學習 統計學 假設檢定01
閱讀時間約 1 分鐘
一、檢定步驟
1.設立H0:虛無假設 （希望拒絕的對象）
設立H1:對立假設 （希望接受的對象）
2.選定檢定統計量
3.決定顯著水準及拒絕域
4.計算檢定統計量
5.當落入拒絕域時，則拒絕H0，反之則拒絕H1
1.設立H0:虛無假設 （希望拒絕的對象）
設立H1:對立假設 （希望接受的對象）
2.選定檢定統計量
3.決定顯著水準及拒絕域
4.計算檢定統計量
5.當落入拒絕域時，則拒絕H0，反之則拒絕H1
二
1.型一錯誤 afa= p (拒絕H0/H0為真)
2.型二錯誤 beta= p (接受H0/H0為偽)
3.檢定力 Power=1-beta = p(拒絕H0/H0為假)
當Power愈大時，檢定力愈強
#提升Power的方式
a.增加n b. afa下降 c.單尾檢定
4.p-value
當p>afa時，不拒絕h0，當p<afa時，拒絕h0
1.型一錯誤 afa= p (拒絕H0/H0為真)
2.型二錯誤 beta= p (接受H0/H0為偽)
3.檢定力 Power=1-beta = p(拒絕H0/H0為假)
當Power愈大時，檢定力愈強
#提升Power的方式
a.增加n b. afa下降 c.單尾檢定
4.p-value
當p>afa時，不拒絕h0，當p<afa時，拒絕h0
三、結論
沒有mark down語法的情況下，要在blog寫這種數學的文章會很痛苦，不過我把這裡當做學習的日記本般的存在，而且這種主題會點進來看的也不多啦！以後再看看能不能把這些修正，目前就先這樣，唸到那裡整理到那裡！
沒有mark down語法的情況下，要在blog寫這種數學的文章會很痛苦，不過我把這裡當做學習的日記本般的存在，而且這種主題會點進來看的也不多啦！以後再看看能不能把這些修正，目前就先這樣，唸到那裡整理到那裡！
對了，吳迪的統計課本編寫的真的非常的好，很適合要對統計自修的學生，當然還是本身要有一定的基礎才能上手，有需要的朋友可以參考看看！
8會員
17內容數
我是一個剛過40的中年人，生涯不特別但也不算普通。33歲才回學校唸碩士，還能和一群學弟妹打成一片。在股市操作過千萬資金，擔任過企業的幕僚，經營過店鋪也曾經倒閉，年收入過百萬也賠過百萬，人生高低起伏，就差不曾露宿街頭。我不喜歡講摸不著邊際的大道理。但如果你對人生有所困惑，也許我的些許經驗可以能給你一些藉鑒。
留言0
查看全部
你可能也想看
Google News 追蹤
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
我們做實驗的目的，
往往是想要量化「確定的不確定性 Certain Uncertainty」。
什麼是「不確定性 Uncertainty」？
其實就是無法透過控制各種變因來控制下來的現象。
在做實驗的時候，
就算你已經把實驗條件盡量控制一樣了，
其實實驗的結果每次還是會有一些差異。
終於要開始講統計檢定的實作部分了。因為是舉實例所以滿長的。
為了讓順序比較恰當，這篇比較晚發的文章被設定成假設檢定後的下一篇。
前面說明了所謂「假設檢定」的邏輯，也就是推論統計的基礎。但前面都還只是概念的階段，目前沒有真正進行任何的操作──還沒有提到推論統計的技術。
這篇其實有點像是一個過渡，是將前面的概念銜接到下一篇t分數之間的過程，也可以說是稍微解釋一下t檢定怎麼發展出來的。
隨因為推論統計邏輯明顯有問題
心理學實驗看到的 p value是 P(Data| Hyptohesis), 也就是假設成立的情況下拿到這樣的資料的機率 以下是大家常見的推論步驟:
先設一個虛無假設 (H0)
拿資料, 算 p value ( = P(Data | Hypothesis)
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.2 Structured Probabilistic Models
既然要融入Uncertainty和Probability
選舉民調是預測選舉結果的重要工具。然而，如果我們不了解樣本和母體的概念，就很容易被民調結果誤導。
在本文中，我們將介紹樣本和母體的概念，以及它們對民調結果的影響。我們還將提供一些在閱讀民調報告時的注意事項。
接續上一篇，繼續來講如何從常態分布的機率進行假設檢定，進而推論母體的平均數吧！
這篇會提到否證的邏輯、魔法數字0.5以及統計檢定到底是什麼這三個主題。
本課程為臨護所碩開設，學分為2學分。課程內容包括統計學概論、敘述統計學、電腦在統計上之應用、資料準備、統計推論等。學期作業、考試、評量佔30%至40%，生物統計是基本功，大家加油！
在上一篇文章解釋了常態分布怎麼幫助我們計算事件發生的機率，而更之前也看過了抽樣分布是如何形成常態分布的過程，現在就要利用這兩件事情來慢慢帶出什麼是統計學中的「假設檢定」了。
在生成研究問題，並且對於先行研究進行過一系列的文獻探討之後，研究者可以提出研究假說。會有假說，主要是研究者在提出研究問題的時候，可能心有定見，問題才能成立。上野千鶴子在《如何做好研究論文》一書中，用一個例子來說明如何提出假說。
例如研究者觀察到學生在高中時期經過激烈的考試競爭後上大學，但在上大學後
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
我們做實驗的目的，
往往是想要量化「確定的不確定性 Certain Uncertainty」。
什麼是「不確定性 Uncertainty」？
其實就是無法透過控制各種變因來控制下來的現象。
在做實驗的時候，
就算你已經把實驗條件盡量控制一樣了，
其實實驗的結果每次還是會有一些差異。
終於要開始講統計檢定的實作部分了。因為是舉實例所以滿長的。
為了讓順序比較恰當，這篇比較晚發的文章被設定成假設檢定後的下一篇。
前面說明了所謂「假設檢定」的邏輯，也就是推論統計的基礎。但前面都還只是概念的階段，目前沒有真正進行任何的操作──還沒有提到推論統計的技術。
這篇其實有點像是一個過渡，是將前面的概念銜接到下一篇t分數之間的過程，也可以說是稍微解釋一下t檢定怎麼發展出來的。
隨因為推論統計邏輯明顯有問題
心理學實驗看到的 p value是 P(Data| Hyptohesis), 也就是假設成立的情況下拿到這樣的資料的機率 以下是大家常見的推論步驟:
先設一個虛無假設 (H0)
拿資料, 算 p value ( = P(Data | Hypothesis)
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.2 Structured Probabilistic Models
既然要融入Uncertainty和Probability
選舉民調是預測選舉結果的重要工具。然而，如果我們不了解樣本和母體的概念，就很容易被民調結果誤導。
在本文中，我們將介紹樣本和母體的概念，以及它們對民調結果的影響。我們還將提供一些在閱讀民調報告時的注意事項。
接續上一篇，繼續來講如何從常態分布的機率進行假設檢定，進而推論母體的平均數吧！
這篇會提到否證的邏輯、魔法數字0.5以及統計檢定到底是什麼這三個主題。
本課程為臨護所碩開設，學分為2學分。課程內容包括統計學概論、敘述統計學、電腦在統計上之應用、資料準備、統計推論等。學期作業、考試、評量佔30%至40%，生物統計是基本功，大家加油！
在上一篇文章解釋了常態分布怎麼幫助我們計算事件發生的機率，而更之前也看過了抽樣分布是如何形成常態分布的過程，現在就要利用這兩件事情來慢慢帶出什麼是統計學中的「假設檢定」了。
在生成研究問題，並且對於先行研究進行過一系列的文獻探討之後，研究者可以提出研究假說。會有假說，主要是研究者在提出研究問題的時候，可能心有定見，問題才能成立。上野千鶴子在《如何做好研究論文》一書中，用一個例子來說明如何提出假說。
例如研究者觀察到學生在高中時期經過激烈的考試競爭後上大學，但在上大學後