假设包含原假设Null Hypothesis和备择假设Alternative Hypothesis,原假设也称为零假设,记为
H
0
H_0
H0,备择假设也称为对立假设,记为
H
a
H_a
Ha或
H
1
H_1
H1。 原假设和备择假设相互对立,没有交集。
进行假设检验时,由于数据的随机性,所作出的决策可能会有:
第 I 类错误(拒真):
H
0
H_0
H0为真时错误地拒绝了零假设。犯第
I
I
I 类错误的最大概率记为
α
\alpha
α。
第 II 类错误(受伪):
H
0
H_0
H0为假时错误地没有拒绝零假设。犯第
I
I
II
II 类错误的最大概率记为
β
\beta
β。
H 0 H_0 H0 | Do not reject H 0 H_0 H0 | Reject H 0 H_0 H0 |
---|---|---|
TRUE | Correct Decision 1 − α 1-\alpha 1−α: Confidence level 置信水平 | Type
I
I
I error α \alpha α: significance level 显著性水平 |
FALSE | Type
I
I
II
II error β \beta β | Correct Decision 1 − β 1- \beta 1−β: Power 功效 |
假设检验的功效(Power)定义如下:
1
−
β
=
P
(
r
e
j
e
c
t
H
0
w
h
e
n
H
a
i
s
t
r
u
e
)
1-\beta=P(reject\ H_0 \ when \ H_a \ is \ true)
1−β=P(reject H0 when Ha is true)
下图表明了
α
\alpha
α,
β
\beta
β和power之间的关系:
H
0
:
μ
=
μ
0
H
a
:
μ
≠
μ
0
H_0: \mu=\mu_0\\ H_a: \mu\ne\mu_0
H0:μ=μ0Ha:μ=μ0
重叠在一起看:
在实际运用中,假设检验作出的结论,不同的利益攸关方可能关注的风险点不一样。比如,一家药企临床试验的药物,进行假设检验:
H
0
:
该
药
无
疗
效
;
H
1
:
该
药
有
疗
效
H_0: 该药无疗效; H_1:该药有疗效
H0:该药无疗效;H1:该药有疗效
监管机构关注的是
H
0
H_0
H0为真时(药无疗效),被误判为有效的概率,即
α
\alpha
α,导致无疗效的药物上市销售贻害百姓。
而药厂关注的是 H 0 H_0 H0为假时(药有疗效),被误判为无效的概率,即 β \beta β,导致前期的投资都打了水漂。