欢迎来到假设检验（Hypothesis Testing）的世界！
在 FRM 的课程中，假设检验就像是数据世界里的侦探工作。到目前为止，你已经学会了如何计算平均值和方差。现在，我们要学习如何判断这些数字是否真的有意义，还是仅仅是随机概率下的巧合。
无论你是要验证一项新的投资策略是否能跑赢大市，还是检查一个风险模型是否准确，假设检验都是你的核心工具。如果一开始觉得这些内容有点“硬核”也别担心，我们会将其拆解成任何人都能跟上的简单逻辑步骤！
1. 起跑线：零假设与备择假设
每一个假设检验都始于两个对立的陈述，你可以把它想象成法庭审判。
零假设（Null Hypothesis, \(H_0\)）： 这是“现状”或“无罪推定”的陈述。它通常表示没有影响、没有差异，或者参数等于某个特定值。我们始终假设 \(H_0\) 为真，除非有足够的证据证明其错误。
备择假设（Alternative Hypothesis, \(H_a\) 或 \(H_1\)）： 这就是你真正想要证明的部分。它相当于“有罪”的裁决。如果数据足够强大，我们就会拒绝 \(H_0\) 而转向支持 \(H_a\)。
单尾检验 vs. 双尾检验
该如何选择使用哪一种？这取决于你的研究问题：
双尾检验（Two-Tailed Test）： 你关注的是任何差异。
例子： 基金 A 的收益率是否与 5% 不同？（\(H_a: \mu \neq 5\%\)）
单尾检验（One-Tailed Test）： 你关注的是特定方向（大于或小于）。
例子： 基金 A 的收益率是否大于 5%？（\(H_a: \mu > 5\%\)）
关键重点：
零假设（\(H_0\)）永远包含“等于”的符号（\(=\)、\(\leq\) 或 \(\geq\)）。而备择假设（\(H_a\)）则永远不会包含。
2. “哎呀”时刻：第一类错误与第二类错误
统计检验并不完美，有时我们会做出错误的判断。主要有两种出错方式：
第一类错误（Type I Error，假警报）： 当零假设实际上为真时，我们却拒绝了它。
类比： 一个无辜的人被送进监狱。
犯下第一类错误的概率被称为显著性水平（Significance Level, \(\alpha\)）。
第二类错误（Type II Error，错失良机）： 当零假设实际上为假时，我们却无法拒绝它。
类比： 一个有罪的人被释放。
犯下第二类错误的概率被称为 \(\beta\)。
你知道吗？ 这里存在权衡（Trade-off）！如果你极力想要避免第一类错误（采取非常严格的标准），你犯下第二类错误的概率就会增加。这是一种平衡的艺术。
检验的功效（Power of the Test）
检验的功效是指正确拒绝一个错误零假设的概率。
公式：\(Power = 1 - \beta\)。
我们希望检验的“功效”越高越好！
3. 决策工具箱：检验统计量与 P 值
为了做出决定，我们需要计算一个“检验统计量”。这个数值告诉我们样本结果距离零假设有多远。
大多数检验统计量的通用公式为：
\(Test Statistic = \frac{Sample\ Statistic - Hypothesized\ Value}{Standard\ Error}\)
决策规则
一旦得到检验统计量，你将其与临界值（Critical Value，可从统计表中查得）进行比较：
1. 如果 |检验统计量| > |临界值|，则拒绝 \(H_0\)。（结果具显著性！）
2. 如果 |检验统计量| < |临界值|，则无法拒绝 \(H_0\)。（证据不足。）
P 值法（P-Value Approach）
如果你不想使用临界值，可以使用 P 值。这是假设零假设为真时，得到与你样本一样极端结果的概率。
简单规则： 如果 P 值 < \(\alpha\)，则拒绝 \(H_0\)。
口诀： "If the P is low, the Null must go!"（P 值够低，零假设就走！）
快速复习：
置信水平（Confidence Level）： \(1 - \alpha\)（通常为 95% 或 99%）。
显著性水平（Significance Level）： \(\alpha\)（通常为 5% 或 1%）。
4. 选择合适的检验
在 FRM 考试中，你需要知道该从工具箱拿出哪一个工具。以下是作弊小抄：
A. 平均值检验（\(\mu\)）
使用 Z 检验（Z-test），如果：
- 你已知总体方差（\(\sigma^2\)）。
- 或者样本数够大（\(n \geq 30\)）。
\(Z = \frac{\bar{x} - \mu_0}{\sigma / \sqrt{n}}\)
使用 T 检验（T-test），如果：
- 总体方差未知（现实世界中几乎总是如此）。
- 样本数较小（\(n < 30\)）。
\(t = \frac{\bar{x} - \mu_0}{s / \sqrt{n}}\) （其中 \(s\) 为样本标准差）
B. 方差检验（\(\sigma^2\)）
使用 卡方检验（Chi-Square, \(\chi^2\) Test）来检验单个总体的方差。
注意： 卡方分布不对称，且数值不能为负。
C. 比较两个方差
使用 F 检验（F-test）来确认两组总体的方差是否相等。
公式： \(F = \frac{s_1^2}{s_2^2}\) （永远将较大的方差放在分子！）
5. 假设检验的五步骤指南
刚开始觉得棘手也没关系，每次照着这 5 个步骤走就对了：
步骤 1： 写出零假设（\(H_0\)）和备择假设（\(H_a\)）。
步骤 2： 选择显著性水平（\(\alpha\)）——通常为 0.05。
步骤 3： 确定合适的检验统计量（Z、T、卡方或 F）。
步骤 4： 使用样本数据计算检验统计量。
步骤 5： 将检验统计量与临界值进行比较，并做出决策。
6. 常见避坑指南
1. “接受”零假设： 我们从不“接受”零假设。我们只能“无法拒绝”它。这听起来像是律师的文字游戏，但非常重要！这仅仅表示我们目前没有足够的证据去推翻零假设。
2. 混淆尾部： 若在 5% 显著性水平下进行双尾检验，每一侧尾部占 2.5%。若进行单尾检验，全部 5% 都在同一侧。这会改变你的临界值！
3. 忽略“正态”假设： 大多数这些检验都假设原始数据遵循正态分布。如果数据的分布形状很奇怪，这些检验的结果可能会骗你。
总结表：
平均值检验（已知方差）： Z 检验
平均值检验（未知方差）： T 检验
单一方差检验： 卡方检验
比较两个方差： F 检验
你一定没问题的！假设检验只是一种逻辑方式，用来问自己：“这个结果很特别，还是纯属巧合？”掌握这些基础知识，定量分析（Quantitative Analysis）部分的内容就会变得轻松好懂得多。