java 假设检验_假设检验（Hypothesis Testing）

假设检验的定义

假设检验：先对总体参数提出某种假设，然后利用样本数据判断假设是否成立。在逻辑上，假设检验采用了反证法，即先提出假设，再通过适当的统计学方法证明这个假设基本不可能是真的。(说“基本”是因为统计得出的结果来自于随机样本，结论不可能是绝对的，所以我们只能根据概率上的一些依据进行相关的判断。)

假设检验依据的是小概率思想，即小概率事件在一次试验中基本上不会发生。

如果样本数据拒绝该假设，那么我们说该假设检验结果具有统计显著性。一项检验结果在统计上是“显著的”，意思是指样本和总体之间的差别不是由于抽样误差或偶然而造成的。

假设检验的术语

零假设(null hypothesis)：是试验者想收集证据予以反对的假设，也称为原假设，通常记为 H0。

例如：零假设是测试版本的指标均值小于等于原始版本的指标均值。

备择假设(alternative hypothesis)：是试验者想收集证据予以支持的假设，通常记为H1或 Ha。

例如：备择假设是测试版本的指标均值大于原始版本的指标均值。

双尾检验(two-tailed test)：如果备择假设没有特定的方向性，并含有符号“≠”，这样的检验称为双尾检验。

例如：零假设是测试版本的指标均值等于原始版本的指标均值，备择假设是测试版本的指标均值不等于原始版本的指标均值。

单尾检验(one-tailed test)：如果备择假设具有特定的方向性，并含有符号 “>” 或 “

例如：零假设是测试版本的指标均值小于等于原始版本的指标均值，备择假设是测试版本的指标均值大于原始版本的指标均值。

检验统计量(test statistic)：用于假设检验计算的统计量。

例如：Z值、t值、F值、卡方值。

显著性水平(level of significance)：当零假设为真时，错误拒绝零假设的临界概率，即犯第一类错误的最大概率，用α表示。

例如：在5%的显著性水平下，样本数据拒绝原假设。

置信度(confidence level)：置信区间包含总体参数的确信程度，即1-α。

例如：95%的置信度表明有95%的确信度相信置信区间包含总体参数(假设进行100次抽样，有95次计算出的置信区间包含总体参数)。

置信区间(confidence interval)：包含总体参数的随机区间。

功效(power)：正确拒绝零假设的概率，即1-β。当检验结果是不能拒绝零假设，人们又需要进行决策时，需要关注功效。功效越大，犯第二类错误的可能性越小。

临界值(critical value)：与检验统计量的具体值进行比较的值。是在概率密度分布图上的分位数。这个分位数在实际计算中比较麻烦，它需要对数据分布的密度函数积分来获得。

临界区域(critical region)：拒绝原假设的检验统计量的取值范围，也称为拒绝域(rejection region)，是由一组临界值组成的区域。如果检验统计量在拒绝域内，那么我们拒绝原假设。