上海
為什么這一篇很重要？
做數據分析、質量管理、學術研究，你一定繞不開"假設檢驗"這個詞。但很多人都是：
? P值小于0.05就拒絕原假設，但不知道為什么
? 面對不同數據類型，不知道該用T檢驗還是卡方檢驗
? 回歸分析只看R2，完全忽略了失擬項和彎曲項檢驗
今天這篇，把假設檢驗的核心知識一次性講透，從P值判斷邏輯到方法選擇矩陣，直接上手就能用。
P值判斷，一張表記住就夠用了
項目
原假設 (H0)
備擇假設 (H1)
P值解讀
數據正態性檢驗
正態分布
非正態分布
P<0.05 = 不服從正態分布
相關系數檢驗
系數=0，不相關
系數≠0，相關
P<0.05 = 存在顯著相關性
回歸：效應項
模型無效
模型有效
P<0.05 = 模型顯著
回歸：失擬項
無失擬
有失擬
P<0.05 = 存在失擬（壞事）
回歸：彎曲項
無彎曲
有彎曲
P<0.05 = 存在彎曲（需調整模型）
測量系統：線性/偏倚
無偏倚
有偏倚
P<0.05 = 存在偏倚
列聯表：卡方檢驗
無關聯
有關聯
P<0.05 = 變量間存在關聯
核心邏輯：P值 < 顯著性水平（通常0.05）→ 拒絕原假設
假設檢驗最難的不是計算，而是選對方法。記住這個三步流程：
第一步：確定總體數量（單/雙/多）
第二步：確定檢驗類型（均值/方差/比率/位數）
第三步：考慮數據分布（正態分布 vs 任意分布）
單總體檢驗（1組數據）
表格
檢驗類型
方法
適用場景
均值
δ已知：單樣本Z檢驗
δ未知：單樣本T檢驗
檢驗樣本均值是否等于某個目標值
方差
單方差檢驗 / 圖形化匯總（只求CI）
檢驗樣本方差是否穩定
比率
單比率檢驗
檢驗合格率、通過率等比例指標
位數
單樣本符號檢驗 / Wilcoxon符號秩檢驗
非正態分布時的中位數檢驗
雙總體檢驗（2組數據）
表格
檢驗類型
方法
適用場景
均值
獨立樣本：雙樣本T檢驗
配對樣本：配對T檢驗
比較兩組數據均值差異（如前后對比）
方差
正態分布：雙方差檢驗 / F檢驗
任意分布：雙方差檢驗 / Levene檢驗
檢驗兩組數據方差是否相等
比率
雙比率檢驗
比較兩組合格率差異
位數
Mann-Whitney檢驗
非正態分布時的兩組數據比較
多總體檢驗（3組及以上數據）
表格
檢驗類型
方法
適用場景
均值
方差相等：方差分析 / 單因子
方差不等：宏指令%Welchs
比較多組均值差異
方差
正態分布：等方差檢驗 / Bartlett檢驗
任意分布：等方差檢驗 / Levene檢驗
檢驗多組數據方差齊性
比率
原始數據：交叉分組表和卡方檢驗
列聯表：卡方檢驗（工作表中的雙向表）
比較多組比例差異
位數
Kruskal-Wallis檢驗 / Mood中位數檢驗
非正態分布時的多組數據比較
避坑指南（必看） ?? 常見誤區1：直接做T檢驗，不檢驗正態性
正確做法：先用正態性檢驗（如Anderson-Darling檢驗），P<0.05說明數據不服從正態分布，應使用非參數檢驗（如Mann-Whitney檢驗）
?? 常見誤區2：回歸分析只看R2，忽略失擬項
正確做法：
效應項P<0.05：模型有效
失擬項P<0.05：存在失擬，模型擬合不好，需要重新建模
彎曲項P<0.05：存在彎曲，需要加入高階項
記住：模型有效 ≠ 模型擬合好
?? 常見誤區3：多組比較用多次T檢驗
正確做法：使用方差分析（ANOVA），再用事后檢驗（如Tukey法）確定哪兩組有差異
原因：多次T檢驗會顯著增加第一類錯誤的概率
實戰案例 案例1：檢驗新工藝是否提升了產品合格率
場景：原來合格率85%，改進后抽取100件，合格率90%，是否顯著提升？
方法選擇：
總體數量：單總體
檢驗類型：比率
方法：單比率檢驗
結果解讀：P<0.05 → 拒絕原假設（合格率無提升）→ 結論：新工藝顯著提升了合格率
案例2：比較三種不同供應商的產品尺寸穩定性
場景：從A、B、C三家供應商各抽取30件產品，測量尺寸，比較方差差異
方法選擇：
總體數量：多總體
檢驗類型：方差
方法：等方差檢驗 / Bartlett檢驗（假設數據服從正態分布）
結果解讀：
P<0.05 → 拒絕原假設（方差相等）→ 三家供應商的尺寸穩定性存在顯著差異
進一步用事后檢驗確定哪家最穩定
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
