如何選擇適當的假設檢定方法

⑴ 如何確定假設檢驗的方法

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。 當α＝0.05時，u值要和u界值1.96相比較，確定P值。如果u＜1.96，則P＞0.05.反之，如u＞1.96，則P＜0.05.t值要和某自由度的t界值相比較，確定P值。如果t值＜t界值，故P＞0.05.反之，如t＞t界值，則P＜0.05。 相同自由度的情況下，單側檢驗的t界值要小於雙側檢驗的t界值，因此有可能出現算得的t值大於單側t界值，而小於雙側t界值的情況，即單側檢驗顯著，雙側檢驗未必就顯著，反之，雙側檢驗顯著，單側檢驗必然會顯著。即單側檢驗更容易出現陽性結論。 當P＞0.05時，接受零假設，認為差異無統計學意義，或者說二者不存在質的區別。當P＜0.05時，拒絕零假設，接受備擇假設，認為差異有統計學意義，也可以理解為二者存在質的區別。但即使檢驗結果是P＜0.01甚至P＜0.001，都不說明差異相差很大，只表示更有把握認為二者存在差異。

⑵ 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.

⑶ 假設檢驗的三種方法

您好。常用的假設檢驗方法有u—檢驗法、t檢驗法、χ2檢驗法(卡方檢驗)、F—檢驗法，秩和檢驗等。

⑷ 統計學假設檢驗有幾種方法具體是什麼

一兩句話說不完:
假設檢驗就是根據樣本，適當構造一個統計量，按照某種規則，決定是接受 H0( 拒絕H1 )還是拒絕 H0( 接受H1 )，所使用的統計量稱為檢驗統計量．
分雙邊檢驗與單邊檢驗.
參考
http://www.ncit.e.cn/yysx/ktz/shuxue/admin/upload/files/8.doc
http://dec3.jlu.e.cn/webcourse/t000133/esource/dzja/p08.ppt

⑸ 如何確定假設檢驗的方法

什麼是假設檢驗：假設檢驗(hypothesis
testing)是數理統計學中根據一定假設條件由樣本推斷總體的一種方法。具體作法是：根據問題的需要對所研究的總體作某種假設，記作h0；選取合適的統計量，這個統計量的選取要使得在假設h0成立時，其分布為已知；由實測的樣本，計算出統計量的值，並根據預先給定的顯著性水平進行檢驗，作出拒絕或接受假設h0的判斷。常用的假設檢驗方法有u—檢驗法、t檢驗法、χ2檢驗法(卡方檢驗)、f—檢驗法，秩和檢驗等。
假設檢驗的基本步驟如下：
1、提出檢驗假設又稱無效假設，符號是h0；備擇假設的符號是h1。
h0：樣本與總體或樣本與樣本間的差異是由抽樣誤差引起的；
h1：樣本與總體或樣本與樣本間存在本質差異；
預先設定的檢驗水準為0.05；當檢驗假設為真，但被錯誤地拒絕的概率，記作α，通常取α=0.05或α=0.01。
2、選定統計方法，由樣本觀察值按相應的公式計算出統計量的大小，如x2值、t值等。根據資料的類型和特點，可分別選用z檢驗，t檢驗，秩和檢驗和卡方檢驗等。
3、根據統計量的大小及其分布確定檢驗假設成立的可能性p的大小並判斷結果。若p>α，結論為按α所取水準不顯著，不拒絕h0，即認為差別很可能是由於抽樣誤差造成的，在統計上不成立；如果p≤α，結論為按所取α水準顯著，拒絕h0，接受h1，則認為此差別不大可能僅由抽樣誤差所致，很可能是實驗因素不同造成的，故在統計上成立。p值的大小一般可通過查閱相應的界值表得到。
教學中的做法:
1.根據實際情況提出原假設和備擇假設；
2.根據假設的特徵，選擇合適的檢驗統計量；
3.根據樣本觀察值，計算檢驗統計量的觀察值(obs)；
4.選擇許容顯著性水平，並根據相應的統計量的統計分布表查出相應的臨界值(ctrit)；
5.根據檢驗統計量觀察值的位置決定原假設取捨。

⑹ 檢驗假設的方法

常用的假設檢驗的方法有以下四種: （1）Z檢驗。Z檢驗常用於總體正態分布、方差已知或獨立大樣本的平均數的顯著性和差異的顯著性檢驗，非正態分布的皮爾森積差相關系數和二列相關系數的顯著性檢驗以及兩個相關系數分別由兩組被試得到的相關系數差異性檢驗等情況。 （2）t檢驗。t檢驗常用於總體正態分布、總體方差未知或獨立小樣本的平均數的顯著性檢驗，平均數差異顯著性檢驗，相關系數由同一組被試取得的相關系數差異顯著性檢驗，非正態分布的皮爾森相關系數的顯著性檢驗等情況。

⑺ 什麼是假設檢驗，假設檢驗的基本步驟

假設檢驗是推論統計中用於檢驗統計假設的一種方法。而「統計假設」是可通過觀察一組隨機變數的模型進行檢驗的科學假說。一旦能估計未知參數，就會希望根據結果對未知的真正參數值做出適當的推論。

假設檢驗基本步驟：

1、提出檢驗假設又稱無效假設，符號是H0；備擇假設的符號是H1。

H0：樣本與總體或樣本與樣本間的差異是由抽樣誤差引起的；

H1：樣本與總體或樣本與樣本間存在本質差異；

預先設定的檢驗水準為0.05；當檢驗假設為真，但被錯誤地拒絕的概率，記作α，通常取α=0.05或α=0.01。

2、選定統計方法，由樣本觀察值按相應的公式計算出統計量的大小，如X2值、t值等。根據資料的類型和特點，可分別選用Z檢驗，T檢驗，秩和檢驗和卡方檢驗等。

3、根據統計量的大小及其分布確定檢驗假設成立的可能性P的大小並判斷結果。若P>α，結論為按α所取水準不顯著，不拒絕H0，即認為差別很可能是由於抽樣誤差造成的，在統計上不成立。

如果P≤α，結論為按所取α水準顯著，拒絕H0，接受H1，則認為此差別不大可能僅由抽樣誤差所致，很可能是實驗因素不同造成的，故在統計上成立。P值的大小一般可通過查閱相應的界值表得到。

教學中的做法:

1.根據實際情況提出原假設和備擇假設；

2.根據假設的特徵，選擇合適的檢驗統計量；

3.根據樣本觀察值，計算檢驗統計量的觀察值(obs)；

4.選擇許容顯著性水平，並根據相應的統計量的統計分布表查出相應的臨界值(ctrit)；

5.根據檢驗統計量觀察值的位置決定原假設取捨。

(7)如何選擇適當的假設檢定方法擴展閱讀：

假設檢驗注意的問題：

1、做假設檢驗之前，應注意資料本身是否有可比性。

2、當差別有統計學意義時應注意這樣的差別在實際應用中有無意義。

3、根據資料類型和特點選用正確的假設檢驗方法。

4、根據專業及經驗確定是選用單側檢驗還是雙側檢驗。

5、當檢驗結果為拒絕無效假設時，應注意有發生I類錯誤的可能性，即錯誤地拒絕了本身成立的H0，發生這種錯誤的可能性預先是知道的，即檢驗水準那麼大。

當檢驗結果為不拒絕無效假設時，應注意有發生II類錯誤的可能性，即仍有可能錯誤地接受了本身就不成立的H0，發生這種錯誤的可能性預先是不知道的，但與樣本含量和I類錯誤的大小有關系。

6、判斷結論時不能絕對化，應注意無論接受或拒絕檢驗假設，都有判斷錯誤的可能性。

7、報告結論時是應注意說明所用的統計量，檢驗的單雙側及P值的確切范圍。

⑻ 如何確定假設檢驗的方法

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。

當α＝0.05時，u值要和u界值1.96相比較，確定P值。如果u＜1.96，則P＞0.05.反之，如u＞1.96，則P＜0.05.t值要和某自由度的t界值相比較，確定P值。如果t值＜t界值，故P＞0.05.反之，如t＞t界值，則P＜0.05。

相同自由度的情況下，單側檢驗的t界值要小於雙側檢驗的t界值，因此有可能出現算得的t值大於單側t界值，而小於雙側t界值的情況，即單側檢驗顯著，雙側檢驗未必就顯著，反之，雙側檢驗顯著，單側檢驗必然會顯著。即單側檢驗更容易出現陽性結論。

當P＞0.05時，接受零假設，認為差異無統計學意義，或者說二者不存在質的區別。當P＜0.05時，拒絕零假設，接受備擇假設，認為差異有統計學意義，也可以理解為二者存在質的區別。但即使檢驗結果是P＜0.01甚至P＜0.001，都不說明差異相差很大，只表示更有把握認為二者存在差異。

⑼ 假設檢驗的思想和步驟

假設檢驗的基本思想是小概率反證法思想。基本依據是「小概率原理」. 所謂小概率原理就是:概率很小的隨機事件在一次試驗中一般不會發生. 根據這一原理,我們從H0 出發,在一定的顯著性水平α下,從總體中抽取一個子樣進行檢驗,在H0 成立的條件下,若發現「相應統計量(即隨機變數) 取到此子樣代入統計量後的值」是一個小概率事件,亦即小概率事件在一次試驗中發生了,這與「小概率原理」矛盾,所以,此時就拒絕H0 並接受H1 ;反之,就只有被迫接受H0 .

假設檢驗的一般步驟
1) 根據實際問題提出原假設H0與備選假設H1，即說明需要檢驗的假設的具體內容；
2) 選擇適當的檢驗統計量，並在原假設H0成立的條件下確定該統計量的分布及原H0的拒絕域的形式；
3) 按問題的具體要求，選取適當的顯著性水平α，並根據統計量的分布查表，確定對應於α的臨界值，求出H0的拒絕域；

我真無聊，竟然來回答數學問題 o(╯□╰)o

⑽ 簡述假設檢驗的步驟

一、假設檢驗的基本思想與步驟
如何被統計學家費舍爾提出：奶茶先加茶和先加奶的口味是不同的。於是科學家有一個原假設：該女士不具備區分奶茶與茶奶的能力。假設檢驗的基本思想就是小概率事件不會發生，當小概率事件發生時，我們更傾向認為原假設是錯誤。引入問題：某牛奶生產商在其一份研究報告中聲稱「中國人的平均身高不高於160 厘米，因而必須喝牛奶」假設所有國人的平均身高服從正態分布N(μ，)，如何檢驗牛奶商關於身高的聲稱是否成立？
（一） 估計與假設檢驗的區別
上面不是一個參數估計的問題，必須採用假設檢驗的方法。假設檢驗（hypothesis testing）與參數估計（estimation）的思想是不同的。參數估計是指利用抽樣數據對總體參數進行直接估計，並得出總體參數的具體估計值；而假設檢驗則分為假設與檢驗兩步，先形成一個對總體參數的假設，然後再利用抽樣數據判斷這個假設是否成立。
上題中，參數估計是通過抽樣調查部分中國人身高，計算出樣本均值，並以此估計全國人的平均身高μ；而假設檢驗則是先形成一個命題如：「中國人的平均身高μ不高於160 厘米」，然後通過抽樣數據判斷該命題是否成立。
（二） 假設檢驗的基本思想
基本思想是「小概率事件不會發生」。假設抽樣了一萬人發現平均身高是180，，基本可以判斷前述是錯誤的命題。然而如果發現均值是161時那麼結論就沒那麼顯然了，就必須利用到概率分布與顯著性相關的信息。
（三） 假設檢驗的步驟
（1） 建立需檢驗的假設
（2） 選擇合適的檢驗統計量，並確定其服從的概率分布
（3） 選擇判斷假設是否成立的顯著性水平
（4） 給出決策准則（decision rule），即拒絕域的形式
（5） 收集數據，並計算檢驗統計量
（6） 做出判斷
（7） 根據判斷進行投資決策
二、假設檢驗的相關概念
（一）原假設（Null Hypothesis）與備擇假設（Alternative Hypothesis）
假設檢驗的第一步就是建立假設。通常將被檢驗的假設稱為原假設（null hypothesis），記為；當被拒絕時而接受的假設稱為備擇假設，記為或.原假設與備擇假設通常成對出現。身高問題中原假設與備擇假設可以用如下方式表示：

假設檢驗一般有兩種結果：第一種是原假設「不正確」，稱為拒絕（reject）原假設；第二種是原假設「正確」，稱為無法拒絕（can not reject）原假設。
在建立原假設與備擇假設時，有幾個細節要注意：
（1） 當原假設「正確」時，一般稱「無法拒絕原假設」而不是「接受原假設」，這是因為此時原假設並不是數學意義上的恆成立，而只是統計意義上的成立。
（2） 如果假設涉及不等式時，習慣將等號放在原假設
（3） 在構建原假設備擇假設時，習慣將想要得到的結論放在備擇假設
（二）檢驗統計量（Test Statistic）及其分布
在抽樣樣本檢驗原假設通常是通過一個統計量來完成的，這個統計量稱為檢驗統計量（test statistic）。檢驗統計量通常服從某個概率分布，於是可以通過計算檢驗統計量是否超過某一關鍵值來判斷是否拒絕原假設。在本書中，檢驗統計量通常以公式的形式出現：

（11.1）

如身高問題中，檢驗統計量就可以通過樣本均值來構建。由中心極限定理，服從正態分布N(μ，/n)，按照（11.1）標准化後就服從標准正態分布。
（三）顯著性水平（Significance Level）與關鍵值（Critical Value）
有了檢驗統計量後，結合顯著性水平就可以計算出關鍵值（Critical Value）及其拒絕域（rejection region）。關鍵值是判斷是否拒絕原假設的臨界值。拒絕域是由原假設被拒絕的樣本觀測值所組成的區域。
在例題中，假設顯著性水平為5%，的標准化後服從標准正態分布，那麼檢驗統計量的關鍵值就是1.65？
根據正態分布95%置信區間對應的標准差不是1.96倍標准差嗎？為啥是1.65而不是1.96，是正數而不是負數？需要涉及單尾檢驗與雙尾檢驗。
（四） 雙尾檢驗（Two-Tailed Test）與單尾檢驗（One-Tailed Test）
假設檢驗通常有三種基本形式：

其中，θ表示總體參數，θ0表示當成立時總體參數的取值。
第一種形式稱為雙尾檢驗，第二種與第三種形式稱為單尾檢驗。無論是單尾還是雙尾檢驗所採用的檢驗統計量都是相同的，差別主要體現在拒絕域上。因此，區分單尾檢驗與雙尾檢驗對確定關鍵值（critical value）以及拒絕域（rejection region）至關重要。
（五） p值（p-value）
除了比較檢驗統計量與關鍵值，另一種判斷是否拒絕原假設的方法就是p值（p-value）。p值指拒絕原假設的最小顯著水平。根據p值定義，在給定顯著水平α的情況下，如果p<=α，則拒絕原假設；如果p>α，則無法拒絕原假設。
例如，我們要進行顯著性水平為5%的雙尾檢驗，已知p值=2.14%，這就意味著，左側對應的尾部面積為1.07%，即統計量絕對值大於，應該要拒絕原假設。當然，也可以利用p值進行判斷，p值=2.14%<5%，因此應該要拒絕原假設。畫個圖：

（六） 第一類錯誤（Type I Error）與第二類錯誤（Type II Error）
雖然假設檢驗的基本思想是「小概率事件不會發生」，但在真實世界中小概率事件是有可能發生的。因而，我們在判斷假設檢驗是否成立時就有可能犯錯誤。檢驗時可能犯的錯誤可歸為兩類：一是當原假設H0真實成立時，我們卻拒絕了原假設，稱為第一類錯誤，也稱為「拒真概率」；二是當原假設H0不成立時，我們卻接受了原假設，稱為第二類錯誤，也稱為「受偽概率」。
假設檢驗的兩種錯誤：

決策

真實情形

H0正確

H0錯誤

沒有拒絕H0

正確決策

第二類錯誤
（犯錯概率=β）

拒絕H0接受Ha

第一類錯誤
（犯錯概率=α）

正確決策
（概率power of test：1-β）

上表有幾個關於概率的標識：通常我們將犯第一類錯誤的概率記為α，這里的α實際上就是假設檢驗中的顯著性水平；犯第二類錯誤的概率記為β。此外，當原假設正確時接受原假設，當錯誤時拒絕原假設都表明決策者做出了正確的抉擇沒有犯錯，特別的，我們將決策者不犯第二類錯誤的概率稱為統計檢驗力（power of test），記為1-β
（七） 統計顯著（Statistical significance）與經濟顯著（Economic Significance）
在利用假設檢驗進行金融分析時注意區別兩者，許多投資策略在假設檢驗上能夠獲得正收益，然而在扣除交易費用、稅收並考慮風險後就無法經濟顯著獲得正收益。