统计学中的假设检验思想与参数估计方法python实现(以2010-2014上证指数收益率的均值t检验为例)

    书接上回,参数估计是为了用各种方法(靠猜也好,靠科学论证也好),主要任务只有一个,对未知结果的、我们感兴趣的参数进行预测。而预测结果可以是一个值,也可以是一个区间,两种结果分别对应了参数估计的两种方法,点估计和区间估计。
假设检验是统计学中“推断统计”双子星中的另一个部分,也是唯二之一。假设检验的着重点在于检验参数的取值是否等于某个目标值。

    假设检验的过程可以归结为以下三步:

  • 设定假设

    (先根据实际问题的要求提出一个论断,称为原假设或者零假设,用 H 0 H_0 H0 作为代指。又会提出一个与之对立的观点,称为备择假设,记为 H 1 H_1 H1 ,意为对原假设的备选项,如果有充分的理由说明原假设是错误的,那么不需要列举备择假设正确的理由,也能说明备择假设的正确性,反之亦然。这是一个反证法的思想。)

反证法思想:

    目的是证明我们期望得到的结论,但因为种种原因证明期望得到的结论需要用到大量的条件支撑,所以转变思路,证明它的对立面是错误的,因为我们期望证明的结论的对立面错误,所以我们期望证明的结论正确。在数学上,对于存在性命题和唯一性命题往往会考虑反证法的思路,因为这种问题如果不使用反证法,那么只能使用穷举法或者倾注大量算力计算正确值。反证法作为一种间接证明方法,通常分为两类证法,一种是对于期望证明结论的对立面举出反例,证明对立结论错误从而证明原结论正确,此方法已被很多教材排除出反证法的内容,因为此方法为正向逻辑证明,只是将证明“原结论正确”变通为“证明对立结论错误”。另一种是将原结论的对立结论作为已知条件,推导出与已知命题相悖的结果。(例:已知A=1,B=1,证明A=B。反证法思想下证明,首先给出假设:假设原结论的对立结论,即A≠B,已知A≠B,B=1,则必有A≠1,然而已知原题设A=1,与题设不符。所以A=B成立。)

  • 计算待检验样本出现小概率事件的概率

(在认为 H 0 H_0 H0 正确的条件下,求出样本数据出现的概率,)

小概率事件思想:
    小概率事件在一次实验中几乎是不发生的,小概率事件是对不可能事件存有一定容忍度后描述的事件结果。从分析角度看,出现小概率事件表示本不可能发生的事件却发生了,这件事本身就是异常的。对于统计学视角下对小概率事件的态度和思考,像极了英语中使用few,little这些单词一样,使用这些单词形容数量时,往往包含着说话者的否定含义。这些单词在翻译时往往被译作“少的可怜”,“少到基本没有”,英语中描述“少数”时会用a few,a little来表述。小概率事件也是这样,所有对于小概率事件的描述,都是一种持否定的态度,它本不该发生的,可它偏偏发生了。

  • 基于反证法推翻原假设,转而支持备择假设,假设检验的目的是为了支持备择假设。

(基于原假设的条件下,出现了小概率事件,那么原假设就是有误的。判别有误的尺度依赖于置信水平的尺度,下文会讲。基于原假设有误的判断结果,统计学上称为“拒绝原假设,转而支持备择假设”,如果不能得出原假设有误的判断结果,那么就不能拒绝原假设。)

设置原假设与备择假设是很关键的,设置假设应当遵循以下几条原则:
- 原假设应当是受到保护的。
- 备择假设是检验者所希望的结果。
- 等号永远出现在原假设中。

    陈述完毕,我们留下了一个小坑,也是很关键的一个衡量尺度。置信水平的尺度决定了判别有误的尺度,也是判断事件是否为小概率事件的尺度。这涉及到一个关键概念,即置信度(也叫做置信水平,显著性水平)的概念。但在这之前,有一个中间的概念必须明确,那就是两类错误的问题。两类错误是一个需要深究也值得深究的问题,请见此链接回看。浅谈两类错误

    只有充分理解了两类错误的知识点,才能保证假设检验的根基不倒。后续论证和实践才能对检验结果做到心中有数。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值