关于假设检验

写在前面：之前一直对p值检验和假设检验的概念混淆不清，有时想明白了，再遇见又忘了。最近发现是由于我一直对显著性水平的概念的理解有问题，才导致上述问题。下面不推公式，只是简单写下自己现在的理解：

一、假设检验

　　假设检验是给定原假设H0，备择假设H1和显著性水平α，现在我们手里有一个样本，我们要确定要不要拒绝对这个样本的假设H0。

　　我们的流程是首先根据具体假设选择一个统计量（它满足正态分布或t分布或......，且可以有样本统计特性计算得到），显著性水平是H0正确的情况下拒绝H0的最大概率，即‘弃真’的概率。根据这一条件，我们可以计算得到统计量必须满足的范围，也就是我们所说的拒绝域，当根据样本计算出的统计量值分布在拒绝域时就拒绝原假设H0，否则就接受。

　　现在我们分析显著性水平的大小对假设检验的影响。当α较大时，即允许弃真错误发生的概率大，也即即使H0正确我们也极有可能拒绝H0，说明我们对样本的要求很高，它的概率分布必须非常满足假设H0，我们才有可能认为H0是对它的一个正确的假设。反之，α较小时，我们就对样本的要求没那么高，很容易就接受假设H0。一个不恰当的极端例子，α为0时，也就是拒绝H0的概率为0，可能无论样本乱成什么样，我么都会觉得H0是一个还不错的假设。

二、p值检验

　　p值检验是给定原假设H0，备择假设H1，现在我们手里还有一个样本，我们根据样本需要计算出一个接受或者拒绝H0的临界显著性水平，称为p值。那么当我们拿到一个显著性水平α时，只要比较α和p的大小，就可以决定要不要拒绝H0。

　　p值得计算流程应该是首先根据假设确定统计量和拒绝域形式，那么由样本的统计特性计算得到的统计量值作为拒绝域的边界就是拒绝域的临界形式，其对应的显著性水平就是我们要求的p值。

　　给定α > p时，前面提到显著性水平越大对样本的要求越高，说明此时若接受假设H0，我们的样本并不能满足显著性上的要求，所以拒绝H0。反过来α < p时，则接受原假设H0。

　　可以说，p值的意义就是假设H0为真时，我们观测到的样本的显著性水平。p值较大时，我们倾向于接受原假设H0。

 

标签：显著性,假设,H0,假设检验,我们,关于,样本,拒绝域
来源： https://www.cnblogs.com/scripthome/p/11703185.html