博主头像

Hypothesis Testing Explained｜假设检验详解：Alpha、Beta、Pow

外来客 • 2026-08-29 19:51:20

分享
𝕏 f ◉
声明：本文为对公开视频内容的摘要整理， 未经本站独立核实，可能与原视频存在出入，不代表本站立场、观点或建议； 观点与版权归原作者及原平台所有。 如涉及版权问题，请联系我们，核实后立即删除。 [ 免责声明 ]

📊 假设检验基础与核心概念

  • 假设检验是数据科学中最基础但也最易混淆的主题，常因教科书混合了P值显著性检验与假设检验框架导致理解困难。
  • 核心目标是根据观察到的样本做出判断：接受或拒绝原假设（Null Hypothesis）。
  • 原假设通常表述为处理组与对照组均值之差为零，即不存在处理效应。
  • 根据中心极限定理，当样本量足够大（如30）时，均值差的分布近似正态分布。
  • 需区分标准差（底层分布的误差）与标准误（样本均值的误差），标准误等于标准差除以样本量的平方根。

⚖️ 第一类错误、Alpha与临界值

  • 决策规则基于概率，无法保证100%正确，需设定可接受的错误概率。
  • 临界值（Critical Value）是拒绝原假设的阈值：样本均值高于阈值则拒绝原假设，低于则接受。
  • 第一类错误（Type 1 Error）指原假设为真时错误地拒绝它，其概率称为Alpha。
  • 示例中设定Alpha为5%（0.05），在标准差为1、样本量为30的情况下，计算得出临界值为0.30。
  • 若样本均值大于0.30，则拒绝原假设；否则接受原假设。

🔄 备择假设、Beta与第二类错误

  • 备择假设（Alternative Hypothesis）是理论构造，存在无限多种可能，每种对应不同的均值和概率。
  • 第二类错误（Type 2 Error）指备择假设为真时错误地拒绝它，其概率称为Beta。
  • Beta受三个因素影响：备择假设的标准误、备择假设的均值、以及临界值的选择。
  • 备择假设越保守（均值越接近原假设），Beta越大；备择假设越极端，Beta越小。
  • 示例中设定备择假设均值为0.5，标准差为1，此时Beta对应特定的错误概率。

💪 统计功效（Power）的直观理解

  • 统计功效定义为1减去Beta，即正确接受备择假设的概率。
  • 功效直观上代表检测真实效应的能力：样本量越大，观察越有力，检测真实效应的机会越高。
  • 增加样本量（如从30增至100）会减小标准误，使分布变窄。
  • 在Alpha保持5%不变时，样本量增加导致临界值变小，从而显著降低Beta，提高功效。
  • 功效是A/B测试的核心，几乎所有相关技术（如方差缩减、序贯测试）都间接或直接与功效相关。

📉 最小可检测效应（MDE）与样本量关系

  • 最小可检测效应（MDE）是在给定Alpha、Beta及底层分布假设下，能够检测到的备择假设均值的最小值。
  • MDE是平衡实验速度与样本规模的關鍵指标：样本量越大，MDE越小，即能检测更微小的效应。
  • 示例中，当样本量从30增加到100，且固定Alpha为5%、Beta为20%时，MDE从0.45降低至0.25。
  • 若处理效应较大，即使样本量不大，A/B测试也能可靠检测；若效应微小，则需更大样本量。
  • 理解MDE有助于解释为何在无限多种备择假设中，我们通常只关注特定的一个（即MDE对应的假设）。

博主头像 👤 同一博主

查看该博主全部 36 篇

🧭 类似博主

0 条评论

发表评论

请先 登录 后参与讨论。