假设检验原理与方法

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

假设检验思想

想象你是一位新上任的法官。法庭的铁律是“无罪推定”：任何被告在被证明有罪前都是清白的。检察官带来一摞证据，你必须判断它是否足以推翻无罪的假定。在你的心里其实一直装着两套假设：一套是“他是无辜的”，这是默认立场，不能轻易动摇；另一套是“他有罪”，这是控方的主张，必须用硬证据去支撑。假设检验的一切，都从这个“默认立场”开始。

统计学家做研究时的处境和法官一模一样。他们把这个默认立场叫做原假设（用 H0 表示），通常代表“没有变化、没有差别”——比如新药和旧药疗效相同、新网页和老网页转化率一样。而研究者真正想证明的、有点“激进”的主张，叫做备择假设（用 H1 表示），比如“新药确实有效”、“新网页确实更高”。想证明一个新结论，就要拿出证据推翻那个无聊却稳健的原假设。

设定假设有两条约定俗成的原则：原假设总是包含等号，备择假设才是那个“不平凡的断言”。科学家想证明新药有效，就把“无效”放进原假设，把“有效”放进备择假设。这样一来，任何未经证实的玄乎结论都翻不了案，因为推翻原假设需要足够硬的统计证据，而不是一句“我觉得它有效”。

回到法庭：你之所以站在“被告”一边，不是因为偏爱他，而是因为推翻一个被广泛接受的结论需要足够的证据。这种“宁可错放，不可错杀”的审慎态度，正是统计假设检验给科学研究上的第一道保险。

两类错误

法槌落下的那一刻，判决只有四种可能：好人被放、坏人被关——这是正义；好人被关、坏人被放——这是冤案。司法界给这两种悲剧起了名字：把无辜者定罪叫“冤枉”，把有罪者放走叫“漏网”。统计学家也照着这个剧本，给假设检验的裁决定义了两种错误。

在统计世界里，如果 H0 事实上为真——被告真的无罪——而我们却根据证据把它拒绝了，这就是第一类错误（弃真），相当于冤枉好人；如果 H0 事实上为假——被告真的有罪——而我们却没有拒绝它，这就是第二类错误（取伪），相当于放过坏人。任何一套判决规则都无法同时把两类错误降到零：阈值定严了，漏网的坏人变多；阈值定松了，无辜的人遭殃。

司法系统解决这个难题的办法，是预先设定一个“可容忍的冤枉好人概率”，这就是显著性水平 α。它通常取 0.05，意思是：我们愿意承担 5% 的冤枉好人风险。α 是决策者在收集数据之前就拍板定的标准，不是数据算出来的——正如法律在审判之前就写好了证据标准。

α 就是法庭为“宁可错杀”支付的容忍代价。α 设得越小，法官越谨慎，误判好人的可能性越低，但放过坏人的概率 β 会悄悄变大。这份两难，从法庭一路蔓延到每一个统计检验里——它时时刻刻提醒我们：没有完美的判决，只有权衡后的选择。

检验统计量与拒绝域

庭审中，检察官不能只喊“证据很强”，他得给出一个具体的“证据强度分值”，比如“现场指纹匹配度 95 分”。法庭则规定：当分值超过某个分数线，就达到定罪标准。在统计检验里，这个“证据强度分值”就是检验统计量，那条分数线围成的区域叫做拒绝域。

当我们从总体中抽到一组样本，算出样本均值 x̄ 后，要与 H0 声称的 μ0 比较。可是直接看“x̄ 比 μ0 大多少”并不公平，因为不同的样本会有波动，大差异可能是运气好碰上的。于是统计学家把差异除以“正常波动范围”，得到标准化分数 z，表示“差异相当于几个标准误”。

在大样本下，样本均值近似服从正态分布，于是得到 z 统计量的公式。如果算出的 |z| 超过了临界值 z_{α/2}（α=0.05 时双侧临界值约 1.96），说明差异大到不能再归因于随机波动，统计量落入拒绝域，我们就有底气拒绝 H0——就像证据分值超过分数线，法庭宣判有罪。

就像法庭规定“证据分值超过 60 分才可定罪”，统计学的分数线是 z_{α/2}。证据分值一旦跨过这条线，就再难用“巧合”来解释——这就是统计学意义上的“实锤”。

p值解读

检察官亮出一份“证据强度分值 1.9”的报告。辩护律师站起身来，向陪审团抛出一个问题：“如果我的当事人真的是清白的，光靠运气就撞上这么强证据的概率有多大？”陪审团一算：大约 2.9%——这概率也太低了，几乎不可能纯属巧合。这个“如果被告清白，证据会这么巧”的概率，就是统计学里的 p 值。

p 值是一把衡量“证据与无罪假设兼容程度”的尺子。它既不是“原假设为真的概率”，也不是“数据是随机巧合的概率”。它的准确定义是：在原假设为真的前提下，观察到当前统计量或更极端统计量的概率。p 值越小，说明当前证据在“无罪世界”里越罕见，也就越让人怀疑“无罪”这个说法。

判断准则简单直接：当 p 值小于事先设定的 α 时，说明证据与 H0 的兼容度已经低到难以接受，我们拒绝 H0；当 p 值大于等于 α 时，说明证据还没强到能推翻无罪推定，于是维持 H0。很多论文把阈值定为 0.05，于是“p < 0.05“几乎成了”显著”的同义词。

回到法庭，p 值就是“清白者被冤枉成凶手”的可能性，但它更像一枚“巧合程度计数器”。p 值越小，越难用运气解释，于是陪审团不再相信这是巧合，转而相信——事实恐怕并非无罪。

t检验方法

法庭需要依据“总体档案”来判断证据有多反常，可很多案件的麻烦在于：警察手里并没有全区所有人的“前科档案”，只有一小撮目击证人的描述。既然总体的波动尺度未知，那把标准尺子（z 统计量）就不够用了。统计学家改用一把“弹性尺子”——t 分布，它会根据样本信息自动调整刻度。

实际工作中，总体标准差 σ 几乎总是未知的。我们用样本标准差 s 来估计它，得到的统计量就是 t。t 分布比正态分布更“胖”、尾巴更重，因为用 s 代替 σ 引入了额外的不确定性。样本量越小，这种不确定性越大，尾巴就越肥；样本量增大后，t 分布渐渐变瘦，最终趋近于标准正态分布。

t 统计量的形状和 z 很像，只是分母换成了估计的标准误。单样本 t 检验用于比较一组数据的均值与某个已知标准是否相同；双样本 t 检验则用于比较两组独立样本的均值是否相等，比如 A/B 测试里新旧两个页面的转化率孰高孰低。软件会根据 t 分布算出 p 值，决策规则不变：p < α 就拒绝 H0。

当警察只有一小撮样本而没有全局档案时，他会更保守，用更宽的“胖尾”尺度，避免因为样本太少就轻率定罪。这正是 t 检验的谦逊之处——在信息不完整时，它主动把标准放松，从而保护无辜者不被误判。

卡方检验

法庭偶尔会遇到一类特殊案件：判断“两个特征是否各自独立、互不相干”。比如“性别”和“是否爱买甜食”到底有没有关系？这类问题没有均值可比较，只有一张又一张的“投票记录”。卡方检验就像一名查票员：把人群按两个维度分成格子，数一数每格的“实际票数”，再和“如果两件事毫无关系本该出现的票数”对比。

卡方检验专门处理分类数据。最常用的是独立性检验：把 n 个观测按两个维度的类别交叉计数，得到一张列联表；然后在“两变量无关”的假设下，为每个格子算出期望频数 E_i。如果每个格子的实际频数 O_i 和期望频数差距很大，就说明变量之间并非“井水不犯河水”。

卡方统计量的构造思路很直白：把每个格子的“实际减期望”平方一下，再除以期望归一化，最后把它们全部加起来。χ² 值越大，p 值越小。当 p 小于 α 时，我们拒绝“无关”的原假设，认为两个分类特征之间存在关联。它不要求数据服从正态分布，只希望期望频数别太小（通常每个 E ≥ 5 才可靠）。

就像查票员发现“实际分布”与“无关时的理论分布”差了十万八千里，他会断定这背后必有隐情。卡方检验正是用这种“对账”的方式，帮我们找出分类特征之间偷偷牵上的线。

决策与局限

再完美的法庭也会判错。想少冤枉好人（调小 α），就更容易放过坏人（β 变大）；想一网打尽坏人，误伤无辜的风险又上去了。这看似无解的死局，破局方法只有一条：请更多、更高质量的证人——也就是增大样本量。假设检验的决策艺术，就是在 α、β 与样本量之间小心翼翼地走钢丝。

统计上把“当 H1 为真时，检验能正确拒绝 H0 的能力”叫作功效（power），它等于 1 − β。功效越高，检验就越能敏锐地捕捉到真实的差异，不放过任何蛛丝马迹。功效的大小取决于三个因素：效应量（真实的差异有多大）、样本量（证据够不够多）和 α（定罪的严格程度）。样本量 n 越大，标准误越小，越容易分辨细微差异，功效也随之提升。

因此在开始实验前，研究者会做功效分析：先设定 α、期望检出的最小效应量和目标功效（通常取 0.8），反推出需要的样本量。另外要清醒地认识到：大样本下极其微小的差异也会让 p 值变得很小，但这种“显著性”可能毫无实际价值。统计显著不等于实用重要，还要结合效应量一起看。

优秀的法庭既不会轻易冤枉一个好人，也不会纵容一个坏人，它的底气来自充足的证据。假设检验同样如此：样本量、α 与效应量之间的权衡，正是统计推断的“量刑艺术”。

AI 应用场景

Python 演示

import math def normal_cdf(z):    # 标准正态分布的累计分布函数, 使用 Abramowitz-Stegun 近似    if z < -8:        return 0.0    if z > 8:        return 1.0    t = 1.0 / (1.0 + 0.2316419 * abs(z))    d = 0.3989422804014327 * math.exp(-z * z / 2.0)    p = d * t * (0.319381530 + t * (-0.356563782 + t * (1.781477937 + t * (-1.821255978 + t * 1.330274429))))    return 1.0 - p if z > 0 else p def z_test(xbar, mu0, sigma, n):    # 单样本 z 检验, 判断均值是否等于 mu0, 返回 z 和双侧 p 值    z = (xbar - mu0) / (sigma / math.sqrt(n))    p = 2.0 * (1.0 - normal_cdf(abs(z)))    return z, p def chi2_independence(table):    # 2x2 列联表卡方独立性检验, 返回卡方值, 自由度和 p 值    total = sum(sum(row) for row in table)    row0 = sum(table[0])    row1 = sum(table[1])    col0 = table[0][0] + table[1][0]    col1 = table[0][1] + table[1][1]    chi2 = 0.0    for i in (0, 1):        for j in (0, 1):            exp = (row0 if i == 0 else row1) * (col0 if j == 0 else col1) / total            chi2 += (table[i][j] - exp) ** 2 / exp    # 当自由度为 1 时, 卡方分布 p 值可由正态分布近似    p = 2.0 * (1.0 - normal_cdf(math.sqrt(chi2)))    return chi2, 1, p if __name__ == "__main__":    # 电商网页 A/B 测试: 新页面均值 0.085, 旧页面 0.070, 标准差 0.15    z, p = z_test(0.085, 0.070, 0.15, 1200)    print("A/B 测试 z 统计量: %.3f, p 值: %.4f" % (z, p))    if p < 0.05:        print("结论: 新页面转化率显著高于旧页面, 拒绝原假设")    else:        print("结论: 证据不足, 不拒绝原假设")     # 卡方独立性检验: 行=性别, 列=是否偏好甜食    table = [[120, 80], [90, 110]]    chi2, df, p = chi2_independence(table)    print("卡方独立性检验: chi2=%.3f, df=%d, p=%.4f" % (chi2, df, p))    if p < 0.05:        print("结论: 性别与甜食偏好有关联, 拒绝独立假设")    else:        print("结论: 没有足够证据说明性别与偏好有关")

1. z = (xbar - mu0) / (sigma / math.sqrt(n))把样本均值与标准值的差异转换成标准化的“证据分值”。
2. p = 2.0 * (1.0 - normal_cdf(abs(z)))计算双侧 p 值，即“无罪假设下出现当前或更强证据”的概率。
3. exp = (row0 if i == 0 else row1) * (col0 if j == 0 else col1) / total在“两个变量无关”的假设下，推算每个格子应有的期望频数。
4. chi2 += (table[i][j] - exp) ** 2 / exp累加每个格子的标准化偏差，得到卡方统计量。
5. p = 2.0 * (1.0 - normal_cdf(math.sqrt(chi2)))利用自由度 1 时卡方与正态分布的关系，把卡方值换算成 p 值。
6. if p < 0.05: print(...)用“p 小于 α 就拒绝原假设”这条金标准做最终裁决。

常见误区

面试题