关于假设检验

#关于假设检验
　　假设检验（Hypothesis Testing），或者叫做显著性检验（Significance Testing）是数理统计学中根据一定假设条件由样本推断总体的一种方法。其基本原理是先对总体的特征作出某种假设，然后通过抽样研究的统计推理，对此假设应该被拒绝还是接受作出推断。既然以假设为前提，那么在进行检验前需要提出相应的假设：

H0：原假设或零假设（null hypothesis），即需要去验证的假设；一般首先认定原假设是正确的，然后根据显著性水平选择是接受还是拒绝原假设。

H1：备择假设（alternative hypothesis），一般是原假设的否命题；当原假设被拒绝时，默认接受备择假设。

如原假设是假设总体均值μ＝μ0，则备择假设为总体均值μ≠μ0，检验的过程就是计算相应的统计量和显著性概率，来验证原假设应该被接受还是拒绝。

#什么是Z检验?

Z检验是一般用于大样本（即样本容量大于30）平均值差异性检验的方法。它是用标准正态分布的理论来推断差异发生的概率，从而比较两个平均数的差异是否显著。
　　当已知标准差时，验证一组数的均值是否与某一期望值相等时，用Z检验。

##Z检验的步骤
###第一步：
　　建立零假设，即先假定两个平均数之间没有显著差异。
###第二步：
　　计算统计量Z值，对于不同类型的问题选用不同的统计量计算方法。
　　1、如果检验一个样本平均数与一个已知的总体平均数的差异是否显著。其Z值计算公式为：$Z=\frac{\overline{X}-{\mu }_0}{\frac{S}{\sqrt{n}}}$
　　其中：
　　$\overline{x}$是检验样本的平均数；
　　${\mu }_{{}_0}$是已知总体的平均数；
　　$S$是样本的标准差；
　　$n$是样本容量。
　　2、如果检验来自两个的两组样本平均数的差异性，从而判断它们各自代表的总体的差异是否显著。其Z值计算公式为：

$Z=\frac{\overline{X_1}-\overline{X_2}}{\sqrt{\frac{s_1^2}{n_1}+\frac{s_2^2}{n_2}}}$
　　
　　其中：
　　
　　$\overline{X_1}$,$\overline{X_2}$是样本1，样本2的平均数；
　　$s_1^2$,$s_2^2$是样本1，样本2的方差；
　　$n_1$,$n_2$是样本1，样本2的容量。
###第三步：
比较计算所得Z值与理论Z值，推断发生的概率，依据Z值与差异显著性关系表作出判断。如果z = ？ 的值小于显著性p的值，那就拒绝零假设。

#什么是T检验

T检验是最常见的一种假设检验类型，主要验证总体均值间是否存在显著性差异，属于参数假设检验，所以它适用的范围是数值型的数据。T检定改进了Z检验。在样本数量大（超过30等）时，可以应用Z检定，但Z检定用在小的样本会产生很大的误差，因此样本很小的情况下得改用T检验。

T检验需要符合两个个条件——总体符合正态分布，n < 30。当n>30时用Z检验或者T检验均可，此时用Z检验较简单，计算与z检验相似。

#什么是卡方检验

x2检验（chi-square test）或称卡方检验，是一种用途较广的假设检验方法。可以分为成组比较（不配对资料）和个别比较（配对，或同一对象两种处理的比较）两类。计数类的比较

别人家的例子，请自行打开看看

#什么是F检验（方差分析）

方差分析（ANOVA），又叫F检验，其目的是推断两组或多组资料的总体均数是否相同，检验两个或多个样本均数的差异是否有统计学意义。简单来说，就是求得F统计量（组间方差/组内方差），然后查F表，如果大于临界值（一般是0.05显著性水平下）则拒绝原假设，即组间具有显著性的差异。

$F = \frac{\frac{SSB}{M-1}}{\frac{SSW}{M*(N-1)}}$

其中：
SSB：组间方差和
M：组数
SSW：组内方差和
N:样本数

实际中我们的主要问题是看组间是否有差异，ANOVA告诉我们组间的差异不仅要看组间的波动，还要看组内的波动，如果组内波动太大的话，很可能不存在差异，只是组内的数据乱而已，当然组间的波动越大，则组间的差异越大。

参考资料：

方差分析(ANOVA)解析
z统计量 vs t统计量
χ2分布介绍
方差分析