菜单
×
   ❮   
HTML CSS JAVASCRIPT SQL PYTHON JAVA PHP HOW TO W3.CSS C C++ C# BOOTSTRAP REACT MYSQL JQUERY EXCEL XML DJANGO NUMPY PANDAS NODEJS R TYPESCRIPT ANGULAR GIT POSTGRESQL MONGODB ASP AI GO KOTLIN SASS VUE DSA GEN AI SCIPY AWS CYBERSECURITY DATA SCIENCE
     ❯   

统计 - 假设检验


假设检验是一种正式的方法,用于检查关于某个总体的假设是否真实。


假设检验

假设是对总体参数的声称。

假设检验是一种正式程序,用于检查假设是否真实。

可检验声称的示例

丹麦人的平均身高高于 170 厘米。

澳大利亚左撇子人的比例是 10%。

牙医的平均收入低于律师的平均收入。


原假设和备择假设

假设检验基于对总体参数提出两个不同的声称。

原假设 (\(H_{0} \)) 和备择假设 (\(H_{1}\)) 是这些声称。

这两个声称必须互斥,这意味着只有一个声称可以为真。

备择假设通常是我们试图证明的。

例如,我们要检查以下声称

“丹麦人的平均身高高于 170 厘米。”

在这种情况下,参数是丹麦人的平均身高 (\(\mu\))。

原假设和备择假设将是

原假设:丹麦人的平均身高 170 厘米。

备择假设:丹麦人的平均身高高于 170 厘米。

这些声称通常用符号表示,如下所示

\(H_{0}\): \(\mu = 170 \: cm \)

\(H_{1}\): \(\mu > 170 \: cm \)

如果数据支持备择假设,我们拒绝零假设并接受备择假设。

如果数据不支持备择假设,我们则保留原假设。

注意:备择假设也称为 (\(H_{A} \))。


显著性水平

显著性水平 (\(\alpha\)) 是我们在假设检验中拒绝原假设时所接受的不确定性

显著性水平是意外做出错误结论的百分比概率。

典型的显著性水平是

  • \(\alpha = 0.1\) (10%)
  • \(\alpha = 0.05\) (5%)
  • \(\alpha = 0.01\) (1%)

较低的显著性水平意味着数据中的证据需要更强才能拒绝零假设。

没有“正确”的显著性水平——它只说明了结论的不确定性。

注意:5% 的显著性水平意味着当我们拒绝一个零假设时

我们预计在 100 次中会拒绝 5 次真实的零假设。



检验统计量

检验统计量用于决定假设检验的结果。

检验统计量是根据样本计算出的标准化值。

标准化是指将统计量转换为一个众所周知的概率分布

概率分布的类型取决于检验的类型。

常见的例子是

注意:您将在接下来的章节中学习如何计算每种类型检验的检验统计量。


临界值和 P 值方法

假设检验主要有两种方法

  • 临界值方法将检验统计量与显著性水平的临界值进行比较。
  • P 值方法将检验统计量的 P 值与显著性水平进行比较。

临界值方法

临界值方法检查检验统计量是否在拒绝域内。

拒绝域是分布尾部的概率区域。

拒绝域的大小由显著性水平 (\(\alpha\)) 决定。

分隔拒绝域与其他区域的值称为临界值

以下是图形说明

Graph of T-Distribution for right-tailed test, rejection region (alpha), critical value, and test statistic in the rejection area.

如果检验统计量此拒绝域内,则拒绝原假设。

例如,如果检验统计量为 2.3,临界值为 2,显著性水平为 (\(\alpha = 0.05\))

我们在 0.05 的显著性水平 (\(\alpha\)) 下拒绝原假设 (\(H_{0} \))。

P 值方法

P 值方法检查检验统计量的 P 值是否小于显著性水平 (\(\alpha\))。

检验统计量的 P 值是分布尾部从检验统计量值开始的概率区域。

以下是图形说明

Graphs of T-Distributions for right-tailed test with tail area (alpha), and tail area equal to p-value of test statistic.

如果 P 值小于显著性水平,则拒绝原假设。

P 值直接告诉我们最低显著性水平,在该水平下我们可以拒绝原假设。

例如,如果 P 值为 0.03

我们在 0.05 的显著性水平 (\(\alpha\)) 下拒绝原假设 (\(H_{0} \))。

我们在 0.01 的显著性水平 (\(\alpha\)) 下保留原假设 (\(H_{0}\))。

注意:这两种方法只是在呈现结论的方式上有所不同。


假设检验步骤

假设检验使用以下步骤

  1. 检查条件
  2. 定义断言
  3. 确定显著性水平
  4. 计算检验统计量
  5. 结论

一个条件是样本是随机抽取自总体的。

其他条件取决于您要检验假设的参数类型。

用于检验假设的常见参数有

  • 比例(定性数据)
  • 均值(数值数据)

您将在接下来的页面中学习这两种类型的步骤。


×

联系销售

如果您想将 W3Schools 服务用于教育机构、团队或企业,请发送电子邮件给我们
sales@w3schools.com

报告错误

如果您想报告错误,或想提出建议,请发送电子邮件给我们
help@w3schools.com

W3Schools 经过优化,旨在方便学习和培训。示例可能经过简化,以提高阅读和学习体验。教程、参考资料和示例会不断审查,以避免错误,但我们无法保证所有内容的完全正确性。使用 W3Schools 即表示您已阅读并接受我们的使用条款Cookie 和隐私政策

版权所有 1999-2024 Refsnes Data。保留所有权利。W3Schools 由 W3.CSS 提供支持