【数据科学】1. 假设检验

假设检验

假设检验

一、统计研究的类型

假设检验用于评估样本数据中所发现的现象是否在总体中也有意义。研究设计分为两大类:

  1. 无干预研究 (观察性研究)

    • 仅仅观察现象,无操作或控制变量。

    • 记录受试者信息,但不施加任何处理,研究者被动参与。

    • 特点:

      • 只能建立变量之间的相关性,而不能推断因果关系。
      • 提供特定时间点的样本数据,但研究者不干预变量。
  2. 有干预研究 (实验性研究)

    • 记录受试者信息,同时施加处理、控制研究条件。

    • 特点:

      • 能够通过变量操控建立因果关系
      • 通常包含强假设、样本量设计、以及依照特定协议的受控数据收集。

二、变量的类型

假设检验中,我们通常会涉及到以下三类变量:

  1. 因变量 (y)
    • 受研究者关注的变量,会受到自变量影响。
    • 例:植物的高度或健康状况。
  2. 自变量 (x)
    • 研究者操控的变量,用于观察其对因变量的影响。
    • 实验中通常限制为一个自变量。
    • 例:用于浇灌植物的液体类型。
  3. 控制变量
    • 不改变的变量,用来保持实验条件的一致性。
    • 例:植物种类、盆大小、土壤类型等。

三、研究问题与假设

  • 研究问题:是否自变量对因变量有显著影响。例如,"自变量的改变是否会引起因变量的变化?"

  • 零假设 (H0):假设自变量无显著影响。例如,"自变量改变不会引起因变量的变化。"

  • 假设检验

    • 我们通过样本数据,确定是否接受或拒绝有关总体参数的假设。
    • 通常有两个对立的假设,即零假设备择假设

四、P 值与显著性检验

  • P 值 :测量观测结果的极端性。若 P 值 < α (显著性水平),则认为数据有力地反对零假设。

    • 显著性水平 α:常用 α = 0.05 或 0.01,代表错误拒绝零假设的概率(I 型错误率)。
    • 若 P 值 > α,证据不足以拒绝零假设;若 P 值 < α,拒绝零假设。

五、假设检验的类型

  1. 单侧检验

    • 用于检验一个变量是否显著大于或小于另一个变量。例如,我们想检验均值 μx 是否大于均值 μy。
    • H0 : μx = μy;备择假设: μx > μy。
    • P 值:生成两组样本,在零假设下差异至少为 μx - μy 的概率。
  2. 双样本检验

    • 非配对的 t 检验:用于检验两个总体均值是否相等。假设两组样本独立且正态分布,方差相等。

    • Mann-Whitney U 检验:非参数方法,用于不满足正态分布的情况。

      • 假设:样本独立,且 N ≥ 20。
  3. 多组差异分析

    • ANOVA (方差分析) :检验多个群体是否具有相同的均值。

      • 假设:样本独立、正态分布,方差相等。
    • Kruskal-Wallis H 检验:非参数版的 ANOVA,用于数据不满足正态分布的情况。

      • 假设:样本独立。
  4. 配对检验

    • 配对 t 检验:用于两组配对数据的均值差异检验。

      • 假设:样本正态分布,方差相等。
    • 非参数配对检验:用于配对数据的非参数检验(例如 Likert 评分)。

      • 假设:样本配对,且 N ≥ 20。

六、模型评价

混淆矩阵和准确率来评价分类模型。

  1. 混淆矩阵
    • 精度 (Accuracy):(TP+TN)/N
    • 查准率 (Precision):TP/(TP+FP)
    • 召回率 (Recall):TP/(TP+FN)
    • F1 分数:2PR / (P+R)
  2. 数据划分
    • Holdout 法:将数据随机划分为训练集和测试集,多次重复并取平均值。
    • 交叉验证 (k-fold):将数据分为 k 个子集,逐个作为测试集,其他作为训练集

七、解析p <0.05 corresponds to a 5% probability of rejecting the null hypothesis given that it is true.这句话是正确的

关键在于 rejecting 是 wrongly rejecting, 即错误拒绝!

1. α的定义
  • α(显著性水平) :指在零假设 H0H_0H0 为真的前提下,错误地拒绝零假设的概率。这是研究者事先设定的阈值,用来控制错误拒绝零假设的风险(即"犯第一类错误"的概率)。常用的α值是0.05或0.01。

    示例:α = 0.05 表示在假设 H0H_0H0 为真的情况下,有5%的概率会错误地拒绝它。这是我们所能接受的最大"犯错"概率。

2. p值的定义和作用
  • p值 :是在零假设 H0H_0H0 为真的前提下,当前观测数据偏离零假设的程度。具体来说,p值衡量了在零假设成立的前提下,观察到的数据或比当前结果更极端的概率

    如果:

    • p<α:我们认为数据偏离零假设的程度很大,因此拒绝零假设,认为数据提供了足够的证据去反驳 H0H_0H0。
    • p>α:数据没有足够的偏离程度,我们则不拒绝零假设
    • p=α:称为"临界值",接近于拒绝和不拒绝之间的界限。
举例解释 p 值与 α 的关系
  1. 假设检验问题
    • 零假设:假设一枚硬币是公平的(即正面和反面出现的概率均为50%)。
  2. 偏离零假设的程度
    • 如果硬币是公平的,那么连续抛出10次正面朝上的概率是 0.510=0.00098,即约为0.1%。
    • 因此,如果我们观察到连续10次正面朝上,这种情况在公平硬币的假设下几乎不可能发生(概率很小),则p值会接近0.001。
  3. 对比p值与α的大小
    • 如果α设为0.05,而p值为0.001,p<α,我们会拒绝零假设,因为观测数据显著偏离零假设。
    • 5%的概率拒绝零假设的原因:α的定义是我们可接受的最大错误拒绝概率,即接受最多5%的概率去拒绝零假设。这意味着即使拒绝 H0,仍有可能犯错(即存在5%的可能性硬币其实是公平的,但我们却拒绝了它)。
小结
  • α表示在零假设为真时,我们愿意接受的最大犯错概率
  • p值衡量在零假设成立下,观测数据偏离零假设的程度,当 p值小于α时,我们有理由拒绝零假设。

通过这个分析,我们了解到,p值越小,数据偏离零假设的程度越大,提供的证据越强。在选择适当的显著性水平时,理解α和p值的定义和意义至关重要。

相关推荐
我是聪明的懒大王懒洋洋5 分钟前
力扣力扣力:53.最大子数组和
算法·leetcode·职场和发展
HelpLook HelpLook14 分钟前
人工智能:重塑医疗、企业与生活的未来知识管理——以HelpLook为例
人工智能·chatgpt·生活·知识库·helplook·知识库搭建
九圣残炎21 分钟前
【从零开始的LeetCode-算法】3345. 最小可整除数位乘积 I
java·算法·leetcode
shinelord明41 分钟前
【再谈设计模式】抽象工厂模式~对象创建的统筹者
数据结构·算法·设计模式·软件工程·抽象工厂模式
边缘计算社区1 小时前
奥迪:在工业边缘使用 VMware 边缘计算堆栈
人工智能·边缘计算
说私域1 小时前
基于社交关系的电商平台发展与创新:以微店买家版为例兼论开源 AI 智能名片 2 + 1 链动模式 S2B2C 商城小程序
人工智能·小程序
啊文师兄1 小时前
使用 Pytorch 搭建视频车流量检测资源(基于YOLO)
人工智能·pytorch·yolo
使者大牙1 小时前
【LLM学习笔记】第三篇:模型微调及LoRA介绍(附PyTorch实例)
人工智能·pytorch·python·深度学习
Elastic 中国社区官方博客1 小时前
Elasticsearch 和 Kibana 8.16:Kibana 获得上下文和 BBQ 速度并节省开支!
大数据·数据库·人工智能·elasticsearch·搜索引擎·ai·全文检索
陌上阳光1 小时前
动手学深度学习69 BERT预训练
人工智能·深度学习·bert