Hoe te doen A/B Testanalyse: Een eerlijk gids

Laten we eerlijk zijn over het moeilijke deel: het uitvoeren van een A/B test is eenvoudig, maar weten hoe te om ab test analyse te doen Juist, daar glijdt bijna iedereen weg. Een juiste A/B testanalyse betekent controleren of uw resultaat de door u ingestelde significantiedrempel heeft geklaard. voor Je begon, op een monstergrootte groot genoeg om te vertrouwen, dan het rapporteren van het volledige betrouwbaarheidsinterval — het bereik van plausibele resultaten — In plaats van een enkel vleiend nummer, en tenslotte vragen of de lift is groot genoeg om eigenlijk belangrijk voor uw bedrijf. Als je dat doet, stop je met achter de overwinningen aan te jagen die nooit echt waren. Ik beloof je dat dit duidelijker wordt als je het hele systeem ziet.

Hier is het deel dat niemand je vertelt: de wiskunde van A/B testen is het makkelijke stukje. De harde, echt waardevolle vaardigheid is het resultaat eerlijk lezen — Weerstaand de drang om een winnaar te vroeg te bellen, te snijden tot iets er goed uitziet, of een afrondingsfout verschil te verwarren met een doorbraak. Laten we dus eens kijken hoe ik de analyse van de ab-test moet doen zoals ik het aan een vriend zou uitleggen bij koffie: de kernbegrippen in gewone taal, de fouten die de meeste tests stilletjes ruïneren, en een checklist die je elke keer kunt uitvoeren.

Wat betekent het eigenlijk om een A/B test te “analyseren”?

Een A/B test splitst je publiek in twee (of meer) groepen, toont elk een andere versie, en maatregelen die beter presteren op één metriek waar je om geeft — klikken, aanmelden, antwoorden, aankopen. Het verzamelen van die gegevens is triviaal. Analyse is de beslissing die volgt op: beslissen of het verschil dat je ziet is een echt effect dat je kunt verwachten te herhalen, of gewoon de willekeurige wiebel die je zou krijgen van het flippen van twee licht verschillende munten.

Dat onderscheid is alles. Als je twee versies aan een paar honderd mensen toont, zal men bijna altijd “win” met een marge — puur toeval, zelfs als de versies identiek zijn. De hele taak van A/B testanalyse is het scheiden van een echt signaal van dat achtergrondgeluid, en het doen zonder te liegen tegen jezelf langs de weg. Alles hieronder is in dienst van dat ene doel: Een echt effect vertellen, los van willekeurig geluk, eerlijk gezegd.

Wat is statistische betekenis en wat betekent een p-waarde echt?

Dit is het concept dat mensen het meest citeren en het minst begrijpen, dus laten we vertragen en het goed doen. Als je een test doet, begin je met een stille veronderstelling die de nulhypothese wordt genoemd – het saaie idee dat er geen echt verschil is tussen A en B. Statistisch belang is je manier van vragen: “Als er echt geen verschil was, hoe onwaarschijnlijk zou het zijn om een kloof te zien die zo groot is bij toeval?”

De p-waarde Geeft precies antwoord op die vraag en niets meer. Een p-waarde van 0.03 “betekent: als de twee versies echt identiek waren, zou je een resultaat zien tenminste dit extreme alleen over 3% van de tijd. Dat is het. Wanneer de p-waarde onder een drempel daalt, hebt u vooraf gekozen (vaak 0.05), noem je het resultaat “statistisch significant” en verwerp je de saaie no-verschil veronderstelling.

Dit is wat een p-waarde absoluut niet betekent, want deze foute lezingen veroorzaken echte schade:

• Het is NIET de kans dat uw variant beter is. Een p-waarde van 0.03 betekent niet “er is 97% kans B is beter dan A.” Het is een verklaring over je gegevens onder een veronderstelling, niet over de waarheid van je hypothese.
• Het is NIET de kans dat het resultaat te wijten was aan toeval. Dat is een subtiel andere en onjuiste omslag van de logica.
• Een niet significant resultaat bewijst NIET dat de versies gelijk zijn. Het betekent meestal dat je nog niet genoeg bewijs hebt – vaak omdat het monster te klein was.
• Betekenis zegt niets over grootte. Een resultaat kan een rotsvast betekenisvol zijn en toch een verschil beschrijven dat te klein is om om te geven.

Hou die laatste vast aan je muur. Statistische betekenis vertelt je dat een effect waarschijnlijk niet nul is; het vertelt je niet dat het effect groot genoeg is om er toe te doen. Daar komen we nog op terug, want daar zijn goede analisten en roekelozen deel van.

Wat is het verschil tussen vertrouwensniveau en een betrouwbaarheidsinterval?

Uw betrouwbaarheidsniveau is de keerzijde van je betekenis drempel. Als u test op een 0.05 betekenis niveau, je werkt op 95% vertrouwen. Losjes beschrijft het hoe vaak deze hele procedure zou voorkomen dat “winnaar” te huilen als er niets echt gaande was. Kies het voordat je begint — 95% is een verstandige standaard voor de meeste marketingtests.

Het betrouwbaarheidsinterval is het enige meest gebruikte hulpmiddel in A/B-analyse, en het leren om mee te leiden zal je direct eerlijker maken. In plaats van een getal te rapporteren – “B verhoogde conversies met 8%” – geeft een betrouwbaarheidsinterval het plausibele bereik aan: “B verhoogde conversies met ergens tussen 2% en 14%, met 95% vertrouwen.” Dat bereik is de waarheid; de enige 8% is slechts het middenpunt met een zelfverzekerde glimlach.

Waarom doet de afstand er zoveel toe? Omdat de breedte je vertelt hoeveel je eigenlijk weet:

• A smal interval (zegt, 7% tot 9%) betekent dat u een nauwkeurige, betrouwbare schatting hebt. Doe er wat aan.
• Een breed interval (zeg, -3% tot 19%) betekent dat je nauwelijks iets weet – het ware effect kan negatief, klein of groot zijn. “We weten het nog niet” is de eerlijke lezing, zelfs als het middenpunt ziet er spannend.
• Als het interval kruist nul (met zowel negatieve als positieve waarden), je kunt niet eens zeker zijn welke versie beter is.

Dus mijn regel, en ik smeek je om het te adopteren: Meld altijd de afstand, nooit alleen de puntschatting. Een middenpunt zonder interval is een getal dat doet alsof het een feit is. De afstand is waar de eerlijkheid leeft.

Hoe groot moet mijn monster zijn, en wat is statistische kracht?

Hier is een val die gretige marketeers dagelijks vangt: na een dag een winnaar bellen omdat “B is gestegen 40%!” Als de cijfers klein zijn – een dozijn conversies elk – dat 40% is bijna zeker lawaai in een loopgraaf jas. Kleine monsters die wild schommelen door puur toeval. Wat ons brengt bij de twee ideeën die je moet stellen voor de test, niet erna.

Statistische capaciteit is het vermogen van uw test om daadwerkelijk een echt effect te detecteren wanneer er een bestaat. Een test met een laag vermogen is als een rookmelder met een uitstervende batterij — Het vuur kan echt zijn en het alarm gaat nog steeds niet af. Onderaangedreven tests produceren een razende hoeveelheid van “geen significant verschil” resultaten die mensen voor de gek houden om te denken dat niets werkt, terwijl echt de test gewoon niet kon zien. De meeste mensen streven naar 80% macht, wat betekent dat als een echt effect van de grootte waar je om geeft bestaat, je het zou vangen 80% van de tijd.

De minimaal aantoonbaar effect (MDE) is de kleinste verbetering die je zou overwegen de moeite waard te detecteren — zeg, een 5% relatieve lift. Dit is een zakelijke beslissing, geen statistische: hoe groot moet de overwinning zijn voordat je de moeite zou nemen om het te verschepen? Een kleinere MDE vraagt om een veel groter monster, omdat het spotten van kleine verschillen enorme hoeveelheden data vereist.

Zet deze samen en een steekproef-grootte rekenmachine (veel zijn gratis online) vertelt u hoeveel bezoekers of conversies elke groep nodig heeft voor Jij lanceert. Dit is van enorm belang, dus laat ik het duidelijk zeggen: te beslissen uw vereiste steekproefgrootte van tevoren en commit om het te bereiken. Rennen tot je dat nummer raakt. — niet voordat het resultaat er goed uitziet — de meest beschermende gewoonte is bij alle A/B-tests.

Als je wilt detecteren…	Je hebt…	Omdat
Een groot effect (bijv. 20% + lift)	Een kleiner monster	Grote verschillen zijn gemakkelijk te zien boven het lawaai
Een klein effect (bv. 2% lift)	Een veel groter monster	Subtiele verschillen verbergen zich in willekeurige variatie
Hoger vertrouwen of meer macht	Een groter monster	Meer zekerheid kost altijd meer data

Wat zijn de grootste fouten in A/B-testanalyse?

Als je maar één deel van deze gids herinnert, maak het dan deze. De fouten hieronder zijn waar echt geld en echte geloofwaardigheid verloren gaan, en bijna allemaal delen ze een wortel oorzaak: het willen van een overwinning zo erg dat je stopt met analyseren en beginnen met rationaliseren.

Vroeg kijken en stoppen. Dit is de grote. Je zet een test op, controleert het dan om de paar uur, en zodra het de betekenis grens overschrijdt die je de overwinning verklaart en stopt. Het voelt zich verantwoordelijk. — Je let op! — Maar het is statistisch rampzalig. Elke keer als je kijkt en besluit of je stopt, krijg je een nieuwe rol van de dobbelstenen op een vals positief. Vaak genoeg plas en je bent bijna gegarandeerd om uiteindelijk “aanmerking” dat is pure kans te zien. De oplossing is strikt: Stel je monstergrootte in en bel het resultaat niet tot je het bereikt. Als je echt moet controleren langs de weg, zijn er formele sequentiële-testmethoden ontworpen voor dat — Maar toevallig gluren met een fixed-horizon test is hoe goede mensen zichzelf dagelijks voor de gek houden.

Een winnaar op te weinig data. Een nicht van gluren. Vroeg in een test, resultaten gyraat dramatisch; een variant kan “up 30%” op maandag en dood zelfs tegen vrijdag. Het beëindigen van een test alleen maar omdat het er tijdelijk goed uitziet – voordat het de steekproefgrootte en duur bereikt die je gepland hebt – bakt die vroege willekeur direct in je beslissing.

De volledige bedrijfscyclus negeren. Uw publiek gedraagt zich anders in het weekend, op betaaldag, op feestdagen en in de hele maand. Een test die dinsdag tot donderdag loopt, legt een stukje realiteit vast. Ren voor volledige wekelijkse cycli (en vaak meer) zodat uw resultaat weerspiegelt hoe mensen zich werkelijk gedragen, niet alleen hoe uw midweek publiek doet.

Het probleem van de meervoudige vergelijking (segmentvisserij). Hier is een verleidelijke. Je test is een platte, saaie stropdas – dus je begint te snijden: “Nou, het won voor mobiele gebruikers… in Canada… 25-34 jaar oud!” Het probleem is dat hoe meer segmenten je test, hoe waarschijnlijker je er “significant” uitziet door puur geluk. Test twintig segmenten op 95% vertrouwen en ongeveer één zal alleen al bij toeval oplichten. Hunting door middel van stukken voor een overwinning na het feit is een vorm van p-hacken, en het produceert valse winnaars elke keer. Beslis de handvol segmenten waar je om geeft voor de test, of behandel een post-hoc plak als een hypothese om vers te testen, nooit als gevolg daarvan.

Het verwarren van betekenis met praktisch belang. Met een groot monster kan zelfs een lachwekkend klein verschil – een 0,1% lift – statistisch significant zijn. Belangrijk en betekenisvol zijn niet hetzelfde woord. Vraag altijd: is deze lift groot genoeg om de techniek, het risico, de verstoring van het veranderen van dingen te rechtvaardigen? Soms is het eerlijke antwoord “technisch echt, praktisch zinloos.”

Simpsons paradox en verborgen segment effecten. Deze is echt stiekem: een variant kan winnen in elk individueel segment maar verliest over het algemeen (of vice versa), wanneer de groepen verschillende groottes of de verkeermix is ongelijk. Als je totale resultaat en je segmentresultaten elkaar tegenspreken, kies dan niet wat je wilt – graaf in waarom, want het geheel kan misleiden als de segmenten niet in balans zijn.

Nieuwheid en primatie effecten. Wanneer u iets verandert, kunnen bestaande gebruikers gewoon reageren omdat Het is nieuw. — Klik op de glanzende nieuwe knop uit nieuwsgierigheid (rommeligheid), of verzet het omdat ze graag de oude manier (primacy). Deze effecten vervagen. Een lift die eigenlijk gewoon “ooh, anders” kan verdampen zodra de nieuwheid is uitgewerkt, dus langere tests en een blik op nieuwe-versus-terugzendgebruikers helpen u een blijvende overwinning van een passerende te vertellen.

Hoe doe je ab testanalyse op een afgewerkt resultaat?

De test is uitgevoerd naar het geplande monster, en nu begint het echte werk van de analyse van de ab-test. Zo lees je het zonder het wishful thinking. Loop door deze vragen in volgorde, elke keer:

• Heeft het de betekenis geraakt op het niveau dat je van tevoren hebt ingesteld? Geen niveau dat je daarna ontspant omdat je dichtbij was. Die je voor de lancering hebt beloofd.
• Heeft het de geplande steekproefgrootte bereikt en een volledige cyclus uitgevoerd? Zo niet, dan is het resultaat voorlopig, hoe mooi het er ook uitziet.
• Wat is het betrouwbaarheidsinterval? Kijk naar het hele bereik. Is het smal en comfortabel aan één kant van nul, of breed en dubbelzinnig? De breedte is je eerlijkheidscontrole.
• Is de lift praktisch zinvol? Vergelijk de laag einde van het interval tegen uw minimaal detecteerbare effect. Als zelfs het optimistische middenpunt triviaal is, is het geen echte overwinning voor het bedrijf.
• Ruik je iets naar nieuwigheid, seizoensgebondenheid of een segment artefact? – Controleer het verhaal voor je het nummer vertrouwt.

Als die op een rij staan – belangrijk op je vooraf ingestelde niveau, voldoende aangedreven, een betrouwbaarheidsinterval dat strak en duidelijk positief is, en een lift groot genoeg om toe te doen – dan heb je een echte winnaar. Maar je moet wel blijven onderzoeken. Dat is een respectabele plek.

Wat doe je als je eenmaal een resultaat hebt – winnen, verliezen of niet overtuigend?

Elke test eindigt in een van de drie staten, en hier is de mindset verschuiving die profs scheidt van dabblers: Alle drie zijn ze waardevol.

Een duidelijke overwinning die elke bar vrijpleit? Verzend het, documenteer dan wat je geleerd hebt en waarom je denkt dat het werkte – die hypothese voedt je volgende test. Een duidelijk verlies? Dat is ook een overwinning, eerlijk gezegd, je hebt net iets geleerd dat niet werkt op je publiek zonder meer te besteden om het uit te rollen. Verliezers leren je over je gebruikers.

En dan is er nog degene die iedereen haat: Onduidelijk. Geen significant verschil, of een betrouwbaarheidsinterval zo breed dat het nutteloos is. Luister alsjeblieft naar me. — Onduidelijk is een legitiem resultaat, geen mislukking. Het betekent meestal één van twee eerlijke dingen: het effect is te klein om er iets toe te doen (dus stop met het obsessief maken), of je monster was te klein om het te detecteren (dus langer lopen of een grotere verandering testen). Wat je moet doen. niet Doe een niet-omzichtige test martelen tot het een winnaar bekent. Noem het wat het is, schrijf op wat je anders zou proberen, en ga verder. De discipline om te zeggen “wij weten het nog niet” is een superkracht, geen zwakte.

Dan alles documenteren — inclusief de verliezers en de banden. Een test die je niet opneemt is een test die je per ongeluk volgend jaar weer doet. Je logboek van wat wel en niet de naald verplaatste is een van de meest waardevolle activa die je team ooit zal bouwen, en het is de basis voor slimme benchmarking van uw marketingprestaties Na verloop van tijd, dus je weet hoe “goed” er zelfs voor je publiek uitziet.

Uw A/B testanalyse-checklist

Hier is de hele discipline gedistilleerd in een checklist die je kunt draaien elke keer. Druk het af, eerlijk. Voordat je ooit een resultaat belt:

• Vóór lancering: Definieer de één primaire metriek. Stel uw betekenisniveau in (bijv. 95% vertrouwen) en macht (bv. 80%). Beslis uw minimaal detecteerbare effect, bereken en commit je aan een vereiste steekproefgrootte.
• Vóór lancering: Schrijf je hypothese en noem de paar segmenten die je zult onderzoeken — van tevoren, niet erna.
• Tijdens het draaien: Niet gluren en stoppen. Laat het de geplande steekproef bereiken en run volledige bedrijfscycli. Weerstaan de drang om vroeg te eindigen op een mooie dag.
• Bij het analyseren: Bevestig dat het belangrijk is voor je. voorinstelling De Commissie heeft de in de steekproef opgenomen producenten-exporteurs in de VRC verzocht hun standpunt kenbaar te maken.
• Bij het analyseren: Rapporteer het betrouwbaarheidsinterval (de range), niet alleen de puntschatting. Controleer of het door nul gaat.
• Bij het analyseren: Vraag of de lift praktisch betekenisvol is, niet alleen statistisch significant.
• Bij het analyseren: Schrijf nieuwheid effecten, seizoensgebondenheid, segment-vissen, en Simpson’s paradox uit voordat je sluit.
• Na: Documenteer het resultaat – win, verlies of niet overtuigend – met uw aannames en eerlijke onzekerheid. Acteer of itereer.

Is dit resultaat echt? Een snelle beslissingsgids

Als je naar een resultaat staart en niet zeker weet of je het moet vertrouwen, loop dan over deze kleine beslissingsboom. Het is de gut-check versie van alles hierboven:

• Heeft de test zijn geplande steekproefgrootte bereikt en een volledige cyclus uitgevoerd? Nee → Het is nog niet klaar. Blijf rennen, besluit nog niets.
• Ja? Dan: is het belangrijk op het niveau dat u stelt voor Lancering? Nee → Behandel het als niet overtuigend of als een non-resultaat. Ontspan de drempel niet om het binnen te piepen.
• Ja? Dan: blijft het betrouwbaarheidsinterval duidelijk aan één kant van nul? Nee (het kruist nul of is zeer breed) → Je kunt de richting nog niet vertrouwen. Onconclusief.
• Ja? Dan: is zelfs het conservatieve einde van het interval een lift groot genoeg om er toe te doen? Nee → Het is echt maar triviaal; waarschijnlijk niet de moeite waard om te verschepen.
• Ja? Dan: kunt u uitsluiten dat nieuwheid, seizoensgebondenheid en segment-vissen? Nee → Onderzoek het artefact voordat je het gelooft.
• Allemaal ja? Gefeliciteerd – je hebt een resultaat dat je eigenlijk kunt verdedigen. Verzend het en documenteer waarom.

Merk op hoeveel branches eindigen in “onbesloten” of “blijven gaan.” Dat is niet het instrument dat hard is; dat is de realiteit van eerlijk testen. De meeste resultaten zijn nog murkier dan we willen, en respecteren dat is precies wat je ervan weerhoudt om valse overwinningen na te jagen. Als je dieper wilt gaan met het omzetten van deze lezingen in duidelijke verhalen, onze gids over hoe analytics rapporten te lezen Hij past hier prachtig bij.

Hoe ontwijk je een valse overwinning?

Laten we de vijand direct een naam geven, want het heeft een gezicht. A valse winst is een resultaat dat je viert en schip dat nooit echt was — Een spooklift geboren uit gluren, een gelukssegment, te klein een monster, of een nieuwigheid hobbel die vervaagde. Valse overwinningen zijn erger dan helemaal geen resultaat, want je handelt op hen: je rolt een verandering uit die niet helpt (of rustig pijn doet), en je “learn” een les die niet waar is.

De tegengifstoffen zijn allemaal gewoonten van eerlijkheid, en ze vormen een verbinding. Preregistreer je beslissingen – metrisch, drempel, steekproefgrootte, segmenten – zodat je de doelposten niet kunt verplaatsen na het zien van de gegevens. Leid met het betrouwbaarheidsinterval, zodat je altijd kijkt naar het bereik van de waarheid, niet naar een flatterend middenpunt. Behandel post-hoc segment ontdekkingen als nieuwe hypothesen om opnieuw te testen, nooit als bevindingen. En als een test niet overtuigend is, laat het dan niet overtuigend zijn. Al die gewoontes zijn een kleine daad van jezelf niet voor de gek houden, en samen zijn ze het hele spel. Het begrijpen van de bredere context van wat uw getallen betekenen helpt ook enorm – onze gids over hoe marketinggegevens te interpreteren loopt door het lezen van voorbij de hoofdfiguur, die dezelfde spier die je hier bouwt.

Een eerlijke opmerking over gereedschap, want ik zeg liever hetero: SocialBlaze is een platform voor social media management — planning, auto-publishing en sociale analyses over uw netwerken — geen specifiek A/B-test- of statistiekinstrument. Voor de betekenis wiskunde, monster-grootte berekeningen, en betrouwbaarheidsintervallen in deze gids, u wilt een speciaal gebouwd experiment of statistieken hulpmiddel. Wat? SocialBlaze doet geven je is schoon, consistente sociale prestaties gegevens over elk aangesloten netwerk, dus wanneer je het vormen van hypothesen over wat te testen, of kijken hoe een verzonden verandering speelt uit in de tijd, heb je betrouwbare nummers op een plaats in plaats van een dozijn verspreide tabbladen. Gebruik het juiste gereedschap voor elke taak, en het hele proces wordt makkelijker.

Als je één ding van dit alles neemt, laat het dan zo zijn: leren hoe je ab test analyse goed doet, gaat veel minder over de wiskunde en veel meer over eerlijk blijven – met de gegevens, en met jezelf. Stel je regels vast voor je kijkt. Laat de test afmaken. Meld de afstand, niet het middenpunt. Vraag of de overwinning groot genoeg is om te doen, en laat niet-beslissende resultaten zijn niet overtuigend. Doe dat, en je neemt beslissingen die je echt kunt verdedigen – aan je baas, je cliënt, of je eigen sceptische brein om 2 uur ‘s nachts. Je hebt dit, en het wordt echt makkelijker elke keer als je de lus loopt.

Veelgestelde vragen

Wat zegt een p-waarde me eigenlijk in een A/B test?

Een p-waarde vertelt je hoe verrassend je waargenomen gegevens zouden zijn als er echt geen verschil tussen de versies. Een kleine p-waarde (onder uw vooraf ingestelde drempel, vaak 0,05) betekent dat het resultaat onwaarschijnlijk zou zijn onder die no-verschil veronderstelling, dus noem je het significant. Cruciaal is het niet de waarschijnlijkheid dat je variant beter is, noch de kans dat het resultaat te wijten was aan toeval – het is een verklaring over de gegevens onder een veronderstelling, geen oordeel over de waarheid.

Waarom gluur je naar de resultaten en stop je vroeg zo’n probleem?

Want elke keer als je de gegevens controleert en besluit te stoppen, krijg je een nieuwe kans om een willekeurige fluctuatie te vangen die op betekenis lijkt. Vaak genoeg plas en je zult bijna zeker een “winnaar” zien die puur geluk is, wat je vals-positieve tarief dramatisch opblaast. De oplossing is om te beslissen uw steekproefgrootte voor de lancering en voer de test totdat u het bereiken, in plaats van het stoppen van het moment dat het ziet er goed.

Wat is het verschil tussen statistische betekenis en praktisch belang?

De statistische betekenis zegt je dat een effect waarschijnlijk niet nul is. Praktisch belang vraagt of het effect groot genoeg is om belangrijk te zijn voor uw bedrijf. Met een groot monster, zelfs een klein, triviaal verschil kan statistisch significant zijn, dus altijd controleren de grootte van de lift – idealiter het conservatieve einde van het betrouwbaarheidsinterval – tegen de minimale verbetering die je eigenlijk zou overwegen de moeite waard verzending.

Is een niet-omzichtige A/B test een mislukking?

Helemaal niet – het is een legitiem, nuttig resultaat. Een niet-duidelijke test betekent meestal dat het effect te klein is om te doen of dat je monster te klein was om het te detecteren. Beide zijn eerlijke antwoorden die je redden van het acteren op lawaai. Documenteer wat je gevonden hebt, besluit of je langer wilt lopen of een grotere verandering wilt testen, en weerstaan de verleiding om de gegevens te snijden totdat iets eruit ziet als een overwinning.

Waarom zou ik een betrouwbaarheidsinterval rapporteren in plaats van alleen het resultaat?

Want een enkel getal als “8% lift” verbergt hoeveel je eigenlijk weet. Een betrouwbaarheidsinterval geeft het plausibele bereik – bijvoorbeeld 2% tot 14% – en de breedte vertelt het echte verhaal. Een smalle reikwijdte betekent een nauwkeurige, betrouwbare schatting; een breed bereik, of een dat nul kruist, betekent dat je nog niet zeker kunt zijn over de grootte of zelfs de richting van het effect. Het verslag is eerlijker dan het middenpunt.