python 假设检验

目录

一、为什么要使用假设性检验？

二、假设检验基础原理与使用条件

三、怎么使用？

3.1 假设检验的步骤

1、H0(零假设)和H1（备择假设）

2、计算P值

3、确认显著性水平

3.2 常见的统计量

四、假设检验中存在的两类错误&需要注意的问题

3.1 假设检验中的两类错误

3.2 假设检验中需要注意的问题

六、案例（t检验）

6.1 单样本t检验

6.1.1 scipy 方法实现

6.1.2 statsmodels 方法实现

6.2 两样本t检验

6.2.1 scipy 方法实现

6.2.2 statsmodels 方法实现

6.3 配对t检验

---

一、为什么要使用假设性检验？

假设检验是一个工具，能够穿越复杂的现象，得到一个靠谱的结论。

比如去医院检查身体，医生会先假设这个人没有病，然后通过一系列检查，看看能不能找到患者的症状。

二、假设检验基础原理与使用条件

1、概率分布是假设检验的基础：对于很多复杂的随机事件，需要把随机事件的概率分布图拿出来，并根据在图中位置确定P值的大小。只有这样，才能和显著性水平比较，才能判断H0能不能被推翻。假设检验是基于概率的反证法，而要用概率的反证法，就要用到概率分布。

2、假设检验的原理：是如果能够证明一个结论发生的概率特别小，我们就可以推翻这个结论，接受和它相反的结论，这个推论的过程就叫“假设检验”。

3、适用条件：

        1）独立性：各观察值间相互独立，不能相互影响

        2）正态性：理论上要求样本取自正态总体

        3）方差齐性：两样本所对应的总体方差相等

三、怎么使用？

3.1 假设检验的步骤

1、H0(零假设)和H1（备择假设）

这是一对假设，只要互相对立就行，一般情况H0是会被拒绝的假设。

2、计算P值

就是在H0这个假设下，当前现象以及更加极端现象出现的概率。如果P值特别大，我们就不能推翻H0这个假设，更不能去相信H1；而如果P值特别小，就可以认为H0几乎不可能发生，转而去相信H1。

p值得计算中，有单侧和双侧两种

双侧检验：不知道样本所在总体和假定总体的相应指标谁高谁低。得到拒绝结论更困难，因此相应的结果也更稳妥。

单侧检验：在专业上可知所在总体的相应指标不可能更高/更低于假定总体值。

3、确认显著性水平

就是是否推翻H0的边界，一般使用5%，即只要P值小于5%，就推翻H0,相信H1;如果P值大于5%,就没有办法推翻H0。

3.2 常见的统计量

1、z统计量：

2、t 统计量

3、卡方统计量

4、F统计量