假设检验

首先，我们来看下假设检验的套路：

1.问题是什么？

2.证据是什么？

3.判断标准是什么？

4.做出结论？

 

我们来举个栗子，更好的来说明这个问题。

先明确问题是什么？   

 

比如说有以下这个问题：

问题：顾先生能不能在30岁前赚到100万？

那么就引申出两个互为相反的假设：

零假设：顾先生赚不到

备选假设：顾先生赚得到

零假设和对立假设在逻辑方面是互补的，所以一个为真，另一个一定为假。如果我们能找到足够的证据来说明零假设是错误的，那么就说明备选假设是正确的。

第二步：证据是什么？   

中心极限定理告诉我们，当样本量足够大时，样本均值的分布慢慢变成正态分布，即合理足够多的样本可以代表总体。

所以我们随机调查了顾先生教育背景，双商，专业，财务状况，家庭背景等情况。

根据这些信息，我计算出了在零假设成立的情况下，顾先生赚不到100万的概率。

我们暂定这个概率P=8%

P值就是当原假设为真时，比所得到的样本观察结果更极端的结果出现的概率

这里即为在零假设成立的情况下（顾先生赚不到100万），用样本证据计算顾先生赚不到100万的概率，P=8%。

 

第三步：判断标准   

我们不能说有这个证据，就说顾先生赚不到100万，这样会让他很有挫败感。

所以说我们需要制定一定的标准，来判断顾先生在30岁前能否成为百万富翁。

因为我们制定的零假设是：顾先生赚不到。所以我们制定的标准是如果顾先生赚不到的概率100万的概率<=10%,那么就直接否定了零概率，顾先生赚不到100万不成立。

再翻译下，顾先生赚不到100万的概率<=10%，进而说明顾先生赚得到100万的概率>=90%，所以顾先生还是很有潜力赚到100万的。所以我们可以把零假设（顾先生赚不到100万）给否定了。

这里做出标准的10%，即为显著水平：α

α值：是指第一类错误发生的概率，就是原假设为真的情况下，拒绝了原假设的概率。这是一个值，给定之后，拒绝域也就相应的确定了。

第四步：做出结论   

所以，顾先生到底能不能赚到100万呢？

我们将样本证据计算出的p值与判断标准α比较下就可以了。

我在网上找了张图，大家可以看下

如果p< =α，那么拒绝零假设，也就是备选假设成立。

如果p>α，那么零假设成立。

所以说，α是判断标准，也就是小于这个值就表示零假设不成立。p值在零假设成立前提下，用样本证据得出的概率，在这里表示有样本证据得出顾先生赚不到100万的概率。

通过比较这两个值，我们发现：p远远小于α。

所以，我可以大胆的拒绝零假设。

回到我们一开始提出的假设：如果零假设不成立，那么预备假设成立。

现在样本数据显示零假设不成立，所以预备假设成立，也就是顾先生就能在30岁前赚到100万。

 

接下来我们讲一下其他基础知识：

 

假设检验的类型：

单样本检验（关键单个样本）

目的：检验单个样本的平均值是否等于目标值。

案例（某大学的学生平均身高，是否大于全国的平均身高）

 

相关配对检验（关键词：相关样本）

目的：检验相关或配对的观测值是否等于目标值。

案例（为了检验减肥药是否起作用，随机抽取出20名测试对象，记录每个人服药前和服药后的体重）

 

独立双样本检验（关键词：两个独立的样本）

目的：检验两个独立样本的平均值只差是否等于目标值。

案例（检验哪个版本更适合用户，如微信的深色模式和浅色模式）

 

抽样分布类型：

样本大于30符合中心极限定理，符合正态分布

样本小于30不符合中心极限定理：t分布（或其他）

 

双尾检验，单右尾检验，单左尾检验：

具体来讲，主要参考备选假设：

（1）备选假设中含有≠号，为双侧检验

（2）备选假设中含有>号，则为右侧检验

（3）备选假设中含有<号，则为左侧检验

 

显著程度——效应量（effect size）：

在结论统计显著情况下，进一步确定显著的程度，引入效应量指标

d =（第一组平均值-第二组平均值）/标准差

d=0.2(差异小)

d=0.5(差异中)

d=0.8(差异大)

 

再来总结一遍：

 

问题是什么？

1.零假设，备选假设

2.判断检验类型

3.判断抽样分布类型

4.判断检验方向：双尾检验，单右尾检验，单左尾检验

 

证据是什么？

零假设成立时，得到的样本平均值的概率：P值，以及对应的t值。

 

判断标准是什么？

显著水平α，以及对应的t值。

 

做出结论

如果p< =α，那么拒绝零假设，也就是备选假设成立。

如果p>α，那么零假设成立。

 

注：

    假设检验一般指的是统计是否显著，即为是否有差异性。

    效应量一般指的是效果是否显著，即为差异大小。