假设检验到底是什么？（学员必看）

都说统计难。到底难在哪里？其实，统计说到底就是在一个数学的思想。就比如想要知道某个地区7岁男童的身高。你如果调查整个地区的男童身高难度很大。这个时候，你可以选择一个学校的7岁男童，来测量身高。这就涉及两个概念。一个是总体，一个是样本。 我们在描述一个学校7岁男童的身高的时候，会运用平均数、中位数等，这就是统计描述。但是，我们最终目的是想要知道这个地区7岁男童的身高，就需要用样本推断总体，这就是统计推断。这也就是我们说的统计的两大基本功能。 统计描述中，不同的类型的资料，运用不同的方法，所以，在进行描述是，要知道资料类型。统计推断是用样本信息推论总体特征。包括：参数估计与假设检验。 参数估计：运用统计学原理，用从样本计算出来的统计量，对参数进行估计。换句话说就是我通过计算知道了一个学校7岁儿童的平均身高，但是如果用这个数值来做整个地区的点估计，太绝对，误差也大，那我就用一个区间估计。（大家可以翻书查证一下置信区间和参考值范围的区别和联系） 假设检验又称显著性检验，是指由样本间存在的差别对样本所代表的总体间是否存在着差别做出判断。换句话说就是用一个学校7岁儿童的平均身高是否能够代表整个地区7岁儿童的平均身高。 这里重点讲一下假设检验。 大家肯定听过小概率事件是假设检验的基础。为什么这么说呢？就如我们通过样本均数推断总体均数。你能说，你百分之百正确吗？统计是在允许一定误差的情况下进行推断的。而这个误差允许多大呢？这个是我们人为设定的，即a值，也就是一类错误。我们看一下它的定义，a值是指在统计推断时预先设定的一个小概率值，就是说如果 H0是真的，允许它错误的被拒绝的概率。P值是由实际样本获得的，是指在 H0成立的前提下，出现大于或等于现有检验统计量的概率。 假设检验所作出的结论是具有概率性质的，不是绝对的肯定或否定。不论拒绝或不拒绝H0 都可能发生错误。 当出现Ｐ≤α，则为什么有理由拒绝Ｈ0？如果Ｐ≤α，则按α水准拒绝Ｈ0，接受Ｈ1。因为抽取一个样本，仅代表一次试验，现Ｐ≤α，为小概率事件，小概率事件在一次试验中竟然发生，与概率理论的一个基本原则：小概率事件在一次试验中不会发生产生矛盾，因此拒绝Ｈ0。 当出现Ｐ≤α，则为什么有理由不拒绝Ｈ0？ 如果Ｐ>α，则按α水准不拒绝Ｈ0，因为概率较大，没有理由拒绝Ｈ0 ，认为其成立。所以，研究者只是在概率上从Ｈ0与Ｈ1两者中选择一个较为合理的判断。