起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識3分鐘，看懂假設檢驗
編輯導語：假設檢驗與區間估計存在著內在的本質聯系，它們二者都是用于總體參數推斷的統計方法。本篇作者就對假設檢驗的概念和操作方法等進行了總結，一起來看一下。
大家好，我是愛學習的小xiong熊妹。
今天來說說假設檢驗。這是個古老的方法，近年ABtest大行其道，使假設檢驗方法迎來了新一波文藝復興，搞得很多小伙伴都在問：如何做假設檢驗？那一堆似懂非懂的統計符號啥意思？
今天小熊妹幫大家整理了一個懶人攻略，大家抄起來用即可?？赡苡忻枋霾粶蚀_的地方，大神們勿噴哦。
一、假設檢驗是干什么的？
假設檢驗最常見的場景有兩個：
總之是吵架必備，懟人利器。
二、什么時候適合用假設檢驗？
當錯誤很明顯的時候，不需要做假設檢驗。
比如銷售、運營的表現不好，可以直接取過往X天的銷售業績、運營指標來看。
如果銷售業績一直下滑，還有啥好說的，這時候不需要假設檢驗，直接開懟。
有些問題不那么明顯，比如上邊吐槽的產品壽命問題，除非產品用到爛，否則不知道壽命是多少。
而當用戶遇到產品壽命很短的問題的時候，他們只會默默換牌子，也很少投訴“不耐用”，此時必須做抽樣檢測，就得用到假設檢驗方法。
在論證新點子很好的時候，也需要先把新點子做出來，再做小范圍測試，此時也要用假設檢驗方法。
總之，假設檢驗方法適合于抽樣檢驗/小范圍測試的場景。
三、假設檢驗是怎么驗的？
眾所周知：證偽比證真容易多了。證真要窮盡各種可能，證偽只要找到反例即可。
假設檢驗的基本思路也是如此，它利用了“小概率事件，不可能在一次小范圍抽樣中發生”的樸素原理，先提一個假設，之后看能否用小概率事件推翻它。
能推翻的，就說明假設不成立；不能推翻，就至少說明不能推翻（是否接受假設，可以再驗證）。
基于這個原理，我們一般把要懟翻的結論，作為原假設，然后試著去懟翻它?。ㄈ缦聢D）
很多小伙伴在這里犯迷糊：到底原假設是啥？
最簡單的判斷方法，就是：想懟翻什么，就把什么放原假設（記得帶等號的一定在原假設）。
不過實踐的時候，還是經常會寫錯，這里需要多加練習才行。
設定原假設以后，還要設定“小概率事件”到底有多小。
一般用顯著性水平α來表示。α是一個人工給定的數，一般給0.10,0.05,0,01看起來夠小就行。
四、得到假設以后怎么操作？
得到假設后，需要選擇合適的檢驗統計量，代入參數，計算是否屬于小概率事件。
檢驗統計量，和要檢驗的假設有關系。
比如上述產品使用壽命問題，是一個典型的單總體（只有一個產品要檢驗）+均值（使用壽命，指的是待檢測產品的平均壽命）檢驗問題，因此可以選用t檢驗。
如果是比例檢驗問題（比如檢驗產品的合格率，合格率=問題樣本/全部抽檢樣本），則可以使用Z統計量（如下圖）
有了統計量以后，可以檢驗是否屬于小概率事件。不同的假設，拒絕不同。
關于拒絕區域，有個簡單的記憶方法，就是：
- 如果假設是等號，拒絕區域就是左右兩側。潛臺詞就是：既然咱倆相等，那檢驗值應該不大不小才對。
- 如果假設是小于號，拒絕區域就是右側。潛臺詞就是：既然你比我小，那檢驗值肯定不太大呀。
- 如果假設是大于號，拒絕區域就是左側。潛臺詞就是：既然你比我大，那檢驗值肯定不能太小呀。
這樣就容易區分了。
當然，有很多統計軟件/算法直接給了P值，大家記得：P值小于0.05就拒絕原假設即可。
五、看個簡單的例子
某產品經理宣稱，目標用戶80%都是年輕人（25歲以下），現隨機抽樣200人，發現146名年齡在25歲以下，問：我們能懟翻產品經理的結論不？
解答過程如下：
原假設被拒絕掉了，我們可以認為產品經理在吹逼，打完收工！
六、從假設檢驗到ABtest
實際上，假設檢驗的類型很豐富。
為了小伙伴們理解方便，上邊舉的是最簡單的單總體問題。
單總體問題，常見于已經有了一個預設結論，之后推翻這個結論的情況。
比如證明新版本A比老版本的數據好看。
我們常說的ABtest，如果是真的是設計兩個版本A版和B版，之后再檢驗AB版的區別，則涉及2個總體的均值/比例檢驗，需要用到不同的統計量。
以上檢驗均值/比例的方法，統稱參數檢驗，還有非參數檢驗，比如檢驗身高和體重之間是否有關系。
這些方法在實際工作中有不同的應用場景，之后再慢慢介紹吧。
作者：碼工小熊，微信公眾號：碼工小熊
本文由 @碼工小熊 原創發布于人人都是產品經理，未經許可，禁止轉載。
題圖來自 Unsplash，基于CC0協議
- 目前還沒評論，等你發揮！
