1、假设检验的基本思想

        假设检验问题就是在原假设H0和与原假设对立的备择假设H1中作出拒绝一个、接受哪一个的判断，是统计理论中基于“概率反证法”和“小概率原理”提出的假设检验方法。

1.1小概率原理

        概率很小的事件一般在一次试验中不会发生，如果小概率事件在一次试验中竟然发生了，则事属反常，有理由怀疑原假设条件不成立。

1.2 概率反证法

        概率反证法的思想:首先对总体的参数或分布函数的表达式作出某种假设，然后找出一个假设成立条件下出现可能性甚小的小概率事件A，如果在一次试验或抽样的结果中小概率事件发生，这与小概率原理相违背，表明假设H0不成立，拒绝，接受备择假设H1。若小率事件A没有发生，表明试验或抽样结果支持这个假设，这时称假设H0与实验结果是相容的，或者说,可以接受原假设 H。

        概率反证法的依据是“小概率原理”。那么多小的概率才算小概率呢?显然，“小概率事件”的概率越小，拒绝原假设就越有说服力，常记这个概率值为α，称为检验的显著性水平，该检验称为显著性检验。

        对于不同的问题，检验的显著性水平α不一定相同，但一般应取较小的值,如0.1、0.05或 0.01等，例如 α=0.05 时，表示有 95%的把握拒绝原假设 H0。显著性水平a越小,拒绝原假设就越有说服力。当检验统计量落入某个区域C中时,拒绝原假设H0，则称区域C为拒绝域拒绝域的边界称为该假设检验的临界点。

1.3 决策原则

• 拒绝零假设（Reject H0）：当有足够的证据表明零假设不成立时，选择拒绝零假设，接受备择假设。
• 不拒绝零假设（Fail to Reject H0​）：如果没有足够的证据否定零假设，则选择不拒绝零假设。注意这里不是说接受零假设，而是没有足够证据去否定它。

2、假设检验的类型

根据拒绝域在接受域的两侧或者单侧，分为：双侧检验，左侧检验和右侧检验。

2.1 左侧检验

H0:μ>μ0  H1:μ<μ0

考虑左侧检验H0:μ≥μ0，H1:μ<μ0时，H0代表接受域，H1代表拒绝域，这里拒绝域的全部μ值都要比接受域中的μ值要小，因此拒绝域的形式为X≤k。

2.2 右侧检验

H0:μ<μ0  H1:μ>μ0

考虑左侧检验H0:μ<=μ0，H1:μ>μ0时，H0代表接受域，H1代表拒绝域，这里拒绝域的全部μ值都要比接受域中的μ值要大，因此拒绝域的形式为X>=k。

2.3 双侧检验

H0:μ=μ0，H1:μ≠μ0

H0:μ=μ0，H1:μ≠μ0时，H0代表接受域，H1代表拒绝域。

3、检验的类型

3.1 p值检验

定义：

P值（P-value）是假设检验中用于判断原假设是否成立的一个概率值。它表示在原假设成立的前提下，观察到当前数据或更极端数据的概率。如果P值小于预先设定的显著性水平α（通常为0.05），则拒绝零假设。

公式：

P值本身没有固定公式，通常通过统计检验（如Z检验、t检验等）计算得出。

适用范围：

• 用于判断统计显著性。
• 通常与显著性水平（如0.05）比较，若P值小于显著性水平，则拒绝原假设。

3.2 Z检验

定义：

Z检验用于检验样本均值与总体均值是否存在显著差异。

公式：

其中：

Xˉ是样本均值，

μ是总体均值，

σ是总体标准差，

n是样本量。

适用范围：

• 适用于大样本（通常样本量 n≥30）
• 总体方差已知
• 数据近似正态分布

3.3 t检验

定义：

t检验用于检验样本均值与总体均值是否存在显著差异。

公式：

其中：

Xˉ是样本均值，

μ是总体均值，

s是样本标准差，

n是样本量。

适用范围：

• 适用于小样本（通常样本量 n<30）
• 总体方差未知
• 数据近似正态分布

3.4 卡方检验

定义：

卡方检验用于检验分类变量的独立性或拟合优度，适用于分类数据。

公式：

其中：

Oi​ 是观测频数，

Ei​ 是期望频数。

适用范围：

• 检验分类变量的独立性（如列联表分析）
• 检验样本分布是否符合某种理论分布（拟合优度检验）

3.5 总结

检验方法	适用场景	样本量要求	总体方差要求	数据类型
P值检验法	判断统计显著性	无特定要求	无特定要求	多种类型
Z检验	大样本均值检验	n≥30	已知	连续型数据
t检验	小样本均值检验	n<30	未知	连续型数据
卡方检验	分类变量独立性或拟合优度检验	无特定要求	无特定要求	分类数据

4、检验的两类错误

        第一类错误是“弃真”:当假设H0正确时，小概率事件也有可能发生，此时拒绝假设,就犯了“弃真”的错误，称此为第一类错误。犯第一类错误是“小概率事件不会发生”的假定所引起的，犯错概率恰好就是“小概率事件”的发生概率，即显著性水平α。

P{拒绝H0 | H0为真 }=α

        第二类错误是“取伪”:若假设H0 不正确，但在一次抽样检验结果中未发生不合理结果，这时接受H0，就犯了“取伪”的错误，称此为第二类错误。记β为犯第二类错误的概率，即

P{接受H0 | H0不真}=β

        理论上自然希望犯这两类错误的概率都很小，但是当样本容量n固定时，拒绝和接受H0的不能同时小，即α和β不能同时都小,α和β的关系就像跷跷板，即α变小时,β就变大;β变时,α就变大。一般只有当样本容量n增大时，才有可能使两者变小。

        第一类错误“弃真”出现原因:从总体中抽取样本时，存在多个样本平均值，由于样本抽样的随机性，恰好抽到的样本均值把本来真实的原假设拒绝了，这就是“弃真”错误出现的原因。 

        第二类错误“取伪”出现原因:如果原假设 H0是错误的，随机抽取的样本有可能落人接受域,导致假设检验的结果是接受原假设 H0，造成“取伪”错误。