Küme Rastgele A/B Testi
Cluster Randomized A/B Test · Ayrıca şöyle bilinir: cluster A/B test, group-randomized A/B test, network A/B test, cluster-level split test
Bir küme rastgele A/B testi, bireysel kullanıcılar veya denekler yerine, bütün olarak grupların (kümelerin) — şehirler, okullar, sosyal ağ toplulukları veya uygulama kullanıcı segmentleri gibi — rastgele olarak işlem (A) veya kontrol (B) koşuluna atandığı deneysel bir tasarımdır. Bu yaklaşım, bireysel düzeyde rastgele atama uygulansaydı işlem etkilerinin bireyler arasında yayılacağı durumlarda veya müdahalenin grup düzeyinde yapılması gerektiğinde kullanılır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Küme rastgele A/B testi kullanın: (1) bireysel düzeyde rastgele atama, işlem ve kontrol birimleri arasında yayılmaya veya etkileşime neden olduğunda — sosyal ağlarda, eğitim ortamlarında veya topluluk sağlığı programlarında yaygındır; (2) müdahale doğası gereği grup veya topluluk düzeyinde uygulandığında (örneğin, bir okul politikası, şehir çapında bir yönlendirme, bir bölgedeki tüm kullanıcılara uygulanan bir platform algoritması); veya (3) gruplar arasında bulaşma ciddi bir geçerlilik tehdidi oluşturduğunda. Kümeler çok az olduğunda (her kol için yaklaşık 10'dan az, geçerli çıkarım yapmayı çok zorlaştırır), bireysel rastgele atama mümkün olduğunda ve yayılma ihmal edilebilir olduğunda veya araştırma sorusu küme düzeyinde atama ile maskelenen bireysel düzeydeki mekanizmalarla ilgili olduğunda KULLANMAYIN.
Güçlü yönler & sınırlılıklar
- Bireysel düzeydeki A/B testlerinde tahminleri yanlı hale getirecek yayılma ve ağ etkileşimini ortadan kaldırır.
- Müdahalelerin doğal olarak grup veya topluluk düzeyinde uygulandığı durumlarda gerçek dünya dağıtım kısıtlamalarıyla eşleşir.
- Kümelerin rastgele atanması, kümeler içindeki bireyler değişebilir olmasa bile nedensel çıkarım için geçerli bir temel sağlar.
- Hem çevrimiçi dijital deneylere (coğrafi tabanlı beklemeler) hem de çevrimdışı saha deneylerine (okullar, klinikler, köyler) uyarlanabilir.
- Tabakalı veya eşleştirilmiş küme ataması, mütevazı sayıda küme ile bile temel kovaryantlar üzerinde dengeyi iyileştirebilir.
- Belirli bir toplam örneklem boyutu için bireysel düzeyde rastgele atamaya göre istatistiksel güç önemli ölçüde daha düşüktür — tasarım etkisi (DEFF = 1 + (m-1)*ICC), kümeler içsel olarak homojen olduğunda büyük olabilir.
- Güvenilir rastgele atama dengesi ve geçerli çıkarım elde etmek için yeterli sayıda küme (genellikle kol başına en az 10–15) gerektirir.
- Küme içi işlem varyasyonu imkansızdır: bir kümedeki herkes aynı kola maruz kalır, bu nedenle işlem yanıtındaki bireysel heterojenlik tahmin edilemez.
- Küme sınırlarının tanımlanması keyfi veya tartışmalı olabilir ve kötü sınır seçimleri yayılmayı yeniden getirebilir.
SSS
Kaç kümeye ihtiyacım var?
Pratik bir minimum olarak, kol başına en az 10–15 küme hedefleyin. Daha az küme, rastgele atama yoluyla dengeyi sağlamayı zorlaştırır ve standart asimptotik çıkarım bozulur. Çok az küme ile (kol başına 8'den az), t-testleri yerine permütasyon testleri veya rastgele atama çıkarımı tercih edilir. Güç hesaplamaları tasarım etkisi formülünü kullanmalıdır: n_birey × (1 + (m-1) × ICC), burada m ortalama küme boyutudur.
İntrakalasyon katsayısı (ICC) nedir ve neden önemlidir?
ICC, aynı kümedeki bireylerin sonuç üzerinde ne kadar benzer olduğunu ölçer, 0 (kümelenme etkisi yok) ile 1 (tüm varyans kümeler arasındadır) arasında değişir. Daha yüksek bir ICC, kümeler içinde daha fazla tekrar ve daha düşük etkili örneklem boyutu anlamına gelir. Küçük bir ICC bile — diyelim ki 0.05 — kümeler büyükse gereken birey sayısını iki veya üç katına çıkarabilir. Bir küme rastgele A/B testi tasarlamadan önce her zaman bir ICC tahmin edin veya varsayın.
Bu, standart bir küme RCT'den nasıl farklıdır?
Bir küme rastgele A/B testi, bir küme RCT'si ile yapısal olarak aynıdır ancak tipik olarak bağlam (dijital vs. klinik), hız (günler/haftalar vs. aylar/yıllar) ve sektörde yaygın olan iki kollu A/B çerçevesi ile ayırt edilir. İstatistiksel ilkeler — küme düzeyinde rastgele atama, ICC ayarlaması, karma etkili veya GEE analizi — her iki ayarda da aynıdır.
Bu tasarımı birden fazla varyantı aynı anda test etmek için kullanabilir miyim?
Evet — üç veya daha fazla kola (A/B/C veya çok kollu) genişletmek basittir: kümeleri her kola rastgele atayın. Bu bazen çok kollu küme rastgele deneyi olarak adlandırılır. Kol başına minimum küme sayısı gereksinimi her kol için geçerlidir, bu nedenle toplam küme gereksinimi kol sayısıyla artar.
Hangi analiz yöntemini kullanmalıyım?
Üç yaklaşım yaygındır: (1) t-testi veya ANCOVA ile analiz edilen küme düzeyindeki özetler — basittir ancak küme içi bilgiyi kaybeder; (2) rastgele bir kesişim ile karma etkili doğrusal veya lojistik regresyon — esnektir ve kovaryantları işler; (3) değişebilir bir çalışma korelasyon yapısına sahip GEE — küme içi korelasyonun yanlış belirtilmesine karşı dayanıklıdır. Her üçü de geçerlidir; örneklem boyutuna ve bireysel düzeyde kovaryant ayarlamasına ihtiyacınız olup olmadığına göre seçin.
Kaynaklar
- Ugander, J., Karrer, B., Backstrom, L., & Kleinberg, J. (2013). Graph cluster randomization: Network exposure to multiple universes. Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 329–337. DOI: 10.1145/2487575.2487695 ↗
- Hayes, R. J., & Moulton, L. H. (2017). Cluster Randomised Trials (2nd ed.). CRC Press. ISBN: 9781498728874
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Cluster Randomized A/B Test. ScholarGate. https://scholargate.app/tr/experimental-design/cluster-randomized-ab-test
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Uyarlanabilir A/B TestiDeney tasarımı↔ karşılaştır
- Engelli A/B TestiDeney tasarımı↔ karşılaştır
- Küme Rastgele Kontrollü ÇalışmaDeney tasarımı↔ karşılaştır
- Faktöriyel A/B TestiDeney tasarımı↔ karşılaştır
- Alan DeneyiDeney tasarımı↔ karşılaştır
- Çok Kollu DeneyDeney tasarımı↔ karşılaştır