|
不知道大家有没有注意到我每次文章最顶部的内容：  我提出的假设是：每天早上8点25更新，然后有人不相信，于是我们提出了一个方案来验证我的假设，连续10天看实验的结果是否每天早上8:25更新，这就是一个假设检验的思路，提出一个假设，然后去检验它。 假设检验是利用样本对总体进行的推断的方法。其原理是小概率反证法。即为了检验一个假设是否成立，我们先假设它成立，在原假设成立的前提下，如果出现了不合理的事件，则说明样本与总体的差异是显著的，就拒绝原假设，如果没有出现不合理的事件，就不拒绝原假设。 这里所述的不合理的事件指的就是小概率事件，通常情况下我们认为一个小概率事件基本上不会发生，如果发生了，说明它就不是一个小概率事件了，所以不能接受原假设。 假设检验的基本问题Q：1989年某地新生儿的平均体重为3190克，1990年新生儿随机抽取100个平均体重为3210克，1990年和1989年的新生儿相比，体重有无显著差异？ 首先我们要明确，这个问题的关键点在哪里，关键点是这20克的差异说明了什么？是抽样的随机性吗？为了解决这个问题，就提出了假设检验这个方法。 假设检验的流程1. 提出假设
2. 选择检验统计量统计量的选择与样本量大小、总体标准差是否已知有关，后面会细分。 常用的检验统计量有z统计量、t统计量（均值和比例）和卡方统计量（方差）。 具体选择哪个统计量，主要有样本量n的大小、总体的标准差是否已知有关。 样本量较大时（n>30），可以选择z统计量，样本量较小、总体标准差已知时，也可以选择z统计量，样本量较小，总体标准差未知时，用t统计量。  3. 确定拒绝域首先确定显著性水平α。即希望在样本结果的不可能程度达到多大时，就拒绝原假设，也就是小概率事件发生的概率，显著性水平用百分数表示。通常是5%和1%作为显著性水平。 这篇文章里我们就不去推导统计量和拒绝域是如何得出的了，对于大部分非相关专业人士来说，确实是很晦涩的，我们重点关注如何使用就好。 4. 计算P值为了精确地反映决策的风险度（为了简化检验统计量的计算），我们可以利用P值进行决策，那么问题来了： 什么是P值？ p值是当原假设为真时样本观察结果及更极端结果出现的概率。 如果P值很小，说明这种情况发生的概率很小，如果这种情况还出现了，那么就有理由拒绝原假设。P值越小，拒绝原假设的理由就越充分。 根据选取的检验统计量计算P值，通过P值确定是否拒绝该原假设。手工计算P值是比较复杂的，好在现在都可以用Excel、Python、SPSS等工具计算。 5. 做决策将P值和显著性水平进行比较。
两类错误
假设检验的分类 T检验选用t统计量进行的检验，是对正态总体均值的检验，t检验中，假设样本呈正态分布，总体参数未知，会有以下3种情况：
Z检验选用z统计量进行的检验通常称之为z检验，一般用于大样本的双样本总体均值的检验，或者方差已知，关于总体均值的检验也可用Z检验。 F检验前面的t检验、z检验均是对总体均值的检验，F检验是对正态总体方差的检验，因此也叫做方差齐性检验。在回归分析中，我们用F检验来判断因变量与自变量之间的线性关系是否显著，就是判断其方差是否相等。 举个例子 
|
|
|
