歡迎來到假設檢定（Hypothesis Testing）的世界！
在 FRM 的課程中，假設檢定就像是數據世界裡的偵探工作。到目前為止，你已經學會了如何計算平均值和變異數。現在，我們要學習如何判斷這些數字是否真的有意義，還是僅僅是隨機機率下的巧合。
無論你是要驗證一項新的投資策略是否能跑贏大市，還是檢查一個風險模型是否準確，假設檢定都是你的核心工具。如果一開始覺得這些內容有點「硬核」也別擔心，我們會將其拆解成任何人都能跟上的簡單邏輯步驟！
1. 起跑線：虛無假設與對立假設
每一個假設檢定都始於兩個對立的陳述，你可以把它想像成法庭審判。
虛無假設（Null Hypothesis, \(H_0\)）： 這是「現狀」或「無罪推定」的陳述。它通常表示沒有影響、沒有差異，或者參數等於某個特定值。我們始終假設 \(H_0\) 為真，除非有足夠的證據證明其錯誤。
對立假設（Alternative Hypothesis, \(H_a\) 或 \(H_1\)）： 這就是你真正想要證明的部分。它相當於「有罪」的裁決。如果數據足夠強大，我們就會拒絕 \(H_0\) 而轉向支持 \(H_a\)。
單尾檢定 vs. 雙尾檢定
該如何選擇使用哪一種？這取決於你的研究問題：
雙尾檢定（Two-Tailed Test）： 你關注的是任何差異。
例子： 基金 A 的報酬率是否與 5% 不同？（\(H_a: \mu \neq 5\%\)）
單尾檢定（One-Tailed Test）： 你關注的是特定方向（大於或小於）。
例子： 基金 A 的報酬率是否大於 5%？（\(H_a: \mu > 5\%\)）
關鍵重點：
虛無假設（\(H_0\)）永遠包含「等於」的符號（\(=\)、\(\leq\) 或 \(\geq\)）。而對立假設（\(H_a\)）則永遠不會包含。
2. 「哎呀」時刻：第一類型錯誤與第二類型錯誤
統計檢定並不完美，有時我們會做出錯誤的判斷。主要有兩種出錯方式：
第一類型錯誤（Type I Error，假警報）： 當虛無假設實際上為真時，我們卻拒絕了它。
類比： 一個無辜的人被送進監獄。
犯下第一類型錯誤的機率被稱為顯著水準（Significance Level, \(\alpha\)）。
第二類型錯誤（Type II Error，錯失良機）： 當虛無假設實際上為假時，我們卻無法拒絕它。
類比： 一個有罪的人被釋放。
犯下第二類型錯誤的機率被稱為 \(\beta\)。
你知道嗎？ 這裡存在取捨（Trade-off）！如果你極力想要避免第一類型錯誤（採取非常嚴格的標準），你犯下第二類型錯誤的機率就會增加。這是一種平衡的藝術。
檢定的勢力（Power of the Test）
檢定的勢力是指正確拒絕一個錯誤虛無假設的機率。
公式：\(Power = 1 - \beta\)。
我們希望檢定的「勢力」越高越好！
3. 決策工具箱：檢定統計量與 P 值
為了做出決定，我們需要計算一個「檢定統計量」。這個數值告訴我們樣本結果距離虛無假設有多遠。
大多數檢定統計量的通用公式為：
\(Test Statistic = \frac{Sample\ Statistic - Hypothesized\ Value}{Standard\ Error}\)
決策規則
一旦得到檢定統計量，你將其與臨界值（Critical Value，可從統計表中查得）進行比較：
1. 如果 |檢定統計量| > |臨界值|，則拒絕 \(H_0\)。（結果具顯著性！）
2. 如果 |檢定統計量| < |臨界值|，則無法拒絕 \(H_0\)。（證據不足。）
P 值法（P-Value Approach）
如果你不想使用臨界值，可以使用 P 值。這是假設虛無假設為真時，得到與你樣本一樣極端結果的機率。
簡單規則： 如果 P 值 < \(\alpha\)，則拒絕 \(H_0\)。
口訣： "If the P is low, the Null must go!"（P 值夠低，虛無就走！）
快速複習：
信心水準（Confidence Level）： \(1 - \alpha\)（通常為 95% 或 99%）。
顯著水準（Significance Level）： \(\alpha\)（通常為 5% 或 1%）。
4. 選擇合適的檢定
在 FRM 考試中，你需要知道該從工具箱拿出哪一個工具。以下是作弊小抄：
A. 平均值檢定（\(\mu\)）
使用 Z 檢定（Z-test），如果：
- 你已知母體變異數（\(\sigma^2\)）。
- 或者樣本數夠大（\(n \geq 30\)）。
\(Z = \frac{\bar{x} - \mu_0}{\sigma / \sqrt{n}}\)
使用 T 檢定（T-test），如果：
- 母體變異數未知（現實世界中幾乎總是如此）。
- 樣本數較小（\(n < 30\)）。
\(t = \frac{\bar{x} - \mu_0}{s / \sqrt{n}}\) （其中 \(s\) 為樣本標準差）
B. 變異數檢定（\(\sigma^2\)）
使用 卡方檢定（Chi-Square, \(\chi^2\) Test）來檢定單個母體的變異數。
注意： 卡方分佈不對稱，且數值不能為負。
C. 比較兩個變異數
使用 F 檢定（F-test）來確認兩組母體的變異數是否相等。
公式： \(F = \frac{s_1^2}{s_2^2}\) （永遠將較大的變異數放在分子！）
5. 假設檢定的五步驟指南
剛開始覺得棘手也沒關係，每次照著這 5 個步驟走就對了：
步驟 1： 寫出虛無假設（\(H_0\)）和對立假設（\(H_a\)）。
步驟 2： 選擇顯著水準（\(\alpha\)）——通常為 0.05。
步驟 3： 確定合適的檢定統計量（Z、T、卡方或 F）。
步驟 4： 使用樣本數據計算檢定統計量。
步驟 5： 將檢定統計量與臨界值進行比較，並做出決策。
6. 常見避坑指南
1. 「接受」虛無假設： 我們從不「接受」虛無假設。我們只能「無法拒絕」它。這聽起來像是律師的文字遊戲，但非常重要！這僅僅表示我們目前沒有足夠的證據去推翻虛無假設。
2. 混淆尾部： 若在 5% 顯著水準下進行雙尾檢定，每一側尾部佔 2.5%。若進行單尾檢定，全部 5% 都在同一側。這會改變你的臨界值！
3. 忽略「常態」假設： 大多數這些檢定都假設原始數據遵循常態分佈。如果數據的分佈形狀很奇怪，這些檢定的結果可能會騙你。
總結表：
平均值檢定（已知變異數）： Z 檢定
平均值檢定（未知變異數）： T 檢定
單一變異數檢定： 卡方檢定
比較兩個變異數： F 檢定
你一定沒問題的！假設檢定只是一種邏輯方式，用來問自己：「這個結果很特別，還是純屬巧合？」掌握這些基礎知識，量化分析（Quantitative Analysis）部分的內容就會變得輕鬆好懂得多。