“ 上篇主要讲述了各种检验方法及适用条件，我回去细看了一下，感觉可能写得不够全面，很多都是我理所当然觉得大家能理解的，对小白可能还是不够友好，所以适当做下补充。”
01
—
什么是假设检验
A、先对总体的参数（或分布形式）提出某种假设，然后利用样本信息判断假设是否成立的统计方法。
B、有参数检验和非参数检验。
C、逻辑上运用反证法，统计上依据小概率原理，两者强强联合。
02
—
H0（零/原/虚无假设）和H1（备择假设）
A、H0与H1是一个完备事件组，两者相互对立，必有而且只有一个成立。
B、一般H1代表我们真实意愿，H0是对立意愿，我们通过证明H0结论发生的概率特别特别小，这样就可以推翻H0结论，接受和它相反的H1结论。
先确定H1（备择假设），再确定H0（零假设）。
C、如果假设是没有特定方向性，并含有“=”或“≠”符号的假设检验称为双尾或双侧检验。
如果假设是有特定方向性，并含有“>”、“<”、“>=”、“<=”符号的假设检验称为单尾检验。
D、等号“=”总是放在H0零假设上。
03
—
两类错误与显著性水平
我们的推断决策是建立在样本信息基础上，但是样本是随机的，那么就有可能犯错误。有分以下两类错误：
一般来说要看哪类错误的代价成本会高些，就控制哪类错误发生的概率，第Ⅰ类错误会先被控制。
其实别太纠结这个，我们重点放在α这个显著性水平上。
常用的α值有：1%，5%，10%。选择哪个标准要看情况，通常都是5%。
04
—
假设检验基本步骤
A、基本步骤：
1、建立H0与H1假设
2、选择并计算检验统计量
3、根据显著性水平确定临界值
4、根据统计结果，做出推断结论。
B、检验统计量
C、判断关键：检验值和P值
检验值决策规则：
1、给定显著性水平α，查表得出相应的临界值,比如Zα或Zα/2。
2、将检验统计量的值与α水平的临界值进行比较。
3、做出决策
双侧检验：|统计量|>临界值，拒绝H0
左侧检验：统计量<-临界值，拒绝H0
右侧检验：统计量>临界值，拒绝H0
P值，样本的概率，决策规则：p值<α，拒绝H0
我个人会更倾向于用这个，方便直观，反正一看p值<0.05就可以拒绝了。
D、推断结论参考：
“单样本t检验（写明采用的检验方法）结果显示，XX（样本数量）验证对象的XX变量（写明A样本均值与样本误差）显著性高于常模总体均值）或对比变量（写明B样本均值与样本误差），t/F/Z/卡方值=XX，p值XX<0.05,效应量值=XXX。
决策：拒绝H0/不拒绝H0
结论：根据情况写明。比如改良新品种产品显著提高。”
05
—
假设检验的“陷阱”
1、小概率原理虽然是人们总结出来实用性很强的原理，但依然不能忽视小概率“灰犀牛”的存在，也是假设检验本身的缺陷所在。
2、样本、样本、样本，幸运者偏差，只要数据分析师愿意，TA可以给你一个你想要的结论，利用系统性偏差，违反了随机原则而导致的代表性误差，所以老板或业务不懂点统计学，真的会被忽悠咯~
3、显著水平的设置要根据实际情况。
4、为啥验证要分什么t\Z\F\卡方\非参数检验，就是告诉咱们不要觉得正态分布是神就可以随便套用，用对检验方法是为了降低误差。还记不记得你是怎么被平均的吗？
