lecture 7：认识参数假设检验

参数检验总览

假设检验可以建立批判思维，切忌盲目追寻他人的观点。在各个领域都应用广泛，例如管理研究中都会假设某个推理，然后通过一系列结论去证明这个推断是否成立，如果不显著，则接受原假设；若显著，则接受原假设的反面推断。

我认为的步骤是：

1. 明确数据的分布情况。
2. 假设检验的类型（均值 / 方差 、系数等林林总总的假设检验）。
3. 明确原假设 $H0$ 是什么？有的同学只知道 $P$ 值大小，却不清楚原假设是什么，那么怎么判断得出结论呢？
4. 计算相应的统计量（比如 $Z,T,\chi 2,F$ 值）。
5. 根据$Z,T,\chi 2,F$ 值，查询对照表格，得到 $P$ 值。
6. 当 $P<=\alpha$ 时，拒绝零假设，接受备选假设 $H1$ ;
   $P>\alpha$ 时，接受零假设 $H0$ 。（ $\alpha$ 一般取值为 1%、5%、10% 等显著性水平。 ）



几个概念的区别

       置信区间：代表“总体参数位于两个极限之间”这一结果的具有的可信程度
      置信水平：总体参数位于置信区间的概率
      显著性水平：反映数值位于某个极限以外的概率，一般为5%

Python实现：

假设检验用到的Python工具包

1. Statsmodels是Python中，用于实现统计建模和计量经济学的工具包，主要包括描述统计、统计模型估计和统计推断 。
2. Scipy是一个数学、科学和工程计算Python工具包，主要包括统计,优化,整合,线性代数等等与科学计算有关的包。

A1：单样本均值检验（P59）

T统计量如下：

$$T_{n-1}=\frac{\bar{x}-\mu }{\frac{s}{\sqrt{n}}}$$

不调用函数，手写算法

import numpy as np
import pandas as pd
from scipy import stats

df=pd.DataFrame()
df=pd.DataFrame(pd.read_excel("d://myfolder//al4-1.xls"))
x=np.array(df['sale'])
mu=500
mean_x=np.mean(x)
n=len(x)
s=np.std(x)
t_value=(mean_x-500)/(s/np.sqrt(n))
p_value = stats.t.sf(np.abs(t_value),df=n-1 )*2  # two-sided pvalue = Prob(abs(t)>t_value)
print( 't-statistic = %6.3f pvalue = %6.4f' % (t_value, p_value))

t-statistic = 0.853 pvalue = 0.4045

A2：两个独立样本均值差异检验（P60）

首先要确定：这两个样本的方差是否相等，即方差齐性检验。在方差相等或者不相等的两种情况下，科学家构造的用于检验的 统计量有些许的差异，所以严格得讲，我们在做检验之前，要做这个方差齐性检验 可以参考：方差齐性检验python实现

stat,p=stats.levene(x,y)
print(stat,p)

1.6473539407671143     0.20311954062720247

由上面的结果可知，两组数据的方差可以认为相等（没有拒绝原假设）。

A2–1 两组数据的总体方差未知，但是方差相等。

T统计量如下：

$$T_{n_1+n_2}$$