HuZihu

摘要： 概率（Probability）：事件发生的可能性的数值度量。 组合（Combination）：从n项中选取r项的组合数，不考虑排列顺序。组合计数法则：。 排列（Permutation）：从n项中选取r项的组合数，考虑排列顺序。排列计数法则：。 贝叶斯定理（Bayes's Theorem）：获取新信息 阅读全文

摘要： 以下是常用的假设检验类型： 使用python进行各假设检验的代码请见下面链接： 单样本t检验，独立样本t检验，配对t检验，单因素方差分析，卡方分布检验，Levene's test，卡方独立性检验，卡方拟合优度检验：https://www.cnblogs.com/HuZihu/p/11442833.h 阅读全文

摘要： 非参数检验（non-parametric test）：对总体分布形式没有要求，不比较总体参数，只比较总体分布的位置是否相同，也被称为无分布方法（distribution-free method）。相对于参数检验基本只能用于数值型数据的情况，非参数检验还可以用于类别型数据。 由于很多参数检验要求总体服 阅读全文

摘要： 在《假设检验（Hypothesis Testing）》一文中，我们罗列了关于比较均值或方差的几种假设检验类型。除此之外，还有一种经常用到的检验类型，那就是比较比率（proportion）的假设检验。比如说，使用A方案的付费转化率为30%，使用B方案的付费转化率为34%，请问这两个转化率之间是否有显著 阅读全文

摘要： 一份完整的假设检验报告应该包括以下内容： 1， 描述统计 对样本数据进行描述统计，报告平均值和标准差等。可以用文本和图表进行展示。 2， 推断统计 （1）假设检验 原假设，备择假设，检验类型，样本量，抽样分布类型，检验方向，显著性水平α，检验统计量的值，p值，结论 （2）置信区间 置信度，置信度对应 阅读全文

摘要： 在《如何计算假设检验的功效（power）和效应量（effect size）？》一文中，我们讲述了如何根据显著性水平α，效应量和样本容量n，计算功效，以及如何根据显著性水平α，功效和样本容量n，计算效应量。但这两个应用都属于事后检验，也就是说，就算假设检验之后计算出的功效或效应量不理想，我们也没有办法 阅读全文

摘要： 做完一个假设检验之后，如果结果具有统计显著性，那么还需要继续计算其效应量，如果结果不具有统计显著性，并且还需要继续进行决策的话，那么需要计算功效。 功效（power）：正确拒绝原假设的概率，记作1-β。 假设检验的功效受以下三个因素影响： 样本量 (n)：其他条件保持不变，样本量越大，功效就越大。 阅读全文

摘要： 误区一：如果不能拒绝原假设，那么便接受原假设（错误） 在大多数假设检验的应用中（即显著性检验），虽然对发生第一类错误的概率进行了控制，但并没有控制第二类错误发生的概率。因此，如果样本数据不能拒绝原假设，我们决定接受原假设的话，其实并不能确定该决策有多大的可信度。因此，我们在叙述中通常用“无法拒绝原假 阅读全文

摘要： 格利文科定理：每次从总体中随机抽取1个样本，这样抽取很多次后，样本的分布会趋近于总体分布。也可以理解为：从总体中抽取容量为n的样本，样本容量n越大，样本的分布越趋近于总体分布。 （注：总体数据需要独立同分布） 阅读全文

摘要： 几种常见的假设检验总结如下： 假设检验名称 Z检验 t检验 χ2检验 F检验 原假设 H0: μ≥μ0 H0: μ≤μ0 H0: μ=μ0 （比较样本和总体均值） H0: μ1-μ2≥0 H0: μ1-μ2≤0 H0: μ1-μ2=0 （比较两样本均值） H0: μd≥0 H0: μd≤0 H0: 阅读全文