『壹』 什麼是「議論文的假設分析法」
你好！很高興能夠幫到你。
議論文：就是對這個問題有2種不同的看法，例：對於秦始皇好底是個明君還是個暴君？這就是個議論文。
假設分析法：就是當它符合一種情況時，會有什麼結論。例：秦始皇是明君，就拿一些例子，如修長城呀，來證明它。暴君就用焚出坑儒來證明。
議論文的假設分析法：意思是遇到結果不清析，有多種不同意見時，用結論來證明你的那種說法。
『貳』 如何驗證假設
統計學中假設檢驗的基本步驟：1.建立假設,確定檢驗水準α假設有零假設（H0）和備擇假設（H1）兩個,零假設又叫作無效假設或檢驗假設.H0和H1的關系是互相對立的,如果拒絕H0,就要接受H1,根據備擇假設不同,假設檢驗有單、雙側檢驗兩種.檢驗水準用α表示,通常取0.05或0.10,檢驗水準說明了該檢驗犯第一類錯誤的概率.
2.根據研究目的和設計類型選擇適合的檢驗方法這里的檢驗方法,是指參數檢驗方法,有u檢驗、t檢驗和方差分析三種,對應於不同的檢驗公式.對雙樣本資料,要注意區分成組設計和配對設計的資料類型.如果資料里有"配成對子"字樣,或者是對同一對象用兩種方法來處理,一般就可以判定是配對設計資料.
3.確定P值並作出統計結論u檢驗得到的是u統計量或稱u值,t檢驗得到的是t統計量或稱t值.方差分析得到的是F統計量或稱F值.將求得的統計量絕對值與界值相比,可以確定P值.
『叄』 總結！14個常用的統計假設檢驗的方法
本文分享利用SPSSAU進行14個常用的統計假設檢驗的方法，分為以下五個部分：
一、正態性檢驗
正態性特質是很多分析方法的基礎前提，如果不滿足正態性特質，則應該選擇其它的分析方法，因此在做某些分析時，需要先進行正態性檢驗。如果樣本量大於50，則應該使用Kolmogorov-Smirnov檢驗結果，反之則使用Shapro-Wilk檢驗的結果。
常見的分析方法正態性特質要求歸納如下表（包括分析方法，以及需要滿足正態性的分析項，如果不滿足時應該使用的分析方法）。
如果p 值大於0.05，則說明具有正態性特質，反之則說明數據沒有正態性特質。
如果是問卷研究，數據很難滿足正態性特質，而實際研究中卻也很少使用不滿足正態性分析時的分析方法。
SPSSAU認為有以下三點原因：
① 參數檢驗的檢驗效能高於非參數檢驗，比如方差分析為參數檢驗，所以很多時候即使數據不滿足正態性要求也使用方差分析
② 如果使用非參數檢驗，呈現出差異性，則需要對比具體對比差異性（但是非參數檢驗的差異性不能直接用平均值描述，這與實際分析需求相悖，因此有時即使數據不正態，也不使用非參數檢驗，或者Spearman相關系數等）
③ 理想狀態下數據會呈現出正態性特質，但這僅會出現在理想狀態，現實中的數據很難出現正態性特質（尤其是比如問卷數據）【可直接使用「直方圖」直觀展示數據正態性情況】。
二、方差齊檢驗
如果要進行方差分析，需要滿足方差齊性的前提條件，需要進行方差齊檢驗，其用於分析不同定類數據組別對定量數據時的波動情況是否一致。例如研究人員想知道三組學生的智商 波動情況是否一致（通常情況希望波動一致，即方差齊）。
判斷p 值是否呈現出顯著性(p <0.05),如果呈現出顯著性,則說明不同組別數據波動不一致，即說明方差不齊；反之p 值沒有呈現出顯著性（p >0.05）則說明方差齊。
提示： 方差不齊時可使用『非參數檢驗』，或者還可使用welch 方差，或者Brown-Forsythe方差。
三、相關性檢驗
（1）相關分析
相關分析是一種簡單易行的測量定量數據之間的關系情況的分析方法。可以分析包括變數間的關系情況以及關系強弱程度等。相關系數常見有三類，分別是：
1.Pearson相關系數
2.Spearman等級相關系數
3.Kendall相關系數
三種相關系數最常使用的是Pearson相關系數；當數據不滿足正態性時，則使用Spearman相關系數，Kendall相關系數用於判斷數據一致性，比如裁判打分。下圖是詳細使用場景：
如果呈現出顯著性（結果右上角有*號，此時說明有關系；反之則沒有關系）。
有了關系之後，關系的緊密程度直接看相關系數大小即可。（一般0.7以上說明關系非常緊密；0.4~0.7之間說明關系緊密；0.2~0.4說明關系一般。）
如果說相關系數值小於0.2，但是依然呈現出顯著性（右上角有*號，1個*號叫0.05水平顯著，2個*號叫0.01水平顯著；顯著是指相關系數的出現具有統計學意義普遍存在的，而不是偶然出現），說明關系較弱，但依然是有相關關系。
（2）卡方檢驗
卡方檢驗主要用於研究定類與定類數據之間的差異關系。卡方檢驗要求X、Y項均為定類數據，即數字大小代表分類。並且卡方檢驗需要使用卡方值和對應p 值去判斷X與Y之間是否有差異。通常情況下，共有三種卡方值，分別是Pearson卡方，yates校正卡方，Fisher卡方；優先使用Pearson卡方，其次為yates校正卡方，最後為Fisher卡方。
具體應該使用Pearson卡方，yates校正卡方，也或者Fisher卡方；需要結合X和Y的類別個數，校本量，以及期望頻數格子分布情況等，選擇最終應該使用的卡方值。SPSSAU已經智能化處理這一選擇過程。
第一：分析X分別與Y之間是否呈現出顯著性(p值小於0.05或0.01)；
第二：如果呈現出顯著性；具體對比選擇百分比(括弧內值)，描述具體差異所在；
第三：對分析進行總結。
卡方檢驗，SPSSAU提供兩個按鈕，二者的區別是，後者輸出更多的統計量過程值以及深入指標表格，滿足需要更多分析指標的研究人員，如下各圖。
進行卡方檢驗，上傳數據時需要特別注意數據格式，有兩種格式：常規格式和加權格式。
① 常規格式數據 ，如下圖。則通用方法中的【交叉（卡方）】和實驗/醫學研究中的【卡方檢驗】都可以使用。
② 加權數據： 但在某些情況下，我們得到的不是原始數據，而是經過整理的匯總統計數據。比如下面這樣格式的數據：
類似這樣的格式，不能直接使用的，需要整理成加權數據格式，只能使用實驗/醫學研究中的【卡方檢驗】
這時候點擊實驗/醫學研究面板中的【卡方檢驗】-拖拽三個【分析變數】分別到對應分析框-【開始分析】即可。
四、參數檢驗
（1） 單樣本t檢驗
單樣本T檢驗用於比較樣本數據與一個特定數值之間是否存在差異情況。
首先判斷p 值是否呈現出顯著性,如果呈現出顯著性,則分析項明顯不等於設定數字,具體差異可通過平均值進行對比判斷。
（2）獨立樣本T檢驗（T檢驗）
獨立樣本T檢驗用於分析定類數據（X）與定量數據（Y）之間的差異情況。
獨立樣本T檢驗除了需要服從正態分布、還要求兩組樣本的總體方差相等。當數據不服從正態分布或方差不齊時，則考慮使用非參數檢驗。
首先判斷p 值是否呈現出顯著性,如果呈現出顯著性,則說明兩組數據具有顯著性差異,具體差異可通過平均值進行對比判斷。
（3）配對樣本T檢驗
用於分析配對定量數據之間的差異對比關系。與獨立樣本t檢驗相比，配對樣本T檢驗要求樣本是配對的。兩個樣本的樣本量要相同；樣本先後的順序是一一對應的。
常見的配對研究包括幾種情況：
判斷p 值是否呈現出顯著性，如果呈現出顯著性，，則說明配對數據具有顯著性差異，具體差異可通過平均值進行對比判斷。
（4）方差分析
方差分析(單因素方差分析),用於分析定類數據與定量數據之間的關系情況.例如研究人員想知道三組學生的智商平均值是否有顯著差異。
進行方差分析需要數據滿足以下兩個基本前提：
理論上講，數據必須滿足以上兩個條件才能進行方差分析，如不滿足，則使用非參數檢驗。但現實研究中，數據多數情況下無法到達理想狀態。正態性檢驗要求嚴格通常無法滿足，實際研究中，若峰度絕對值小於10並且偏度絕對值小於3，或正態圖基本上呈現出 鍾形 ，則說明數據雖然不是絕對正態，但基本可接受為正態分布，此時也可使用方差分析進行分析。
第一：分析X與Y之間是否呈現出顯著性(p值小於0.05或0.01)。
第二：如果呈現出顯著性；通過具體對比平均值大小，描述具體差異所在。
第三：如果沒有呈現出顯著性；說明X不同組別下，Y沒有差異。
（5）重復測量方差
在某些實驗研究中，常常需要考慮時間因素對實驗的影響，當需要對同一觀察單位在不同時間重復進行多次測量，每個樣本的測量數據之間存在相關性，因而不能簡單的使用方差分析進行研究，而需要使用重復測量方差分析。
第一、首先進行球形度檢驗，p <0.05說明沒有通過球形度檢驗，p >0.05說明通過球形度檢驗；
第二、如果沒有通過球形度檢驗，並且球形度W值大於0.75，則使用HF校正結果；
第三、如果沒有通過球形度檢驗，並且球形度W值小於0.75，則使用GG校正結果；
第四、如果通過球形度檢驗，組內效應分析結果時使用「滿足球形度檢驗」結果即可；
將數據上傳至SPSSAU分析，選擇【實驗/醫學研究】--【重復測量方差】。
五、非參數檢驗
凡是在分析過程中不涉及總體分布參數的檢驗方法，都可以稱為「非參數檢驗」。因而，與參數檢驗一樣，非參數檢驗包括許多方法。以下是最常見的非參數檢驗及其對應的參數檢驗對應方法：
非參數秩和檢驗研究X不同組別時Y的差異性，針對方差不齊，或者非正態性數據（Y）進行差異性對比（X為兩組時使用mannWhitney檢驗，X超過兩組時使用Kruskal-Wallis檢驗，系統默認進行判斷）；
（1）單樣本Wilcoxon檢驗
單樣本Wilcoxon檢驗是單樣本t檢驗的代替方法。該檢驗用於檢驗數據是否與某數字有明顯的區別，如對比調查對象整體態度與滿意程度之間的差異。首先需要判斷數據是否呈現出正態性分析特質，如果數據呈現出正態性特質，此時應該使用單樣本t檢驗進行檢驗；如果數據沒有呈現出正態性特質，此時應該使用單樣本Wilcoxon檢驗
首先判斷p 值是否呈現出顯著性,如果呈現出顯著性,則分析項明顯不等於設定數字,具體差異可通過中位數進行對比判斷。
（2）Mann-Whitney檢驗
Mann-Whitney檢驗是獨立樣本t檢驗的非參數版本。該檢驗主要處理包含等級數據的兩個獨立樣本，SPSSAU中稱為非參數檢驗。
第一：分析X與Y之間是否呈現出顯著性(p值小於0.05或0.01)。
第二：如果呈現出顯著性；通過具體對比中位數大小，描述具體差異情況。
（3）Kruskal-Wallis檢驗
Kruskal-Wallis檢驗是單因素方差分析的非參數替代方法。Kruskal-Wallis檢驗用於比較兩個以上獨立組的等級數據。
在SPSSAU中，與Mann-Whitney檢驗統稱為「非參數檢驗」,分析時SPSSAU會根據自變數組別數自動選擇使用Kruskal-Wallis檢驗或Mann-Whitney檢驗。
（4）配對Wilcoxon檢驗
Wilcoxon符號秩檢驗是配對樣本t檢驗的非參數對應方法。該檢驗將兩個相關樣本與等級數據進行比較。
第一：分析每組配對項之間是否呈現出顯著性差異(p值小於0.05或0.01)。
第二：如果呈現出顯著性；具體對比中位數(或差值)大小，描述具體差異所在。
『肆』 常見的分析方法之競爭性假設
競爭性假設（ACH）是基於認知心理學、決策分析及其他科學方法的重要成果而形成的一種八個步驟分析法，即：
（1）確定假設。召集持不同看法的分析人員集體討論並確定所有可能存在的假設。
（2）列出證據。做一個重要的證據和對每一種假說和參數列表。
（3）製作矩陣圖。考察證據的診斷價值，分析的證據和論據的「診斷性」，也就是說，確定哪些項目是在判斷假設的相對可能性，識別最有用的價值。
（4）改進矩陣。考慮假設和刪除證據和論據，刪除沒有用的診斷價值。
（5）質疑假設。分析每個假設的相對可能性的初步結論，繼續試圖推翻的假設，而不是證明他們。
（6）質疑證據。分析初步結論，對少數重要證據的依賴程度進行思考，如果證據錯誤會出現什麼情況。
（7）報告結論。討論所有的假設，不只是最有可能的相對可能性。
（8）找出逆向指標，以供日後觀測。
案例鏈接：
1、競爭情報分析研究中的新方法： https://doc.mbalib.com/view/.html
2、情報分析中競爭假設分析法的優化研究： http://www.docin.com/p-1644500767.html
3、淺析競爭性假設分析法在邊防情報分析中的應用： https://doc.mbalib.com/view/.html