan butiran lanjut.
Bolehkah pengiklan luaran mengagregat prestasi berbilang percubaan berdasarkan fakta tersebut dan mengira semula statistik pada peringkat agregat?
Tidak, pengiklan tidak mempunyai akses kepada data peringkat pengguna untuk membuat semula baldi dan menjalankan algoritma jackknife. Pada masa ini, tiada alat dalaman untuk berbuat demikian bagi pihak pelanggan kami.
Adakah penyasaran mempengaruhi cara selisih bahagian lelongan digunakan pada kempen percubaan dan asal?
Penyasaran tidak mempengaruhi selisih tersebut. Selisih digunakan pada lelongan yang layak sebelum penyasaran digunakan. Sebagai contoh, selisih 50:50 akan bermakna percubaan dan asal dimasukkan ke dalam bilangan lelongan yang sama.
Apakah syarat untuk memastikan ujian A/A yang sebenar?
Ujian A/A ialah ujian dengan percubaan dan asal yang sama sepanjang tempoh ujian (tiada perbezaan dari segi iklan kempen/kumpulan iklan/tetapan, dll. dan tiada perbezaan dalam kelulusan iklan). Apa-apa perubahan yang dibuat semasa ujian A/A perlu dilakukan pada cabang percubaan dan juga asal pada masa yang sama.
Apakah keputusan yang diharapkan daripada ujian A/A?
Sepatutnya tiada perbezaan dengan keertian statistik dalam klik, teraan, CTR atau CPC.
Apakah perbezaan antara selisih berasaskan carian dan selisih berasaskan kuki?
Ini ialah dua pilihan yang berlainan untuk menentukan pengendalian yang akan diterima oleh pengguna. Dengan menggunakan selisih eksperimen berasaskan carian, pengguna boleh diletakkan secara rawak dalam sama ada kempen percubaan atau kempen asal setiap kali carian berlaku. Ada kemungkinan bahawa pengguna yang sama dapat melihat percubaan dan juga kempen asal anda jika mereka membuat carian berbilang kali. Dengan menggunakan selisih eksperimen berasaskan kuki, pengguna hanya dapat melihat satu versi kempen anda, tidak kira kekerapan mereka melakukan carian. Pendekatan ini boleh memastikan faktor lain tidak mempengaruhi hasil anda.
Berapa banyak baldi yang digunakan?
Dua puluh baldi digunakan dalam cabang kawalan dan dua puluh baldi digunakan dalam cabang pengendalian. Sekiranya terdapat terlalu banyak baldi, maka masa yang terlalu lama mungkin diperlukan untuk mendapatkan keputusan dengan keertian statistik. Sekiranya terdapat terlalu sedikit baldi, pengiraan selang keyakinan mungkin tidak tepat. Perkara ini mewujudkan keseimbangan yang baik antara keperluan praktikal dan kuasa statistik.
