讲到统计学，终究会谈到假设检验的问题，做过数据分析的人也都是耳熟能详， 但如果让你具体讲讲假设检验的原理， 什么是P值，为什么用t检验，为什么用F检验，估计能问倒一操场。
作为本公众号的开篇处女作，从假设检验入手，讲一下假设检验的基本原理与过程。
首先明确下假设检验在统计学里的位置：统计推断是统计学的重要分支，做统计推断有两个重要方法，即参数估计与假设检验。参数估计是用样本统计量估计总体参数，而假设检验，则顾名思义，先假设，后检验，例如假设均值为μ，然后根据样本信息检验均值是不是μ，实际上是要证明均值不是μ，即推翻原假设。逻辑上采用的是反证法，根据统计上的小概率原理。
举例来说，魔都官方数据说居民人均工资1w，对于我这种北漂来说就打了个大问号，然后就局部范围内做了个统计（假如样本有代表性），统计均值为7k, 那我这个结果有没有信服力，那我们可以检验一下，设置95%的置信水平，算出P值为0.0002，那我可以很自信的说官方数据在开火车，不值得信。因为P值为0.0002意味着，如果居民人均工资为1w， 那么我统计出均值为7k的概率为0.0002，这么小的概率竟然这么容易就让我碰上了，显然真实的人均工资不可能为1w啊， 这就是根据小概率原理来推翻原假设。
接下来我们讲一下假设检验的套路,讲述过程中你也许会有疑问，为什么这样，不要担心，先往下看，我会陆续对假设检验的细节作出补充，如果未涉及到可以在评论中提出，我会补充上）：
套路1，提出假设，也就是我猜结果会是什么。猜完之后进入套路2，即我要拿什么去验证假设，这里我们叫做检验统计量。检验没有绝对的对错，所以我们要设定一个显著性水平，就是套路3，相当于设定一个门槛，在门外面就拒绝进门，统计学上叫拒绝域，拒绝的是原假设。套路第四步就是将门在哪儿计算出来，依据的是前两步确定的检验统计量以及显著性水平。最后就可以做出决策啦，看一下到底在门里面还是门外面。
接下来将提到的套路跟大家套路一下：
假设的提出包括原假设与备择假设 。原假设（H0）则是我们收集证据想要推翻的假设, 而备择假设（H1）则是要去支持的，所以大家可以根据实际情况来设定原假设与备择假设。原假设与备择假设互斥。假设检验是围绕着对原假设是否成立展开的。假设检验还会涉及到两类错误的问题，这个内容较多，会单独讲解。
检验统计量是用于假设检验决策的统计量。 如何去选择统计量呢？这与参数估计相同，需要考虑样本总体个数，样本大小，通常大于30个样品我们认为是大样本，以及总体方差是否已知，如果未知，可以用样品方差近似计算。是不是感觉有些头晕，撑住，这是做假设检验的关键，告诉你什么情况下采用什么样的检验方法，记住这儿，以后就不会没心没肺的只会t检验啦。贴心的我给大家整理了检验统计量的选择图谱，对家直接对号入座就可以啦，记住这些，再遇到假设检验的问题，你会感觉厉（niu）害(bi)的不要不要的。
配对样本的检验： 两个总体参数的假设检验过程中，我们假定样本是独立的，但有种情况下样本间可能存在相依的关系，这种情况下两个正态总体的问题可以按照一个样品总体进行分析。举个例子：我想测试某个洗涤产品的洗涤效果，我可以测一下衣服洗之前的洁净程度，用产品洗之后的洁净程度，这样就得到了两个总体，可以按照方差未知的小样本t检验进行分析。但是，同是一件衣服，洗之前和洗之后数据之间是有对应关系的，我可以将洗前洗后的洁净程度做差值，检验差值是否为0，这样就转化为一个总体样本的t检验。
具体的统计量的计算公式此处未给出，主要考虑到现在都用统计软件进行计算，关键要明确自己的统计问题，选择恰当的检验统计量，然后在统计软件上就可以开挂了！
显著性α： 这是犯一类错误的概率，即原假设为真时，拒绝原假设的概率。比如警察抓小偷时，明明是小偷，却判断失误当好人给放了的概率。也被称为抽样分布的拒绝域，这个可以由研究者事先确定。
计算检验统计量的值。 当确定了检验统计量以及显著性α的值，通常为0.01, 0.05，0.001，就可以通过统计软件或查表得到统计量的临界值 z a 或 z a/2 ， t a 或 t a/2
作出统计决策。 统计决策的确定有两种方式，一种是将检验统计量的绝对值与α水平的临界值进行比较，高于临界值则拒绝原假设，低于临界值则不能拒绝。另外一种方式是采用P值进行决策。个人比较倾向第二种，当然现在的统计学软件会将这些值一并给出。我们通常将P值称为观测到的显著性水平，即当原假设为真时得到样本观察结果或者更极端结果的概率，如果P值很小，说明得到观测结果的概率很小，如果出现了，根据小概率原理，我就有理由拒绝原假设了。如果事先确定了显著性水平，比如α= 0.05，在双侧检验中可以比较P值与0.025的大小决定是否拒绝原假设，单侧检验中可以比较P值与0.05的大小进行决策。当然也可以直接使用P值，按照我们所需要的显著性水平进行决策。
以上就是假设检验的基本原理及流程。懂了这些就几乎可以秒杀一切你所遇到的假设检验问题。还有同学经常问为何把小概率标准定为0.05， 哈哈，不要问我，因为我不知道。著名英国统计学家Fisher就这样用的，无解。
最后给大家举个例子，一起感受一下🐂逼的人生：
“多吃谷物，将有助于减肥。”为了验证这个假设，随机抽取了35人，询问他们早餐和午餐的通常食谱，根据他们的食谱，将其分为二类，一类为经常的谷类食用者(总体1)，一类为非经常谷类食用者(总体2)。然后测度每人午餐的大卡摄取量。经过一段时间的实验，得到如下结果：检验该假设(a = 0.05)
1. 原假设：u1-u2>=0
3. 在0.05显著性水平上拒绝原假设。
4. 结论，没有证据证明多次谷物有助于减肥。