The language of hypothesis testing

歡迎來到假設檢定（Hypothesis Testing）的世界！

你有沒有聽過某個說法，心裡卻想著：「這真的可信嗎？」或許你的朋友聲稱他能預測硬幣正反面的準確率達 80%，又或是某公司宣稱他們的新種子發芽速度更快。在統計學中，我們不會憑空猜測；我們使用假設檢定來決定是否有足夠的證據去支持這些說法。

起初接觸這麼多新名詞可能會讓你感到困惑，別擔心！把它想像成法庭審判：我們假設一個人是無罪的（即「現狀」），除非我們有足夠的證據證明他有罪。讓我們一起拆解 OCR A Level 考試中所需的相關術語吧。

1. 兩個假設：\( H_0 \) 與 \( H_1 \)

每個檢定都始於兩個相對的敘述。我們總是使用參數（在本章中，通常是指 \( p \)，即二項分佈中的成功機率）來書寫這些假設。

虛無假設（Null Hypothesis，\( H_0 \)）： 這是「平淡」的版本。它假設什麼都沒有改變，情況與過去完全一樣。我們在這裡永遠使用等號。
例子：\( H_0: p = 0.5 \)（硬幣是公正的）。

對立假設（Alternative Hypothesis，\( H_1 \)）： 這是「令人興奮」的版本。它是我們正要檢定的主張。我們會使用 \( > \)、\( < \) 或 \( \neq \) 等符號。
例子：\( H_1: p > 0.5 \)（硬幣偏向正面）。

小貼士：定義參數

OCR 的閱卷員很喜歡看到你定義符號！一定要在假設之後寫下：「其中 \( p \) 為...的總體比例」。

重點總結： \( H_0 \) 是「無罪」假設（相等），而 \( H_1 \) 是「有罪」嫌疑（不等）。

2. 檢定統計量與顯著水準

檢定統計量（Test Statistic）： 這只是你從樣本中得到的結果。如果你投擲硬幣 20 次，得到 15 個正面，「15」就是你的檢定統計量。它是我們用來判斷 \( H_0 \) 的證據。

顯著水準（Significance Level，\( \alpha \)）： 這是我們設定的證據「門檻」。常見的水準是 5%（\( 0.05 \)）或 1%（\( 0.01 \)）。
如果我們的結果純屬偶然的機率低於這個水準，我們就說該結果具有「顯著性」，並拒絕 \( H_0 \)。

你知道嗎？

顯著水準實際上就是錯誤地拒絕了虛無假設的機率。這是我們承擔犯錯的風險！

重點總結： 檢定統計量是證據，而顯著水準是我們用來判斷證據的門檻。

3. 單尾與雙尾檢定

我們要如何決定觀察的方向呢？這取決於題目的要求。

單尾檢定（1-Tail Test）： 我們正在尋找特定方向的變化。
關鍵字：「增加」、「減少」、「更好」、「更差」。
例子：\( H_1: p > 0.2 \) 或 \( H_1: p < 0.2 \)。

雙尾檢定（2-Tail Test）： 我們正在尋找任何方向的變化。
關鍵字：「已改變」、「不同」。
例子：\( H_1: p \neq 0.2 \)。

常見錯誤：

在 5% 水準的雙尾檢定中，你必須將顯著水準一分為二：2.5% 給「過高」的一端，2.5% 給「過低」的一端！

重點總結： 當你有明確方向時使用單尾檢定；當你只想確認數值是否改變時使用雙尾檢定。

4. 臨界值與臨界區域

把臨界區域（Critical Region）（或稱拒絕區域）想像成「紅色地帶」。如果我們的檢定統計量落在這個區域，這代表它發生的機率極低，幾乎不可能純屬巧合，因此我們拒絕 \( H_0 \)。

臨界值（Critical Value）： 標誌著臨界區域起始的「邊界」數值。
接受區域（Acceptance Region）： 沒有足夠證據讓我們改變想法、從而保留 \( H_0 \) 的數值範圍。

類比：跳高運動

臨界值是橫桿的高度。檢定統計量是你實際跳出的高度。如果你跳得比橫桿還高（落入臨界區域），你就完成了足以證明「現狀」被打破的壯舉！

重點總結： 如果你的結果在臨界區域內，就拒絕 \( H_0 \)。若不在，則「無法拒絕（fail to reject）」 \( H_0 \)。

5. P 值（P-value）

P 值是指在假設 \( H_0 \) 為真的情況下，觀察到比實際結果更極端或同樣極端的結果的機率。

簡單法則：
- 如果 P 值 \( \leq \) 顯著水準 \( \rightarrow \) 拒絕 \( H_0 \)。
- 如果 P 值 \( > \) 顯著水準 \( \rightarrow \) 不拒絕 \( H_0 \)。

記憶口訣：

「P 值若低，虛無（Null）必去；P 值若高，虛無（Null）可留。」

重點總結： P 值告訴我們結果發生的機率。極小的 P 值代表結果非常罕見，暗示 \( H_0 \) 可能是錯的。

6. 寫出完美的結論

OCR 對最終結論的用詞非常嚴格。你絕不能說你已經「證明（proven）」了什麼。統計學是關於證據，而非 100% 的確定性。

「兩部分」結論法：

第一部分：統計結果
陳述你是否拒絕 \( H_0 \)，並提及顯著水準。
「在 5% 的顯著水準下，有足夠證據拒絕 \( H_0 \)……」

第二部分：情境結論
將結論連結回題目的情境。
「……這顯示支持新法律的人口比例已經增加。」

錯誤用詞（千萬別這樣寫！）：

- 「我接受 \( H_0 \)」（我們只能說「無法拒絕」它）。
- 「這證明了硬幣有偏向」（這只能說是「暗示」或提供「證據」）。

重點總結： 說話要留有餘地。使用如「證據」、「顯示」和「可能」等詞彙。

重點總複習

- 虛無假設（\( H_0 \)）： 「無變化」的敘述（永遠使用 \( = \)）。
- 對立假設（\( H_1 \)）： 「有變化」的敘述（使用 \( >, <, \text{ 或 } \neq \)）。
- 顯著水準： 證據的門檻（例如 5%）。
- 臨界區域： 導致你拒絕 \( H_0 \) 的數值範圍。
- P 值： 結果純屬偶然發生的機率。