时间: 2023-12-06 文章来源: 洋蜜蜂Online Tutor
上个章节洋蜜蜂小编跟大家分享了统计学的贝叶斯定理（Bayes' Theorem）的概念及在各行业领域的应用，以及在金融分析中的具体应用。本章我们将介绍的是假设检验（Hypothesis Testing）的发展历史及其应用。
留学生统计学系列—chap.6假设检验（Hypothesis Testing）
假设检验（Hypothesis Testing）是一种统计方法，用于评估关于总体参数的陈述或假设是否成立。它通常用于分析实验数据，调查统计样本，或研究总体特征。在假设检验中，通常有两个互相排斥的假设，它们分别被称为零假设（H0）和备择假设（Ha）：
1. 零假设（H0）
这是一个默认的假设，通常假定没有效应、无显著性差异或没有关联。它是需要被检验的假设，以确定其是否应该被拒绝。
2. 备择假设（Ha）
这个假设通常是研究者感兴趣的假设，它表达了总体参数存在某种特定效应、显著性差异或关联。
假设检验的一般步骤包括：
1. 确定零假设（H0）和备择假设（Ha）。
2. 收集数据并计算样本统计量。
3. 使用适当的统计方法，如t检验、χ²检验、方差分析等，计算一个p值（p-value）。p值表示在零假设为真的情况下，观察到比样本统计量更极端的结果的概率。
4. 根据p值和事先设定的显著性水平（通常为0.05），决定是否拒绝零假设。如果p值小于显著性水平，通常拒绝零假设，否则不拒绝零假设。
5. 结论表明零假设是否被拒绝，进而得出有关总体参数的推断。
假设检验是统计学中非常重要的工具，它帮助研究者确定观察到的数据是否提供足够的证据支持备择假设，或者是否应该继续接受零假设。有助于人们做出科学决策和推断。不过假设检验的结果并不一定是绝对真相，只能根据概率性的推断来做出决策。
假设检验（Hypothesis Testing）的概念和方法最早由英国统计学家罗纳德·A·费舍（Ronald A. Fisher）于20世纪初提出和发展。费舍是统计学中的杰出人物之一，他的工作对统计学和科学研究产生了深远的影响。
费舍首次引入了假设检验的概念，作为一种统计推断的工具。他的早期工作集中在农业试验和生物学研究中的数据分析，尤其是在遗传学领域的应用。费舍提出了许多统计方法，包括方差分析、t检验等，这些方法成为了假设检验的基础。
费舍的工作在20世纪上半叶得到了广泛的认可，对统计学和实验设计的发展产生了深远的影响。假设检验的基本原则和方法也在此过程中得以确立，并在统计学和科学研究中得到广泛应用。虽然罗纳德·A·费舍是假设检验方法的主要奠基者，但这一方法的发展是由众多统计学家和研究者在不同领域的工作共同推动的。所以假设检验的名称并不特指某个人，而是代表了一个统计学方法的发展和演进。
假设检验的发展经历了多个重要的阶段，从最早的提出到如今的多样化应用。以下是假设检验的一些关键发展阶段：
费舍的贡献（20世纪初）
前面已经提到，英国统计学家罗纳德·A·费舍是假设检验方法的奠基人之一。他提出了许多统计工具，包括t检验和方差分析，用于处理实验数据。费舍的工作在生物学、农业和其他领域的应用推动了假设检验的发展。
尼曼与皮尔逊的贡献（20世纪初）
罗纳德·A·费舍的工作得到了来自杰里米亚·尼曼（Jerzy Neyman）和卡尔·皮尔逊（Karl Pearson）等统计学家的补充和扩展。尼曼和皮尔逊独立地发展了概率论中的假设检验方法，其中提出了假设检验的显著性水平（significance level）和p值的概念。
贝叶斯统计的复兴（20世纪中期以后）
在20世纪中叶，贝叶斯统计方法开始得到关注，这为假设检验提供了不同的视角。贝叶斯方法允许将主观先验概率纳入统计推断中，而传统的频率主义假设检验更强调频率分布和显著性水平。
现代统计方法的兴起（近年来）
随着计算能力的提高和统计软件的发展，现代统计方法如Bootstrap、贝叶斯统计、深度学习等越来越广泛地应用于假设检验和数据分析。这些方法为处理复杂问题提供了更灵活的工具。
开放科学运动（近年来）
最近，开放科学运动的兴起强调透明度、可再现性和开放数据。这对假设检验产生了影响，促使研究者更仔细地考虑统计方法、报告p值和效应大小等信息，以减少假阳性和提高科学研究的质量。
假设检验方法在统计学和科学研究中经历了不断的演进和改进，以适应不断发展的需求和方法。它至今是许多研究领域中非常有用的工具，用于制定科学决策和推断。但研究者也越来越意识到在假设检验之外，还需要考虑更多的统计方法和数据分析技术，以更全面地理解数据和研究问题。
假设检验在现代有广泛的应用，涵盖了多个领域：
留学生统计学系列—chap.6假设检验（Hypothesis Testing）
以上只是部分领域展示，假设检验帮助研究者从数据中获得关于特定问题的定量洞察，以做出决策和推断。当然也应该注意在使用假设检验时正确解释结果，并结合其他统计方法来提供更全面的数据分析。
假设检验也是心理学中一个很重要的统计工具，用于测试心理研究中的假设，例如行为差异、影响因素等。以下是假设检验在心理学中的工作方式：
制定假设
在心理学研究中，通常有一个或多个研究假设需要被测试。这些假设可以分为两种：零假设（H0）和备择假设（Ha）。零假设通常假定没有效应或差异，而备择假设表明存在某种效应或差异。
数据收集
研究者会收集相关的数据，通常是通过实验、观察、调查或其他方法获得的数据。这些数据用于后续的统计分析。
选择适当的统计方法
根据研究设计和数据类型，研究者选择适当的统计方法进行分析。在心理学中，常见的统计方法包括t检验、方差分析、相关分析、回归分析等。
计算统计量
使用所选的统计方法，计算一个统计量，该统计量将帮助评估零假设的可信度。这通常是一个差异度量、相关性度量或回归系数等。
计算p值
在心理学中，通常使用p值来评估结果的显著性。p值表示，在零假设为真的情况下，观察到的统计量或更极端结果的概率。
显著性水平的选择
研究者在进行假设检验前会选择一个显著性水平，通常设定为0.05（5%的显著性水平），用于判断p值的结果。如果p值小于显著性水平，通常会拒绝零假设，表明观察结果在统计上显著。
做出决策
根据p值和显著性水平的比较，研究者决定是否拒绝零假设。如果拒绝零假设，通常会接受备择假设，表示研究发现了某种效应或差异。如果不拒绝零假设，则未发现显著差异或效应。
结果解释
研究者需要解释结果，包括拒绝或不拒绝零假设的意义，以及所得结论对研究问题的影响。
假设检验在心理学中常用于比较不同组别之间的行为、评估干预措施的有效性、探讨因果关系、验证心理理论等。然而，研究者需要谨慎使用假设检验，了解其局限性，避免错误解释结果。此外，心理学研究还越来越强调透明性、可再现性和数据共享，以提高研究的质量和可信度。
洋蜜蜂精品公开课：留学生如何写好research paper
洋蜜蜂tutor Helen老师也曾经在洋蜜蜂留学生精品公开课跟大家分享如何写好research paper时也提到过Hypothesis，感兴趣的小伙伴可以查看视频~
以上就是本章小编要分享的内容，假设检验（Hypothesis Testing）的发展历史及其应用。下个章节小编将介绍的是置信区间（Confidence Intervals）。
如果你是统计学专业的留学生或者对统计学感兴趣的准留学生，欢迎关注收藏。如果你在学业上遇到问题，可以试试洋蜜蜂辅导。我们提供优质的老师为你1v1辅导，提供专业留学辅导：数学Mathematics、物理physics、化学chemistry、生物biological sciences、地球科学earth scaiences、计算机科学computer sciences、医学medicine、工程学Engineering、会计Accounting、统计学statistics、精算科学Actuarial Science等涵盖大学90%以上科目。
