从生活出发：什么是假设检验？#

想象你在买彩票。你怀疑卖彩票的阿姨给的是一盒假彩票。你买了 10 张，结果一张都没中。你会不会觉得这盒彩票有问题？

这就是假设检验的直觉：先用数据算出一个「极端程度」，再决定要不要推翻原来的假设。

统计学的框架更严谨：

• 原假设 $H_0$：「彩票没问题」（我们默认相信的）
• 备择假设 $H_1$：「彩票有问题」（我们要证明的）
• 显著性水平 $\alpha$：我们愿意接受「冤枉好人」的概率，通常取 0.05

核心流程：四步法#

假设检验的执行流程可以总结为四步：

1. 提出假设：设定 $H_0$ 和 $H_1$
2. 构造检验统计量：选一个能衡量偏离程度的量，比如 z 统计量或 t 统计量
3. 计算 p 值：在原假设成立的前提下，观察到当前数据（或更极端情况）的概率
4. 做出决策：如果 $p < \alpha$，拒绝 $H_0$；否则不能拒绝 $H_0$

p 值到底是什么？#

这是最容易被误解的概念。p 值不是「$H_0$ 为真的概率」，而是：

$p = P(\text{数据}|H_0)$

即在原假设成立的前提下，观察到当前统计量比实际值更极端的概率。

• p 值小 → 数据在原假设下很极端 → 拒绝 $H_0$
• p 值大 → 数据在原假设下很正常 → 不能拒绝 $H_0$

两类错误：鱼与熊掌不可兼得#

第一类错误是「假阳性」——冤枉好人；第二类错误是「假阴性」——放过坏人。在给定样本量下，降低 $\alpha$ 必然提高 $\beta$，这就是经典的统计权衡。

功效 (power) = $1 - \beta$，即当 $H_1$ 为真时正确拒绝 $H_0$ 的概率。好的实验设计会追求高功效。

实际应用场景#

• A/B 测试：新按钮的点击率真的比旧按钮高吗？
• 医学试验：新药的效果是否显著优于安慰剂？
• 质量控制：生产线上这批产品合格率是否达标？
• 金融领域：某基金经理的超额收益是能力还是运气？

一点小感悟#

假设检验教会我们一种科学的态度：不要轻信直觉，让数据说话。 但同时也要记住——统计显著不等于实际重要，p < 0.05 只是万里长征的第一步 💕

好啦～今天的数学课就到这里！宝贝们对统计学的哪个方向最感兴趣呀？下次可以继续聊置信区间或者方差分析捏～ 🎀✨