统计学--假设检验过程

假设检验原理

• 基础：小概率原理，即一般认为小概率事件在一次随机抽样中不会发生。
• 基本思想：先建立一个关于样本所属总体的假设，考察在假设条件下随机样本的特征信息是否属小概率事件，若为小概率事件，则怀疑假设成立有悖于该样本所提供特征信息，因此拒绝假设
• 事实上，小概率事件在随机抽样中还是可能发生的，只是发生的概率很小。若正好碰上了，则假设检验的结论就是错误的。当然，犯这种错误的概率很小。

假设检验过程

一、建立假设

根据统计推断的目的而提出的对总体特征的假设。统计学中的假设有两方面的内容：

1. 检验假设(hypothesis to be tested),亦称原假设或无效假设(null hypothesis)，记为$H_0$ ；
2. 与H0相对立的备择假设(alternative hypothesis)，记为$H_1$。后者的意义在于当$H_0$ 被拒绝时供采用。两者是互斥的，非此即彼。
   $H_0：\mu ={\mu }_0，H1：\mu ̸={\mu }_0$;
   $H_0：{\mu }_0=7.4，H1：{\mu }_0̸=7.4$

二 、确定检验水准

• 实际上就是确定拒绝$H_0$时的最大允许误差的概率。检验水准(size of test)，常用 $\alpha$ 表示，是指检验假设$H_0$本来是成立的，而根据样本信息拒绝$H_0$的可能性大小的度量，换言之， $\alpha$是拒绝了实际上成立的$H_0$的概率。
• 常用的检验水准为 $\alpha$ = 0.05，其意义是：在所设$H_0$的总体中随机抽得一个样本，其均数比手头样本均数更偏离总体均数的概率不超过5%

三、计算检验统计量和P值

• 实际上在此之前还有一步叫做进行试验，所需的样本数据即从此得来
• 统计量只是工具，概率值才是目的，它可以客观衡量样本对假设总体偏离程度

  • 从$H_0$假设的总体中抽出现有样本（及更极端情况）的概率，即$P$值

• 检验统计量的特点

  • 该统计量应当服从某种已知分布，从而可以计算出$P$值
  • 各种检验方法所利用的分布及计算原理不同，从而检验统计量也不同
  • 初学者往往本末倒置，很认真地在学工具，却忘记了统计学的本质是思维方式

四、得出推断结论

• 按照事先确定的检验水准$\alpha$界定上面得到的$P$值，并按小概率原理认定对$H_0$的取舍，作出推断结论

• 若P ≤$\alpha$基于$H_0$假设的总体情况出现了小概率事件，则拒绝$H_0$，接受$H_1$，可以认为样本与总体的差别不仅仅是抽样误差造成的，可能存在本质上的差别，属“非偶然的(significant)”，因此，可以认为两者的差别有统计学意义。 进一步根据样本信息引申，得出实用性的结论
• 若P＞$\alpha$基于$H_0$出现了很常见的事件
  则样本与总体间的差别尚不能排除纯粹由抽样误差造成，可能的确属“偶然的(non-significant)”，故尚不能拒绝$H_0$
  因此，认为两者的差别无统计学意义，但这并不意味着可以接受$H_0$。

结论不能绝对化

• 本身就保留了犯错误的可能性
• 样本量导致的检验效能问题
• 样本量太小，导致检验效能不足，从而无法检出可能存在的差异
• 样本量太大，得出的有统计学意义的结论可能根本就没有实际意义