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。