假設檢驗：使用p值來接受或拒絕你的假設-有解無憂

作者|GUEST
編譯|VK
來源|Analytics Vidhya

介紹

檢驗是統計學中最基本的概念之一，不僅在資料科學中，假設檢驗在各個領域都很重要，想知道怎么做？讓我們舉個例子，現在有一個lifebuoy沐浴露，

沐浴露廠商聲稱，它殺死99.9%的細菌，他們怎么能這么說呢？必須有一種測驗技術來證明這種說法是正確的，所以假設檢驗用來證明一個主張或任何假設，

假設檢驗的定義

假設是關于引數值（均值、方差、中值等）的陳述、假設或主張，

假設是對你周圍世界的某件事的有根據的猜測，它應該可以通過實驗或觀察來測驗，

比如說，如果我們說“多尼是有史以來最好的印度隊長”，這是一個假設，我們是根據他擔任隊長期間球隊的平均輸贏情況做出的，我們可以根據所有的匹配資料來測驗這個陳述句，

零假設和替代假設檢驗

零假設是在假設為真的前提下，檢驗假設是否可能被拒絕，類似無罪的概念，我們假定無罪，直到我們有足夠的證據證明嫌疑人有罪，

簡單地說，我們可以把零假設理解為已經被接受的陳述，例如，天空是藍色的，我們已經接受這個宣告，

用H0表示，

替代假設補充了零假設，它與原假設相反，替代假設和原假設一起覆寫了總體引數的所有可能值，

用H1表示，

讓我們用一個例子來理解這一點：

一家肥皂公司聲稱他們的產品平均殺死99%的細菌，為了檢驗這家公司的主張，我們將提出零和替代假設，

零假設（H0）：平均值等于99%

替代假設（H1）：平均值不等于99%，

注意:當我們檢驗一個假設時，我們假設原假設是真的，直到樣本中有足夠的證據證明它是假的，在這種情況下，我們拒絕原假設而支持替代假設，

如果樣本不能提供足夠的證據讓我們拒絕零假設，我們不能說零假設是真的，因為它僅僅基于樣本資料，零假設成立需要研究整個總體資料，

簡單假設檢驗和復合假設檢驗

當一個假設指定了引數的精確值時，這是一個簡單的假設，如果它指定了一個值的范圍，則稱為復合假設，例如

某電單車公司聲稱某車型每升平均行駛里程為100公里，這是一個簡單假設的案例，
一個班學生的平均年齡大于20歲，這是一個復合假設，

單尾和雙尾假設檢驗

如果替代假設在兩個方向（小于和大于）給出了在零假設中指定的引數值的替代，則稱為雙尾檢驗，

如果替代假設只在一個方向（小于或大于）給出了在零假設中指定的引數值的替代，則稱為單尾檢驗，例如

H0：平均值等于100
H1：平均值不等于100

根據H1，平均值可以大于或小于100，這是一個雙尾檢驗的例子

同樣，

H0：平均值>=100
H1：平均值<100

在這里，平均值不到100，這叫做單尾檢驗，

拒絕域

拒絕域是樣本空間中的拒絕區域，如果計算值在其中，那么我們就拒絕零假設，

讓我們用一個例子來理解這一點：

假設你想租一套公寓，你從不同的真實國家網站列出了所有可用的公寓，你的預算是15000盧比/月，你不能再花那么多錢了，你所訂的公寓清單的價格從7000/月到30000/月不等，

你從串列中隨機選擇一個公寓，并假設以下假設：

H0:你要租這套公寓，
H1:你不會租這套公寓，

現在，既然你的預算是1.5萬，你必須拒絕所有高于這個價格的公寓，

在這里所有價格超過15000成為你的拒絕域，如果隨機公寓的價格在這個區域，你必須拒絕你的零假設，如果公寓的價格不在這個區域，你就不能拒絕你的零假設，

根據替代假設，拒絕域位于概率分布曲線的一潭訓兩條尾巴上，拒絕域是與概率分布曲線中的截止值相對應的預定義區域，用α表示，

臨界值是將支持或拒絕零假設的值分隔開的值，并根據alpha進行計算，

稍后我們將看到更多的例子，我們將清楚地知道如何選擇α，

根據另一種假設，拒絕域出現了三種情況：

案例1）這是一個雙尾檢驗，

案例2）這種情況也被稱為左尾檢驗，

案例3）這種情況也被稱為右尾檢驗，

I型和II型錯誤

因此，第一類和第二類錯誤是假設檢驗的重要課題之一，讓我們把這個話題分解成更小的部分來簡化它，

一個假正例（I型錯誤）——當你拒絕一個真的零假設時，

假負性（II型錯誤）——當你接受一個錯誤的零假設時，

犯I型錯誤（假正例）的概率等于臨界區α的顯著性水平或大小，

α=P[當H0為真時拒絕H0]
犯II型錯誤（假陰性）的概率等于β，

β=P[當H1為真時不拒絕H0]

例子：

這個人因犯有入室盜竊罪而被捕，由法官組成的陪審團必須裁定有罪或無罪，

H0：人是無辜的

H1：人有罪

第一類錯誤是如果陪審團判定某人有罪[拒絕接受H0]，盡管此人是無辜的[H0是真的]，

第二類錯誤將是當陪審團釋放該人[不拒絕H0]雖然該人有罪[H1是真的]，

統計學意義

為了理解這個話題，讓我們考慮一個例子：假設有一家糖果廠每天生產500克的糖果，工廠維修后的一天，一名工人聲稱他們不再生產500克的糖果，可能是少了或多了，

那么，這名工人憑什么宣稱這一錯誤？那么，我們應該在哪里畫一條線來決定糖果條重量的變化呢？這一決定/界限在統計學上具有重要意義，

置信水平

顧名思義，我們有多自信：我們在做決定時有多自信，LOC（置信水平）應大于95%，不接受低于95%的置信度，

顯著性水平（α）

顯著性水平，用最簡單的術語來說，就是當事實上是真的時，錯誤地拒絕零假設的臨界概率，這也稱為I型錯誤率，

這是I類錯誤的概率，它也是拒絕域的大小，

一般來說，在測驗中，它是非常低的水平，如0.05（5%）或0.01（1%），

如果H0在5%的顯著性水平上沒有被拒絕，那么我們可以說我們的零假設是正確的，有95%的把握，

P值

假設我們在1%的顯著性水平上進行假設檢驗，

H0：平均值<X（我們只是假設一個單尾檢驗的情況，）

我們得到臨界值（基于我們使用的測驗型別），發現我們的測驗統計值大于臨界值，因此，我們必須在這里拒絕零假設，因為它位于拒絕域，

如果零假設在1%時被拒絕，那么可以肯定的是，在更高的顯著性水平上，比如5%或10%，它會被拒絕，

如果我們的顯著性水平低于1%，那么我們是否也必須拒絕我們的假設呢？

是的，有可能發生上述情況，而“p值”正在發揮作用，

p值是可以拒絕零假設的最小顯著性水平，

這就是為什么現在很多測驗都給出p值，而且它更受歡迎，因為它給出的資訊比臨界值更多，

對于右尾檢驗：

p值=P[檢驗統計量>=檢驗統計量的觀察值]
對于左尾檢驗：

p值=p[檢驗統計量<=檢驗統計量的觀察值]
對于雙尾檢驗：

p值=2*p[檢驗統計量>=|檢驗統計量的觀察值|]

p值決策

我們比較p值和顯著性水平（alpha）對零假設做出決定，

如果p值大于alpha，我們不拒絕零假設，
如果p值小于alpha，我們拒絕零假設，

原文鏈接：https://www.analyticsvidhya.com/blog/2020/07/hypothesis-testing-68351/

歡迎關注磐創AI博客站：
http://panchuang.net/

sklearn機器學習中文官方檔案：
http://sklearn123.com/

歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/2252.html

標籤：其他

上一篇：使用python腳本統一重命名訓練圖片檔案名

下一篇：C++機器學習庫介紹

假設檢驗：使用p值來接受或拒絕你的假設

介紹

目錄