A/B Testing Proportion 的假设检验用哪一种？

最近在上udacity ab testing的课，里面提到关于比例的假设检验, 假设:对照组的数据是：
# positive: n1
sample size: N1

实验组：
# positive: n2
sample size: N2

udacity课程说的Standard Error这么算:
p = (n1+n2)/(N1+N2)
SE = sqrt(p*(1-p)*(1/N1+1/N2))    ---- （1）

但是我上学校的课是这么算：
p1 = n1/N1
p2 = n2/N2
SE = sqrt(p1*(1-p1)/N1 + p2*(1-p2)/N2)    ---- （2）

课本上说的是如果H0是：H0: p1 = p2, 那两个都可以用。不然的话还是用（2）比较好（可以测试p1-p2 = d <> 0的情况，并且有更好的power）

想问一下大家一般是都用哪一种，在面试或者工作中？

楼主是个细心的人，非常适合做数据科学。这个是两种估计SE的方法：
第二个是我们课本上学的，用来估算两个distribution加减后的SE，是L2-norm of two Distribution SE. 也就是说，我们已经认为这他们是两个distribution了。这个一般用来估算你的估计值得Confidence Interval。例如一个group是10%，另一个是5%，他们相差5%，CI可以用这种方法估计。
第一个SE我们叫pooled SE。一般是用来reject H0，也就是我们假设A/B组是相同的Distribution。一般用作Testing和Experiments。

Direct to your question：
工作中往往这个都封装在工具里或者lib里，不需要你去选择。
面试应该不会这么细吧，我觉得一般candidate知道什么是Z Score，P Value和CI，就到此为止了。

BruceZhao 发表于 2021-1-26 05:15
楼主是个细心的人，非常适合做数据科学。这个是两种估计SE的方法：
.--第二个是我们课本上学的，用来估算两个 ...

之前学校里上过Mathematical Statistic的课，现在又上Udacity AB Testing的课有些概念对不上所以有些困惑。

多谢答疑解惑！