假设检验：使用p值来接受或拒绝你的假设

作者|GUEST
编译|VK
来源|Analytics Vidhya

介绍

检验是统计学中最基本的概念之一。不仅在数据科学中，假设检验在各个领域都很重要。想知道怎么做？让我们举个例子。现在有一个lifebuoy沐浴露。

沐浴露厂商声称，它杀死99.9%的细菌。他们怎么能这么说呢？必须有一种测试技术来证明这种说法是正确的。所以假设检验用来证明一个主张或任何假设。

目录

1. 假设检验的定义

2. 零和替代假设检验

3. 简单假设检验和复合假设检验

4. 单尾和双尾检验

5. 临界区

6. I型和II型错误。

7. 统计学意义

8. 信心水平

9. 重要程度

10. P值

这个博客将这些概念分解成小部分，这样你就能理解它们的动机和用途。当你读完这个博客，假设检验的基础知识就会很清楚了！！

假设检验的定义

假设是关于参数值（均值、方差、中值等）的陈述、假设或主张。

假设是对你周围世界的某件事的有根据的猜测。它应该可以通过实验或观察来测试。

比如说，如果我们说“多尼是有史以来最好的印度队长”，这是一个假设，我们是根据他担任队长期间球队的平均输赢情况做出的。我们可以根据所有的匹配数据来测试这个语句。

零假设和替代假设检验

零假设是在假设为真的前提下，检验假设是否可能被拒绝。类似无罪的概念。我们假定无罪，直到我们有足够的证据证明嫌疑人有罪。

简单地说，我们可以把零假设理解为已经被接受的陈述，例如，天空是蓝色的。我们已经接受这个声明。

用H0表示。

替代假设补充了零假设。它与原假设相反，替代假设和原假设一起覆盖了总体参数的所有可能值。

用H1表示。

让我们用一个例子来理解这一点：

一家肥皂公司声称他们的产品平均杀死99%的细菌。为了检验这家公司的主张，我们将提出零和替代假设。

零假设（H0）：平均值等于99%

替代假设（H1）：平均值不等于99%。

注意:当我们检验一个假设时，我们假设原假设是真的，直到样本中有足够的证据证明它是假的。在这种情况下，我们拒绝原假设而支持替代假设。

如果样本不能提供足够的证据让我们拒绝零假设，我们不能说零假设是真的，因为它仅仅基于样本数据。零假设成立需要研究整个总体数据。

简单假设检验和复合假设检验

当一个假设指定了参数的精确值时，这是一个简单的假设，如果它指定了一个值的范围，则称为复合假设。例如

• 某电单车公司声称某车型每升平均行驶里程为100公里，这是一个简单假设的案例。

• 一个班学生的平均年龄大于20岁。这是一个复合假设。

单尾和双尾假设检验

如果替代假设在两个方向（小于和大于）给出了在零假设中指定的参数值的替代，则称为双尾检验。

如果替代假设只在一个方向（小于或大于）给出了在零假设中指定的参数值的替代，则称为单尾检验。例如

• H0：平均值等于100
• H1：平均值不等于100

根据H1，平均值可以大于或小于100。这是一个双尾检验的例子

同样，

• H0：平均值>=100
• H1：平均值<100

在这里，平均值不到100。这叫做单尾检验。

拒绝域

拒绝域是样本空间中的拒绝区域，如果计算值在其中，那么我们就拒绝零假设。

让我们用一个例子来理解这一点：

假设你想租一套公寓。你从不同的真实国家网站列出了所有可用的公寓。你的预算是15000卢比/月。你不能再花那么多钱了。你所订的公寓清单的价格从7000/月到30000/月不等。

你从列表中随机选择一个公寓，并假设以下假设：

• H0:你要租这套公寓。

• H1:你不会租这套公寓。

现在，既然你的预算是1.5万，你必须拒绝所有高于这个价格的公寓。

在这里所有价格超过15000成为你的拒绝域。如果随机公寓的价格在这个区域，你必须拒绝你的零假设，如果公寓的价格不在这个区域，你就不能拒绝你的零假设。

根据替代假设，拒绝域位于概率分布曲线的一条或两条尾巴上。拒绝域是与概率分布曲线中的截止值相对应的预定义区域。用α表示。

临界值是将支持或拒绝零假设的值分隔开的值，并根据alpha进行计算。

稍后我们将看到更多的例子，我们将清楚地知道如何选择α。

根据另一种假设，拒绝域出现了三种情况：

案例1）这是一个双尾检验。

案例2）这种情况也被称为左尾检验。

案例3）这种情况也被称为右尾检验。

I型和II型错误

因此，第一类和第二类错误是假设检验的重要课题之一。让我们把这个话题分解成更小的部分来简化它。

一个假正例（I型错误）——当你拒绝一个真的零假设时。

假负性（II型错误）——当你接受一个错误的零假设时。

• 犯I型错误（假正例）的概率等于临界区α的显著性水平或大小。

  α=P[当H0为真时拒绝H0]

• 犯II型错误（假阴性）的概率等于β。

  β=P[当H1为真时不拒绝H0]

例子：

这个人因犯有入室盗窃罪而被捕。由法官组成的陪审团必须裁定有罪或无罪。

H0：人是无辜的

H1：人有罪

第一类错误是如果陪审团判定某人有罪[拒绝接受H0]，尽管此人是无辜的[H0是真的]。

第二类错误将是当陪审团释放该人[不拒绝H0]虽然该人有罪[H1是真的]。

统计学意义

为了理解这个话题，让我们考虑一个例子：假设有一家糖果厂每天生产500克的糖果。工厂维修后的一天，一名工人声称他们不再生产500克的糖果，可能是少了或多了。

那么，这名工人凭什么宣称这一错误？那么，我们应该在哪里画一条线来决定糖果条重量的变化呢？这一决定/界限在统计学上具有重要意义。

置信水平

顾名思义，我们有多自信：我们在做决定时有多自信。LOC（置信水平）应大于95%。不接受低于95%的置信度。

显著性水平（α）

显著性水平，用最简单的术语来说，就是当事实上是真的时，错误地拒绝零假设的临界概率。这也称为I型错误率。

这是I类错误的概率。它也是拒绝域的大小。

一般来说，在测试中，它是非常低的水平，如0.05（5%）或0.01（1%）。

如果H0在5%的显著性水平上没有被拒绝，那么我们可以说我们的零假设是正确的，有95%的把握。

P值

假设我们在1%的显著性水平上进行假设检验。

H0：平均值<X（我们只是假设一个单尾检验的情况。）

我们得到临界值（基于我们使用的测试类型），发现我们的测试统计值大于临界值。因此，我们必须在这里拒绝零假设，因为它位于拒绝域。

如果零假设在1%时被拒绝，那么可以肯定的是，在更高的显著性水平上，比如5%或10%，它会被拒绝。

如果我们的显著性水平低于1%，那么我们是否也必须拒绝我们的假设呢？

是的，有可能发生上述情况，而“p值”正在发挥作用。

p值是可以拒绝零假设的最小显著性水平。

这就是为什么现在很多测试都给出p值，而且它更受欢迎，因为它给出的信息比临界值更多。

• 对于右尾检验：

  p值=P[检验统计量>=检验统计量的观察值]

• 对于左尾检验：

  p值=p[检验统计量<=检验统计量的观察值]

• 对于双尾检验：

  p值=2*p[检验统计量>=|检验统计量的观察值|]

p值决策

我们比较p值和显著性水平（alpha）对零假设做出决定。

• 如果p值大于alpha，我们不拒绝零假设。

• 如果p值小于alpha，我们拒绝零假设。

原文链接：https://www.analyticsvidhya.com/blog/2020/07/hypothesis-testing-68351/

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/