The language of hypothesis testing

欢迎来到假设检验（Hypothesis Testing）的世界！

你有没有听过某个说法，心里却想着：“这真的可信吗？”或许你的朋友声称他能预测硬币正反面的准确率达 80%，又或是某公司宣称他们的新种子发芽速度更快。在统计学中，我们不会凭空猜测；我们使用假设检验来决定是否有足够的证据去支持这些说法。

起初接触这么多新名词可能会让你感到困惑，别担心！把它想象成法庭审判：我们假设一个人是无罪的（即“现状”），除非我们有足够的证据证明他有罪。让我们一起拆解 OCR A Level 考试中所需的相关术语吧。

1. 两个假设：\( H_0 \) 与 \( H_1 \)

每个检验都始于两个相对的叙述。我们总是使用参数（在本章中，通常是指 \( p \)，即二项分布中的成功概率）来书写这些假设。

虚无假设（Null Hypothesis，\( H_0 \)）： 这是“平淡”的版本。它假设什么都没有改变，情况与过去完全一样。我们在这里永远使用等号。
例子：\( H_0: p = 0.5 \)（硬币是公正的）。

对立假设（Alternative Hypothesis，\( H_1 \)）： 这是“令人兴奋”的版本。它是我们正要检验的主张。我们会使用 \( > \)、\( < \) 或 \( \neq \) 等符号。
例子：\( H_1: p > 0.5 \)（硬币偏向正面）。

小贴士：定义参数

OCR 的阅卷员很喜欢看到你定义符号！一定要在假设之后写下：“其中 \( p \) 为...的总体比例”。

重点总结： \( H_0 \) 是“无罪”假设（相等），而 \( H_1 \) 是“有罪”嫌疑（不等）。

2. 检验统计量与显著性水平

检验统计量（Test Statistic）： 这只是你从样本中得到的结果。如果你投掷硬币 20 次，得到 15 个正面，“15”就是你的检验统计量。它是我们用来判断 \( H_0 \) 的证据。

显著性水平（Significance Level，\( \alpha \)）： 这是我们设定的证据“门槛”。常见的水平是 5%（\( 0.05 \)）或 1%（\( 0.01 \)）。
如果我们的结果纯属偶然的概率低于这个水平，我们就说该结果具有“显著性”，并拒绝 \( H_0 \)。

你知道吗？

显著性水平实际上就是错误地拒绝了虚无假设的概率。这是我们承担犯错的风险！

重点总结： 检验统计量是证据，而显著性水平是我们用来判断证据的门槛。

3. 单尾与双尾检验

我们要如何决定观察的方向呢？这取决于题目的要求。

单尾检验（1-Tail Test）： 我们正在寻找特定方向的变化。
关键词：“增加”、“减少”、“更好”、“更差”。
例子：\( H_1: p > 0.2 \) 或 \( H_1: p < 0.2 \)。

双尾检验（2-Tail Test）： 我们正在寻找任何方向的变化。
关键词：“已改变”、“不同”。
例子：\( H_1: p \neq 0.2 \)。

常见错误：

在 5% 水平的双尾检验中，你必须将显著性水平一分为二：2.5% 给“过高”的一端，2.5% 给“过低”的一端！

重点总结： 当你有明确方向时使用单尾检验；当你想确认数值是否改变时使用双尾检验。

4. 临界值与临界区域

把临界区域（Critical Region）（或称拒绝区域）想象成“红色地带”。如果我们的检验统计量落在这个区域，这代表它发生的概率极低，几乎不可能纯属巧合，因此我们拒绝 \( H_0 \)。

临界值（Critical Value）： 标志着临界区域起始的“边界”数值。
接受区域（Acceptance Region）： 没有足够证据让我们改变想法、从而保留 \( H_0 \) 的数值范围。

类比：跳高运动

临界值是横杆的高度。检验统计量是你实际跳出的高度。如果你跳得比横杆还高（落入临界区域），你就完成了足以证明“现状”被打破的壮举！

重点总结： 如果你的结果在临界区域内，就拒绝 \( H_0 \)。若不在，则“无法拒绝（fail to reject）” \( H_0 \)。

5. P 值（P-value）

P 值是指在假设 \( H_0 \) 为真的情况下，观察到比实际结果更极端或同样极端的结果的概率。

简单法则：
- 如果 P 值 \( \leq \) 显著性水平 \( \rightarrow \) 拒绝 \( H_0 \)。
- 如果 P 值 \( > \) 显著性水平 \( \rightarrow \) 不拒绝 \( H_0 \)。

记忆口诀：

“P 值若低，虚无（Null）必去；P 值若高，虚无（Null）可留。”

重点总结： P 值告诉我们结果发生的概率。极小的 P 值代表结果非常罕见，暗示 \( H_0 \) 可能是错的。

6. 写出完美的结论

OCR 对最终结论的用词非常严格。你绝不能说你已经“证明（proven）”了什么。统计学是关于证据，而非 100% 的确定性。

“两部分”结论法：

第一部分：统计结果
陈述你是否拒绝 \( H_0 \)，并提及显著性水平。
“在 5% 的显著性水平下，有足够证据拒绝 \( H_0 \)……”

第二部分：情境结论
将结论链接回题目的情境。
“……这显示支持新法律的人口比例已经增加。”

错误用词（千万别这样写！）：

- “我接受 \( H_0 \)”（我们只能说“无法拒绝”它）。
- “这证明了硬币有偏向”（这只能说是“暗示”或提供“证据”）。

重点总结： 说话要留有余地。使用如“证据”、“显示”和“可能”等词汇。

重点总复习

- 虚无假设（\( H_0 \)）： “无变化”的叙述（永远使用 \( = \)）。
- 对立假设（\( H_1 \)）： “有变化”的叙述（使用 \( >, <, \text{ 或 } \neq \)）。
- 显著性水平： 证据的门槛（例如 5%）。
- 临界区域： 导致你拒绝 \( H_0 \) 的数值范围。
- P 值： 结果纯属偶然发生的概率。