QQ登录
微博登录
微信登录
一、概念
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过程
有参数检验和非参数检验
逻辑上运用反证法，统计上依据小概率原理
什么小概率?
1.在一次试验中，一个几乎不可能发生的事件发生的概率
2.在一次试验中小概率事件一旦发生，我们就有理由拒绝原假设
3.小概率由研究者事先确定
怎样通过假设检验去掉偶然性
利用P值进行检验就可以去掉偶然性。因为P值告诉我们在某个总体的许多样本中，某一类数据出现的经常程度，P值是当原假设正确的情况下，得到所观测的数据的概率。如果原假设是正确的，P值若很小，则告诉我饿们得到这样的观测数据是多么的不可能，相当不可能得到的数据，就是原假设不对的合理证据，偶然性也就消除了。
二、原假设
1.研究者想收集证据予以反对的假设。是关于总体参数的表述，它是接受检验的假设。
2.总是有符号=,£或³
3.表示为H0
n H0：m=某一数值
n指定为符号=，£或³
三、备择假设
研究者想收集证据予以支持的假设。党员假设被否定时另一种可成立的假设。
总是有符号¹,<或>
表示为H1
n H1：m<某一数值，或m>某一数值
四、结论与总结
原假设和备择假设是一个完备事件组，而且相互对立
n在一项假设检验中，原假设和备择假设有一个成立，而且只有一个成立
先确定备择假设，再确定原假设
等号“=”总是放在原假设上
因研究目的不同，对同一问题可能提出不同的假设(也可能得出不同的结论)
五、两类错误
1.第Ⅰ类错误(弃真错误)
原假设为真时拒绝原假设
第Ⅰ类错误的概率记为a。被称为显著性水平。常用的a值有0.01,0.05,0.10
2.第Ⅱ类错误(取伪错误)
原假设为假时未拒绝原假设
第Ⅱ类错误的概率记为b(Beta)
影响b错误的因素：1.总体参数的真值。随着假设的总体参数的减少而增大
2.显著性水平a。当a减少时增大3.总体标准差s。当s增大时增大4.样本容量n。当n减少时增大
控制：进行假设检验时总希望犯两类错误的可能性都很小，然而，在其他条件不变的情况下，a与b是此消彼长的关系，二者不可能同时减小。若要同时减小a与b，只能是增大样本量。一般总是控制a，是犯错误的概率不大于a，即a是允许犯弃真错误的最大概率值(而P值相当于根据样本计算的犯弃真错误的概率值，故P值又称为观测的显著性水平)。但确定a时须注意，如果犯弃真错误的代价较大，a可取小些，相反，如果返取伪错误的代价较大，则a宜取大些(以使b较小)
六、假设检验的结论表述
假设检验的目的就在于试图找到拒绝原假设，而不在于证明什么是正确的
拒绝原假设时结论是清楚的
例如，H0：m=10，拒绝H0时，我们可以说¹m10
当不拒绝原假设时
并未给出明确的结论
不能说原假设是正确的，也不能说它不是正确的
例如，当不拒绝H0：m=10，我们并未说它就是10，但也未说它不是10。我们只能说样本提供的证据还不足以推翻原假设
七、统计上的显著与实际意义
1.当拒绝原假设时，我们称样本结果是统计上显著的(statistically Significant)
2.当不拒绝原假设时，我们称样本结果是统计上不显著的
3.在“显著”和“不显著”之间没有清除的界限，只是在P值越来越小时，我们就有越来越强的证据，检验的结果也就越来越显著
4.“显著的”(Significant)一词的意义在这里并不是“重要的”，而是指“非偶然的”
5.一项检验在统计上是“显著的”，意思是指：这样的(样本)结果不是偶然得到的，或者说，不是靠机遇能够得到的
6.如果得到这样的样本概率(P)很小，则拒绝原假设
在这么小的概率下竟然得到了这样的一个样本，表明这样的样本经常出现，所以，样本结果是显著的
7.在进行决策时,我们只能说P值越小,拒绝原假设的证据就越强,检验的结果也就越显著
8.但P值很小而拒绝原假设时，并不一定意味着检验的结果就有实际意义
因为假设检验中所说的“显著”仅仅是“统计意义上的显著”
一个在统计上显著的结论在实际中却不见得就很重要，也不意味着就有实际意义
9.因为值与样本的大小密切相关,样本量越大,检验统计量的P值也就越大,P值就越小,就越有可能拒绝原假设
10.如果你主观上要想拒绝原假设那就一定能拒绝它
这类似于我们通常所说的“欲加之罪，何患无词”
只要你无限制扩大样本量，几乎总能拒绝原假设
11.当样本量很大时，解释假设检验的结果需要小心
在大样本情况下，总能把与假设值的任何细微差别都能查出来，即使这种差别几乎没有任何实际意义
12.在实际检验中，不要刻意追求“统计上的”显著性，也不要把统计上的显著性与实际意义上的显著性混同起来
n一个在统计上显著的结论在实际中却不见得很重要，也不意为着就有实际意义
今天给大家介绍的相关知识点，你掌握住了吗？后续会为大家持续更新考研相关内容，各位考生可以收藏练习。
