本文目录导航：
假设检验中原假设，备择假设是什么意思？
需要根据研究的目的和问题来设置原假设和备择假设。
一般设定原假设（H0）是一个无效或不显著的假设，即默认情况下成立的假设。
备择假设（Ha）应该是与原假设相对立的假设，即我们想要验证或证明为真的假设。
1、原假设
原假设指的是我们在开始研究时默认成立的观点或结论，通常用H0表示。
一般情况下，原假设通常是指样本所来自的总体没有发生任何变化，或者样本之间没有显著差异。
例如，某超市主管想知道他们的卫生纸销售量是否有显著提高，那么他们可能会假设原假设为“该超市的卫生纸销售量在过去几周内没有显著上升”。
2、备择假设
备择假设指的是替代原假设而存在的假设，通常用Ha表示。
备择假设可以是关于总体参数的具体数值或范围，也可以是样本之间的显著差异。
例如，对于上述超市主管的假设，如果他们认为卫生纸销售量已经显著上升，那么他们的备择假设可能是“该超市的卫生纸销售量在过去几周内已经显著上升”。
假设检验过程
1、先假设原假设成立
在假设检验过程中，我们首先假设原假设成立，并根据样本数据得出统计量的观察值。
然后，我们计算该统计量在原假设成立的情况下发生相应的概率值，即P值。
2、看P值
如果P值小于我们事先设定的显著性水平，则可以拒绝原假设，认为备择假设成立。
反之，如果P值大于显著性水平，则接受原假设，没有足够的证据支持备择假设。
总之，原假设和备择假设是进行假设检验时必须要设定的两个假设，通过比较观察值的概率与先验概率来决定是否拒绝原假设。
t 检验的 3 种常用方法及在 Python 中使用样例
t 检验是一种统计技术，用于判断两组数据之间的差异是否显著。
它通过将样本或总体平均值之间的差异与样本中的噪声量进行比较来实现这一目的。
本文将介绍三种常用的 t 检验变体及其应用场景，并展示如何在 Python 中实现它们。
单样本 t 检验主要用于比较数据样本的平均值与特定值。
例如，可口可乐想要确保装瓶厂在每个罐头中倒入适量的苏打水，即每个罐头的容量为 355 毫升。
通过抽样测试罐装样品并测量每个罐头的实际容量，可以使用单样本 t 检验来判断机器是否准确地向每个罐头中倒入了与 355 毫升液体相同的统计显著量。
单样本 t 检验的基本步骤如下：1. 提出原假设（H0）和备择假设（H1）：原假设通常表示样本均值与特定值没有差异，备择假设则表示存在差异。
2. 确定显著性水平（α）：通常选择 0.05 的 α 值，表示在实际为真时拒绝原假设的概率为 5%。
3. 收集数据：获取要测试的值（μ）、样本均值（x̄）、样本标准差（S）、样本观察次数（n），并将它们代入以下公式计算 t 统计量：4. 将 t 统计量与自由度代入 t 表，得到相应的 p 值。
如果 p 值小于选定的 α 水平，拒绝原假设。
在 Python 中，可以使用 Scipy 的 stats 库中的 ttest_1samp 方法来运行单样本 t 检验。
双样本 t 检验用于比较两个独立数据样本的平均值。
例如，比较来自不同工厂的罐装液体的平均量。
双样本 t 检验的步骤与单样本 t 检验类似，包括陈述原假设和备择假设、选择显著性水平、计算 t 统计量以及比较 p 值。
双样本 t 检验的 Python 实现可以使用 Scipy 的 ttest_ind 方法。
配对 t 检验用于比较同一实体在不同时间点的两个测量值。
例如，测试装瓶培训计划的有效性时，可以比较员工在接受培训前后装瓶率的平均值。
配对 t 检验的步骤与单样本和双样本 t 检验相似，包括陈述原假设和备择假设、选择显著性水平、计算 t 统计量以及比较 p 值。
在 Python 中，可以使用 Scipy 的 ttest_rel 方法实现配对 t 检验。
总之，t 检验在统计分析中具有广泛的应用，可用于检测两组数据之间的显著差异。
在 Python 中，Scipy 库提供了一系列函数来简化 t 检验的计算。
秩和检验的方法
秩和检验的方法介绍如下：
对配对比较的资料应采用符号秩和检验（signed-rank test），其基本思想是：若检验假设成立，则差值的总体分布应是对称的，故正负秩和相差不应悬殊。检验的基本步骤为：
（1）建立假设；
H0：差值的总体中位数为0；
H1：差值的总体中位数不为0；检验水准为0.05。
（2）算出各对值的代数差；
（3）根据差值的绝对值大小编秩；
（4）将秩次冠以正负号，计算正、负秩和；
（5）用不为“0”的对子数n及T（任取T+或T-）查检验界值表得到P值作出判断。
应注意的是当n>25时，可用正态近似法计算u值进行u检验，当相同秩次较多时u值需进行校正。
两样本成组资料的比较应用Wilcoxon秩和检验，其基本思想是：若检验假设成立，则两组的秩和不应相差太大。
其基本步骤是：
（1）建立假设；
H0：比较两组的总体分布相同；
H1：比较两组的总体分布位置不同；检验水准为0.05。
（2）两组混合编秩；
（3）求样本数最小组的秩和作为检验统计量T；
（4）以样本含量较小组的个体数n1、两组样本含量之差n2-n1及T值查检验界值表；
（5）根据P值作出统计结论。
同样应注意的是，当样本含量较大时，应用正态近似法作u检验；当相同秩次较多时，应用校正公式计算u值。 多个样本比较的秩和检验可用Kruskal-Wallis法，其基本步骤为：
（1）建立假设；
H0：比较各组总体分布相同；
H1：比较各组总体分布位置不同或不全相同；检验水准为0.05。
（2）多组混合编秩；
（3）计算各组秩和Ri；
（4）利用Ri计算出检验统计量H；
（5）查H界值表或利用卡方值确定概率大小。
应注意的是当相同秩次较多时，应计算校正Hc 这类资料的特点是无原始值，只知其所在组段，故应用该组段秩次的平均值作为其秩次，在此基础上计算秩和并进行假设检验，其步骤与两组或多组比较秩和检验相同。
需注意的是由于样本含量较多，相同秩次也较多，应用校正后的u值和H值。
评论（0）