假设检验

假说检定（英语：hypothesis testing）是推论统计中用于检验现有数据是否足以支持特定假设的方法。一旦能估计未知母数，就会希望根据结果对未知的真正母数值做出适当的推论。

一张包含虚无假说与对立假说两个曲线的示意图，两常态分布有不同的期望值与相同的变异数。

欲检验统计上假设的正确性的为虚无假说（Null hypothesis，记为$H_{0}$），虚无假设通常由研究者决定，反映研究者对未知参数的看法。相对于虚无假说的其他有关参数之论述是对立假说（Alternative hypothesis，记为$H_{a}$或$H_{1}$），它通常反应了执行检定的研究者对母数可能数值的另一种（对立的）看法（换句话说，对立假说通常才是研究者最想证明的）。

假设检验的种类包括：t检验，Z检验，卡方检验，F检验等等。

说明

假设检定的过程，可以用法庭的审理来说明。先想像现在法庭上有一名被告，假设该被告是清白的，而检察官必须要提出足够的证据去证明被告的确有罪。

在证明被告有罪前，被告是被假设为清白的。

• 假设被告清白的假设，就相当于虚无假说。
• 假设被告有罪的假设，则是对立假说。

而检察官提出的证据，是否足以确定该被告有罪，则要经过检验。这样子的检验过程就相当于用T检定或Z检定去检视研究者所搜集到的统计资料。

检定过程

在统计学的文献中，假设检验发挥了重要作用。假设检验大致有如下步骤：

1. 最初研究假设为真相不明。
2. 提出相关的虚无假说和对立假说。
3. 考虑检验中对样本做出的统计假设；例如，关于母体资料的分布形式或关于独立性的假设。无效的假设将意味此检定的结果是无效的。
4. 选择一个显著水准（α），若低于这个概率阈值，就拒绝零假设。最常用的是5%和1%。
5. 选择适合的检验统计量（Test statistic）T。
6. 在设定虚无假说为真下推导检验统计量的分布。在标准情况下应该会得出一个熟知的结果。比如检验统计量可能会符合常态分布或司徒顿t分布。
7. 根据在零假设成立时的检定统计量T分布，找到机率为显著水准 (α)的区域，此区域称为“拒绝域”(记作RR或CR)，即在零假设成立的前提下，落在拒绝域的机率只有α。
8. 针对检定统计量T，根据样本计算其估计值t_obs。
9. 若估计值t_obs未落在拒绝域，则“不拒绝”虚无假说（do no reject $H_{0}$）。若估计值t_obs落在拒绝域，则拒绝零假设，接受对立假说。

要注意的是一般不会将检定结果称作“接受”虚无假说，而是因没有显著证据证明虚无假说为非，所以“不拒绝”虚无假说。

例子

女士品茶是一个有关假设检定的著名例子。统计学家费雪的一个女同事，也是藻类学家的缪丽·布里斯托尔，她声称可以判断在奶茶中是先加入茶还是先加入牛奶。费雪提议给她八杯奶茶。缪丽已知其中四杯先加茶，四杯先加牛奶，但随机排列，而她要说出这八杯奶茶中，哪些先加牛奶，哪些先加茶，检验统计量是确认正确的次数。零假设是她无法判断奶茶中的茶先加入还是牛奶先加入，对立假说为她有此能力。

若单纯以机率考虑（即缪丽没有判断的能力）下，八杯都正确的机率为1/70（因为8选4的组合数是70），约1.43%，因此“拒绝域”为八杯的结果都正确。而测试结果为缪丽八杯的结果都正确，在统计上是相当显著的的结果。也就是说，几乎可以排除她只是恰好猜对结果的可能。

相关条目

• 型一错误与型二错误
• 方差分析