假设检验概述

CyletixGPT-4GPT-6

假设检验是一种统计方法，用于在给定抽样模型和错误率控制下，判断数据是否提供拒绝总体原假设的证据。

步骤

提出假设

原假设（ $H_0$ ）：通常表示没有差异或效果。比如，某药物对疾病没有影响。
备择假设（ $H_1$ ）：表示存在差异或效果。比如，某药物对疾病有影响。

选择显著性水平（ $\alpha$ ）

这是一个预定的阈值，用于决定是否拒绝原假设。常用的显著性水平有0.05、0.01等。

选择适当的检验统计量

根据数据类型和假设，选择合适的统计量，如 t检验、z检验、 $\chi^2$ 检验等。

计算检验统计量和p值

从样本数据中计算检验统计量，然后计算该统计量对应的p值。

做出决策

比较p值与显著性水平 $\alpha$ 。
如果 $p \leq \alpha$ ，拒绝原假设 $H_0$ 。
如果 $p > \alpha$ ，不拒绝原假设 $H_0$ 。

假设如何选择

在统计检验中，假设的选择遵循以下逻辑：

零假设（H₀）

零假设通常表示“没有效果”或“没有差异”的情况，是一个待检验的基本假设。我们假设这个假设为真，然后通过统计检验来验证这个假设是否可以被拒绝。零假设作为默认假设，提供了一个标准来衡量数据是否显示出显著的变化。如果数据未能提供足够证据拒绝零假设，我们便保留零假设。

备择假设（H₁）

备择假设表示与零假设相反的假设，通常是我们希望证明的假设。它表示存在某种效应或差异。拒绝原假设可视为对备择方向的统计证据，但仍有误拒绝的可能，不能理解为证明备择为真。它代表了我们通过数据所希望验证的研究命题。如果测量值与期望结果显著不同，则拒绝零假设。

如何判断使用何种分布？

样本量大小

样本量本身不能决定参考分布；不存在通用的 30 分界。
正态独立样本且总体标准差已知时，标准化均值有精确正态分布；标准差未知而用样本标准差时有精确 t 分布，均不限于小样本。

检验类型

如果是均值的检验，用t分布或正态分布。
如果是方差检验或频数检验，用 $\chi^2$ 分布。

已知信息

正态总体均值问题中，已知或未知的是总体标准差；其他参数是否已知不会自动决定使用正态或 t 分布。
非正态数据需要检验中心极限定理等近似条件，相关数据还需调整标准误。

使用t分布的条件

样本来自正态分布
样本相互独立， $n\ge2$ ，总体方差为正；样本量大也可用精确 t 检验。
总体标准差未知且样本标准差用作估计。

使用 $\chi^2$ 分布的条件

检验数据的方差或标准差。
检验数据的独立性或适合度（例如，卡方检验）。
样本数据的频数分析。

正态独立样本的单总体方差统计量有精确卡方分布；分类频数的拟合或独立性检验一般使用渐近卡方分布，还需检查抽样方式、期望频数和自由度，见分布拟合检验。

p值

定义

p值（p-value） 是在假设检验中用于衡量数据与零假设相符程度的一个指标。它表示在假设零假设为真时，得到观测结果或更极端结果的概率。具体来说：

p值是一个概率值，范围在0到1之间。
小p值（通常小于或等于显著性水平 $\alpha$ ）表明观测数据与零假设相矛盾，因此有理由拒绝零假设。
大 p 值表示该检验没有足够证据拒绝零假设，也可能只是检验能力不足。

计算

p值的计算涉及以下步骤：

选择适当的统计检验：根据样本数据类型和假设，选择合适的统计检验方法（如t检验、z检验或 $\chi^2$ 检验）。
计算检验统计量：根据样本数据计算出对应的检验统计量（如t值、z值或 $\chi^2$ 值）。
查找p值：使用统计分布表或统计软件查找检验统计量对应的p值。

解释

如果p值 ≤ $\alpha$ ：
- 数据提供了足够的证据拒绝零假设。
- 结论：观测结果在零假设下发生的概率非常低，因此认为备择假设可能为真。
如果p值 > $\alpha$ ：
- 数据没有提供足够的证据拒绝零假设。
- 结论：没有理由认为零假设不成立，因此保留零假设。

关键点总结

p 值是在原假设及模型成立条件下，同样或更极端检验统计量的尾概率；不是数据与假设相符的概率，也不是原假设为真的概率。
小p值（≤ $\alpha$ ）表明数据显著偏离零假设，从而有理由拒绝零假设。
大 p 值（> $\alpha$ ）只支持本次不拒绝的决策，不证明零假设成立。

通过理解和计算p值，我们可以进行科学的假设检验，在说明模型条件和不确定性的前提下作出拒绝或不拒绝的判断。

示例

假设我们想检验某处理前后的平均测量值是否发生变化，提出以下假设：

原假设（ $H_0$ ）

总体平均变化为零。

备择假设（ $H_1$ ）

总体平均变化不为零（双侧问题，不等同于只检验降低）。

设不同对象的配对差值相互独立且满足正态模型，预先取 $\alpha=0.05$ ，作配对 t 检验。若双侧 p 值为 0.03，则拒绝平均变化为零；仅有前后比较不能排除其他时间因素，不能直接推断处理的因果效应。

关键点

双侧检验与单侧检验

根据假设的方向性选择双侧或单侧检验。双侧检验适用于不确定方向的假设，单侧检验适用于事先确定方向的假设，不能看完数据再挑有利方向。

类型错误

I类错误：错误地拒绝了原假设，即假阳性。
II类错误：原假设为假时没有拒绝它，即假阴性。

功效（Power）

检验的功效是指在指定备择参数下拒绝原假设的概率，功效越高，检验越有效。

链接到当前文件 4