欢迎来到假设检验：金融界的“事实查核员”
各位未来的特许金融分析师（Charterholder）大家好！欢迎来到数量分析（Quantitative Methods）中最实用的章节之一。你可以将假设检验（Hypothesis Testing）视为投资领域的“科学方法”。
想象一位基金经理声称其策略能击败市场。这是真的，还是他们今年只是运气好？假设检验为我们提供了一种数学方法，用来判断一个结果是统计显著（statistically significant），还是仅仅是巧合。如果刚开始觉得数学公式很吓人，不用担心——我们会将其拆解成简单且合乎逻辑的步骤。
1. 基础概念：虚无假设 vs. 对立假设
每个检验都始于两个对立的陈述。
虚无假设（Null Hypothesis, \(H_0\)）： 这是“现状（status quo）”或我们在有足够证据推翻它之前，预设为真的陈述。它几乎总是包含“等于”符号（=、≤ 或 ≥）。
类比：在法庭上，虚无假设就是“被告是无罪的”。
对立假设（Alternative Hypothesis, \(H_a\)）： 这是研究人员真正想要证明的假设，是对“现状”的挑战。它永远不包含“等于”符号（<、> 或 ≠）。
类比：检察官的目标是证明对立假设：“被告是有罪的”。
重要法则： 我们从不“接受”虚无假设。我们只能“拒绝 \(H_0\)”（我们找到了支持 \(H_a\) 的足够证据），或是“无法拒绝 \(H_0\)”（我们没有找到足够的证据）。
重点总结：
永远寻找“等于”符号。如果一个陈述说“等于”或“至少”，它就属于 \(H_0\)；如果它说“不等于”或“大于”，它就属于 \(H_a\)。
2. 单尾检验 vs. 双尾检验
我们如何知道该从哪个方向去观察？这取决于问题本身。
双尾检验（Two-Tailed Test）： 当你想知道数值是否与假设值不同（可能是变高或变低）时使用。
例子：\(H_0: \mu = 10\%\) 对比 \(H_a: \mu \neq 10\%\)。
单尾检验（One-Tailed Test）： 当你只对单一方向（“大于”或“小于”）感兴趣时使用。
例子：\(H_0: \mu \le 0\) 对比 \(H_a: \mu > 0\)。 (我们只关心回报是否为正)。
速记技巧： 观察对立假设（\(H_a\)）中的符号。如果是 \(\neq\)，就是双尾检验；如果是 \(>\) 或 \(<\)，“箭头”指向的方向就是你要检验的尾部（tail）！
3. 检验中的错误：型一错误与型二错误
在完美的理想世界中，我们总能做出正确判断。但在统计学中，我们可能会犯两类错误：
型一错误（Type I Error）： 拒绝了真实的虚无假设。这就像是将无辜的人定罪。犯下型一错误的概率称为阿尔法 (\(\alpha\))，也称为显著水平（Level of Significance）。
型二错误（Type II Error）： 无法拒绝错误的虚无假设。这就像是放走了一个有罪的人。此错误的概率称为贝塔 (\(\beta\))。
检验力（Power of a Test）： 这是正确拒绝错误虚无假设的概率。计算公式为 \(1 - \beta\)。我们当然希望检验力越高越好！
记忆小撇步：
型一错误是“伪阳性（False Positive）”（你以为发现了什么，但其实没有）。
型二错误是“伪阴性（False Negative）”（那里确实有东西，但你错过了它）。
4. 检验统计量：我们的测量尺
为了做出决定，我们会计算一个检验统计量（Test Statistic）。本章中几乎所有检验统计量的通用公式如下：
\( \text{Test Statistic} = \frac{\text{样本统计量} - \text{假设值}}{\text{标准误}} \)
其中标准误（Standard Error）通常是样本标准差除以样本数的平方根：\( \frac{s}{\sqrt{n}} \)。
你知道吗？ 检验统计量只是告诉你，你的样本结果距离虚无假设有多少个“标准误”。距离越远，我们就越倾向于拒绝虚无假设！
5. 选择正确的检验（z-检验 vs. t-检验）
学生经常纠结于该选哪种检验。以下是简单的指南：
使用 t-检验（t-test）： 如果你不知道总体方差（这在现实世界中几乎总是如此）且使用样本标准差（\(s\)）时。
注意：对于 t-检验，你需要知道自由度（Degrees of Freedom, df），通常是 \(n - 1\)。
使用 z-检验（z-test）： 如果你确实知道总体方差（\(\sigma^2\)），或者样本量非常大时（尽管在方差未知时，技术上仍偏好使用 \(t\)）。
6. 决策：拒绝域与 P-值
得到检验统计量后，该如何决策？
方法一：临界值（Critical Values）。 将计算出的检验统计量与查表得到的“临界值”（基于你的显著水平，例如 5%）进行比较。如果你的统计量比临界值更极端，你就拒绝 \(H_0\)。
方法二：P-值（P-value）。 这是“概率”法。P-值是能够拒绝虚无假设的最小显著水平。
P-值的黄金法则：
若 P-值 < \(\alpha\)，则 拒绝 \(H_0\)。
若 P-值 ≥ \(\alpha\)，则 无法拒绝 \(H_0\)。
口诀：“If the p is low, the null must go!”（P 值低，虚无归！）
7. 方差的检验
有时我们不关心平均值（mean）；我们关心的是风险（方差）。
单一方差检验： 我们使用 卡方检验（Chi-square, \(\chi^2\) test）。
公式：\( \chi^2 = \frac{(n-1)s^2}{\sigma_0^2} \)
两个方差的比较： 我们使用 F-检验（F-test）。这在检查两只不同股票是否具有相同风险水平时很常见。
公式：\( F = \frac{s_1^2}{s_2^2} \)（请务必将较大的方差放在分子，使 \(F > 1\)）。
8. 参数检验 vs. 非参数检验
参数检验（Parametric Tests）： 这些检验（如 t-检验和 z-检验）假设数据遵循特定的分布（如正态分布），并依赖平均值和方差等参数。
非参数检验（Non-parametric Tests）： 这些是“与分布无关”的检验。我们在以下情况使用：
1. 数据不符合正态分布。
2. 数据是“排序的”（如第一名、第二名）而非具体数值。
3. 样本量非常小。
要避免的常见错误： 不要认为非参数检验“更好”。如果数据确实呈正态分布，它们的检验力其实比参数检验更弱。
9. 考前重点检查表
进入下一章前，请确保你已经掌握：
• 能从文字题目中正确识别 \(H_0\) 和 \(H_a\)。
• 区分型一错误与型二错误。
• 计算单一平均值的 t-统计量。
• 决定是否使用临界值或 P-值来拒绝 \(H_0\)。
• 识别何时该用卡方检验（单一方差）或 F-检验（两个方差）。
别担心，一开始觉得棘手是很正常的！假设检验就像学习一门新语言。一旦你熟悉了虚无假设与对立假设的“文法”，逻辑就会变得像本能一样自然。继续练习那些计算题吧！