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 $H_0$ 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 $H_1$ ，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 $H_0$ 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。