歡迎來到假設檢定：金融界的「事實查核員」
各位未來的特許金融分析師（Charterholder）大家好！歡迎來到數量分析（Quantitative Methods）中最實用的章節之一。你可以將假設檢定（Hypothesis Testing）視為投資領域的「科學方法」。
想像一位基金經理聲稱其策略能擊敗市場。這是真的，還是他們今年只是運氣好？假設檢定為我們提供了一種數學方法，用來判斷一個結果是統計顯著（statistically significant），還是僅僅是巧合。如果剛開始覺得數學公式很嚇人，不用擔心——我們會將其拆解成簡單且合乎邏輯的步驟。
1. 基礎概念：虛無假設 vs. 對立假設
每個檢定都始於兩個對立的陳述。
虛無假設（Null Hypothesis, \(H_0\)）： 這是「現狀（status quo）」或我們在有足夠證據推翻它之前，預設為真的陳述。它幾乎總是包含「等於」符號（=、≤ 或 ≥）。
類比：在法庭上，虛無假設就是「被告是無罪的」。
對立假設（Alternative Hypothesis, \(H_a\)）： 這是研究人員真正想要證明的假設，是對「現狀」的挑戰。它永遠不包含「等於」符號（<、> 或 ≠）。
類比：檢察官的目標是證明對立假設：「被告是有罪的」。
重要法則： 我們從不「接受」虛無假設。我們只能「拒絕 \(H_0\)」（我們找到了支持 \(H_a\) 的足夠證據），或是「無法拒絕 \(H_0\)」（我們沒有找到足夠的證據）。
重點總結：
永遠尋找「等於」符號。如果一個陳述說「等於」或「至少」，它就屬於 \(H_0\)；如果它說「不等於」或「大於」，它就屬於 \(H_a\)。
2. 單尾檢定 vs. 雙尾檢定
我們如何知道該從哪個方向去觀察？這取決於問題本身。
雙尾檢定（Two-Tailed Test）： 當你想知道數值是否與假設值不同（可能是變高或變低）時使用。
例子：\(H_0: \mu = 10\%\) 對比 \(H_a: \mu \neq 10\%\)。
單尾檢定（One-Tailed Test）： 當你只對單一方向（「大於」或「小於」）感興趣時使用。
例子：\(H_0: \mu \le 0\) 對比 \(H_a: \mu > 0\)。 (我們只關心報酬是否為正)。
速記技巧： 觀察對立假設（\(H_a\)）中的符號。如果是 \(\neq\)，就是雙尾檢定；如果是 \(>\) 或 \(<\)，「箭頭」指向的方向就是你要檢定的尾部（tail）！
3. 檢定中的錯誤：型一錯誤與型二錯誤
在完美的理想世界中，我們總能做出正確判斷。但在統計學中，我們可能會犯兩類錯誤：
型一錯誤（Type I Error）： 拒絕了真實的虛無假設。這就像是將無辜的人定罪。犯下型一錯誤的機率稱為阿爾法 (\(\alpha\))，也稱為顯著水準（Level of Significance）。
型二錯誤（Type II Error）： 無法拒絕錯誤的虛無假設。這就像是放走了一個有罪的人。此錯誤的機率稱為貝塔 (\(\beta\))。
檢定力（Power of a Test）： 這是正確拒絕錯誤虛無假設的機率。計算公式為 \(1 - \beta\)。我們當然希望檢定力越高越好！
記憶小撇步：
型一錯誤是「偽陽性（False Positive）」（你以為發現了什麼，但其實沒有）。
型二錯誤是「偽陰性（False Negative）」（那裡確實有東西，但你錯過了它）。
4. 檢定統計量：我們的測量尺
為了做出決定，我們會計算一個檢定統計量（Test Statistic）。本章中幾乎所有檢定統計量的通用公式如下：
\( \text{Test Statistic} = \frac{\text{樣本統計量} - \text{假設值}}{\text{標準誤}} \)
其中標準誤（Standard Error）通常是樣本標準差除以樣本數的平方根：\( \frac{s}{\sqrt{n}} \)。
你知道嗎？ 檢定統計量只是告訴你，你的樣本結果距離虛無假設有多少個「標準誤」。距離越遠，我們就越傾向於拒絕虛無假設！
5. 選擇正確的檢定（z-檢定 vs. t-檢定）
學生經常糾結於該選哪種檢定。以下是簡單的指南：
使用 t-檢定（t-test）： 如果你不知道母體變異數（這在現實世界中幾乎總是如此）且使用樣本標準差（\(s\)）時。
注意：對於 t-檢定，你需要知道自由度（Degrees of Freedom, df），通常是 \(n - 1\)。
使用 z-檢定（z-test）： 如果你確實知道母體變異數（\(\sigma^2\)），或者樣本量非常大時（儘管在變異數未知時，技術上仍偏好使用 \(t\)）。
6. 決策：拒絕域與 P-值
得到檢定統計量後，該如何決策？
方法一：臨界值（Critical Values）。 將計算出的檢定統計量與查表得到的「臨界值」（基於你的顯著水準，例如 5%）進行比較。如果你的統計量比臨界值更極端，你就拒絕 \(H_0\)。
方法二：P-值（P-value）。 這是「機率」法。P-值是能夠拒絕虛無假設的最小顯著水準。
P-值的黃金法則：
若 P-值 < \(\alpha\)，則 拒絕 \(H_0\)。
若 P-值 ≥ \(\alpha\)，則 無法拒絕 \(H_0\)。
口訣：「If the p is low, the null must go!」（P 值低，虛無歸！）
7. 變異數的檢定
有時我們不關心平均值（mean）；我們關心的是風險（變異數）。
單一變異數檢定： 我們使用 卡方檢定（Chi-square, \(\chi^2\) test）。
公式：\( \chi^2 = \frac{(n-1)s^2}{\sigma_0^2} \)
兩個變異數的比較： 我們使用 F-檢定（F-test）。這在檢查兩隻不同股票是否具有相同風險水準時很常見。
公式：\( F = \frac{s_1^2}{s_2^2} \)（請務必將較大的變異數放在分子，使 \(F > 1\)）。
8. 母數檢定 vs. 無母數檢定
母數檢定（Parametric Tests）： 這些檢定（如 t-檢定和 z-檢定）假設數據遵循特定的分佈（如常態分佈），並依賴平均值和變異數等母數。
無母數檢定（Non-parametric Tests）： 這些是「與分佈無關」的檢定。我們在以下情況使用：
1. 數據不符合常態分佈。
2. 數據是「排序的」（如第一名、第二名）而非具體數值。
3. 樣本量非常小。
要避免的常見錯誤： 不要認為無母數檢定「更好」。如果數據確實呈常態分佈，它們的檢定力其實比母數檢定更弱。
9. 考前重點檢核表
進入下一章前，請確保你已經掌握：
• 能從文字題目中正確識別 \(H_0\) 和 \(H_a\)。
• 區分型一錯誤與型二錯誤。
• 計算單一平均值的 t-統計量。
• 決定是否使用臨界值或 P-值來拒絕 \(H_0\)。
• 識別何時該用卡方檢定（單一變異數）或 F-檢定（兩個變異數）。
別擔心，一開始覺得棘手是很正常的！假設檢定就像學習一門新語言。一旦你熟悉了虛無假設與對立假設的「文法」，邏輯就會變得像本能一樣自然。繼續練習那些計算題吧！