1樓：匿名使用者
假設檢驗(hypothesis testing)是數理統計學中根據一定假設條件由樣本推斷總體的一種方法。具體作法是:根據問題的需要對所研究的總體作某種假設，記作h0;選取合適的統計量，這個統計量的選取要使得在假設h0成立時，其分佈為已知;由實測的樣本，計算出統計量的值，並根據預先給定的顯著性水平進行檢驗，作出拒絕或接受假設h0的判斷。
常用的假設檢驗方法有u-檢驗法、t檢驗法、χ2檢驗法(卡方檢驗)、f-檢驗法，秩和檢驗等。
1、提出檢驗假設又稱無效假設，符號是h0;備擇假設的符號是h1。
h0:樣本與總體或樣本與樣本間的差異是由抽樣誤差引起的;
h1:樣本與總體或樣本與樣本間存在本質差異;
預先設定的檢驗水準為0.05;當檢驗假設為真，但被錯誤地拒絕的概率，記作α，通常取α=0.05或α=0.01。
2、選定統計方法，由樣本觀察值按相應的公式計算出統計量的大小，如x2值、t值等。根據資料的型別和特點，可分別選用z檢驗，t檢驗，秩和檢驗和卡方檢驗等。
3、根據統計量的大小及其分佈確定檢驗假設成立的可能性p的大小並判斷結果。若p>α，結論為按α所取水準不顯著，不拒絕h0，即認為差別很可能是由於抽樣誤差造成的，在統計上不成立;如果p≤α，結論為按所取α水準顯著，拒絕h0，接受h1，則認為此差別不大可能僅由抽樣誤差所致，很可能是實驗因素不同造成的，故在統計上成立。p值的大小一般可通過查閱相應的界值表得到。
2樓：匿名使用者
t的臨界值是事先給定的一個置信水品的分位數，這個分位數在實際計算中比較麻煩，它需要對t的密度函式積分獲得，但t的密度函式的解析積分比較麻煩，實踐中使用數值方法如辛普森方法進行數值積分。
統計學中t值p值是什麼意思？怎麼計算？
3樓：不是苦瓜是什麼
1、t指的是t檢驗，亦稱student t檢驗（student's t test），主要用於樣本含量較小（n<30），總體標準
差σ未知的正態分佈資料。
計算：t的檢驗是雙側檢驗，只要t值的絕對值大於臨界值就是不拒絕原假設。
2、p值（p value）就是當原假設為真時所得到的樣本觀察結果或更極端結果出現的概率。如果p值很小，說明原假設情況的發生的概率很小，而如果出現了，根據小概率原理，我們就有理由拒絕原假設，p值越小，我們拒絕原假設的理由越充分。
計算：概率定義為：p(a)=m/n，其中n表示該試驗中所有可能出現的基本結果的總數目。m表示事件a包含的試驗基本結果數。
統計學是關於認識客觀現象總體數量特徵和數量關係的科學。它是通過蒐集、整理、分析統計資料，認識客觀現象數量規律性的方**科學。由於統計學的定量研究具有客觀、準確和可檢驗的特點，所以統計方法就成為實證研究的最重要的方法，廣泛適用於自然、社會、經濟、科學技術各個領域的分析研究。
4樓：匿名使用者
簡單地說，t值和p值都用來判斷統計上是否顯著的指標， 例如不良貸款y對貸款餘額的估計方程x的迴歸估計方程為:y=-0.8+0.
03x,那麼這個方程的係數0.03是否在統計上有意義呢？是否貸款餘額沒增加1個單位，不良貸款就要增加0.
03個單位呢？那麼可以通過計算其t值和p值來判斷，經計算t=7.5,p=0.
000，根據假設檢驗的相關知識，可以判斷這個方程式有意義的。
我認為，要想把它弄清楚，還是需要找本統計學原理的書看看好
5樓：東哥
,t值和p值都用來判斷統計上是否顯著的指標。
p值就是拒絕原假設的最小alpha值嘛，把統計量寫出來，帶進去算出來之後，根據統計量的分佈來算p值啊，舉個例子，比如說算出來的統計量的值為z,服從的是正態分佈，如果是雙邊檢驗的話那麼pvalue=2*(1-probnorm(abs(z)));
單邊檢驗的話，應該是1-probnorm(z);
具體問題具體分析，不同的檢驗方法求p值方法也不一樣，統計的書上肯定都有；t值計算方法相似。
6樓：匿名使用者
統計學中t值p值是什麼意思，怎麼計算統計學中的批直系踢值他的統計表去計算。
7樓：甲殼蟲知道多
最通俗的來講，p值代表原假設成立的概率，所以p值越小代表原假設越不成立，所以可以拒絕原假設。一般p值小於等於5%就可以視為原假設大概率不成立了。
8樓：忽悠村——村長
1：t 這是數理統計中的一種統計量 t統計量
2:而統計量指不含未知引數的樣本函式。如樣本x
9樓：匿名使用者
正態分佈中的引數
p=正態分佈函式（）
t是其逆函式
如p(0)=0.5
卡西歐計算器上就有這功能
統計學假設檢驗的原假設怎麼設？
10樓：帥帥帥的陳
原假設這就是你想證否的一個假設，跟備擇假設相反，一般性包含等於號。
11樓：喵喵喵
原假設的設定是單位根檢驗的首要問題。通過剖析以往單位根檢驗原假設設定存在的缺陷，在同時考慮原假設的可信度和檢驗可靠性的前提下，靳庭良提出了單位根檢驗原假設的一種合理的設定策略及改進的檢驗程式。
該單位根檢驗程式中原假設的設定、檢驗式和臨界值的確定均以樣本序列的資料生成過程為依據，與傳統單位根檢驗程式相比更具有科學性，同時也提高了檢驗的可靠性。
其缺陷是資料生成過程模型的估計對檢驗結果可能產生一定的影響，因此，研究新檢驗程式的檢驗結果對資料生成過程模型估計的敏感性對進一步完善單位根檢驗理論無疑具有重要意義。
原假設在某種意義上是“無效”的，因為它通常代表著一種“現狀”。它通過 “斷言”一個總體引數或總體引數的組合具有一定的值來形式化。在例子中，零假設是“整個州的平均汽油**就是1.
15美元”。零假設寫作h0，那麼h0:µ=1.
15。擴充套件資料
先假定原假設是成立的，這樣正常情況之下，計算的統計量應該是落在兩根線之間的區域的，而如果計算的統計量超出了這個區域，那麼說明原假設是有問題的。
這裡利用了小概率原理：概率很小的事情，在一次試驗中，一般不會發生，如果你買過彩票，應該很容易理解這句話。對應於圖中就是，紅色部分的數值出現的概率很小，出現了就不正常，就要否定原假設，接受備擇假設。
判斷方法：
第一種判斷方法就是，用計算的統計量和兩個臨界值（兩根線的位置）比較，如果超出，則拒絕原假設。
第二種方法，如果一個統計量要落在兩根線的兩邊，概率是多少呢，是 0.05，如果再往兩邊靠呢，那就小於 0.05 了。
所以當概率值 p 小於 0.05 時，統計量也超出 95% 的區域了，也要拒絕原假設。
12樓：豬豬將軍
假沒檢驗分為雙側假設檢驗和單側假設檢驗。雙側假設檢驗所針對的問題是指一些客體的指標過大和過小都不符合要求，或證明總體某個引數是否等於某個特定值。假設的基本設定方法是等號放在原假設，其基本形式為：
原假設!"：!%!
"，備擇假設!#：!!!"。
這裡只談單側假設檢驗中假設的設定依據。
幾種常見的假設檢驗
定義假設檢驗是用來判斷樣本與樣本，樣本與總體的差異是由抽樣誤差引起還是本質差別造成的統計推斷方法。其基本原理是先對總體的特徵作出某種假設，然後通過抽樣研究的統計推理，對此假設應該被拒絕還是接受作出推斷。
基本原理
（1）先假設總體某項假設成立，計算其會導致什麼結果產生。若導致不合理現象產生，則拒絕原先的假設。若並不導致不合理的現象產生，則不能拒絕原先假設，從而接受原先假設。
（2）它又不同於一般的反證法。所謂不合理現象產生，並非指形式邏輯上的絕對矛盾，而是基於小概率原理：概率很小的事件在一次試驗中幾乎是不可能發生的，若發生了，就是不合理的。
至於怎樣才算是“小概率”呢？通常可將概率不超過0.05的事件稱為“小概率事件”，也可視具體情形而取0.
1或0.01等。在假設檢驗中常記這個概率為α，稱為顯著性水平。
而把原先設定的假設成為原假設，記作h0。把與h0相反的假設稱為備擇假設，它是原假設被拒絕時而應接受的假設，記作h1。
假設的形式
h0——原假設， h1——備擇假設
雙側檢驗：h0:μ = μ0 ，h_1:\mu\ne\mu_0
單側檢驗：h_0:\mu\ge\mu_0 ，h1:
μ < μ0 或 h_0:\mu\le\mu_0， h1:μ > μ0 假設檢驗就是根據樣本觀察結果對原假設（h0）進行檢驗，接受h0，就否定h1；拒絕h0，就接受h1。
假設檢驗的種類
下面介紹幾種常見的假設檢驗
1. t檢驗
亦稱student t檢驗（student's t test），主要用於樣本含量較小（例如n<30），總體標準差σ未知的正態分佈資料。
目的：比較樣本均數 所代表的未知總體均數μ和已知總體均數μ0。
計算公式：
t統計量：t=\frac-\mu_0|}}}=\frac-\mu_0}}
自由度：v=n - 1
適用條件：
(1) 已知一個總體均數；
(2) 可得到一個樣本均數及該樣本標準誤；
(3) 樣本來自正態或近似正態總體。
t檢驗的步驟
1、建立虛無假設h0:μ1 = μ2，即先假定兩個總體平均數之間沒有顯著差異；
2、計算統計量t值，對於不同型別的問題選用不同的統計量計算方法；
1）如果要評斷一個總體中的小樣本平均數與總體平均值之間的差異程度，其統計量t值的計算公式為：
t=\frac-\mu_0}}
2）如果要評斷兩組樣本平均數之間的差異程度，其統計量t值的計算公式為：
t=\frac_1-\bar_2}}\times\frac}
3、根據自由度df=n-1，查t值表，找出規定的t理論值並進行比較。理論值差異的顯著水平為0.01級或0.
05級。不同自由度的顯著水平理論值記為t(df)0.01和t(df)0.
054、比較計算得到的t值和理論t值，推斷髮生的概率，依據下表給出的t值與差異顯著性關係表作出判斷。
t值與差異顯著性關係表
t p值 差異顯著程度
t\ge t(df)0.01 p\le 0.01 差異非常顯著
t\ge t(df)0.05 p\le 0.05 差異顯著
t < t(df)0.05 p > 0.05 差異不顯著
5、根據是以上分析，結合具體情況，作出結論。
t檢驗的應用領域：
t檢驗可用於比較藥物**組與安慰劑**組病人的測量差別。
2. z檢驗（u檢驗）
z檢驗是一般用於大樣本(即樣本容量大於30)平均值差異性檢驗的方法。它是用標準正態分佈的理論來推斷差異發生的概率，從而比較兩個平均數的差異是否顯著。
第一步：建立虛無假設 h0:μ1 = μ2 ，即先假定兩個平均數之間沒有顯著差異，
第二步：計算統計量z值，對於不同型別的問題選用不同的統計量計算方法，
1、如果檢驗一個樣本平均數（\bar）與一個已知的總體平均數(μ0)的差異是否顯著。其z值計算公式為：
z=\frac-\mu_0}}}
其中：\bar是檢驗樣本的平均數；
μ0是已知總體的平均數；
s是樣本的標準差；
n是樣本容量。
2、如果檢驗來自兩個的兩組樣本平均數的差異性，從而判斷它們各自代表的總體的差異是否顯著。其z值計算公式為：
z=\frac-\bar}+\frac}}
其中：\bar,\bar是樣本1，樣本2的平均數；
s1,s2是樣本1，樣本2的標準差；
n1,n2是樣本1，樣本2的容量。
第三步：比較計算所得z值與理論z值，推斷髮生的概率，依據z值與差異顯著性關係表作出判斷。如下表所示：
z值與p值關係
\left| z \right| p值 差異程度
\ge2.58 \le0.01 非常顯著
\ge1.96 \le0.05 顯著
<1.96 >0.05 不顯著
第四步：根據是以上分析，結合具體情況，作出結論。
3. f檢驗
4. 卡方檢驗
有關統計學中t檢驗的問題，一個有關統計學中t檢驗的問題
n表示樣本容量，d.f表示自由度 d.f 120時 t分佈是正態分佈 d.f越大，t分佈的圖形越 尖 自由度的確是樣本量減一。二樓的同學，我是現在在大學專門學統計學的。自由度 d.f.全稱 degree of freedom 這個是毋庸置疑的，按照二樓的說法，那n也是自由度？重複了啊。樓下的自己去看...
醫學統計學P值的計算，醫學統計學 如何利用SPSS計算P值。 如圖用什麼檢驗 計算下面兩組資料的P值。。
可以考慮用多變數分析，但需要原始資料 寒秋 只能干預前後空腹血糖和餐後2小時血糖分別用配對t檢驗，用具體數值用spss 才好求出，配對t檢驗要求出處理前後差值的均值和標準差才能計算，該資料是前後二者的均值和標準差，無法求。得出來的應該有2個p,空腹和2小時比較沒意義！醫學統計學 如何利用spss計算...
統計學的Excel中如何求解迴歸趨勢（T）
和才漢魂 表示不太確定您說的迴歸指什麼 如果只是曲線擬合 那麼1l正解 如果是基於最小二乘估計的曲線擬合 獲得曲線趨勢 貌似excel還沒有提供，只提供了多項式和對數擬合等，如果指的是迴歸分析，那麼請參考 不僅可以獲得趨勢 還可以獲得殘差 t檢驗等等。 方法一，做圖法 選中資料區域，插入圖表，選擇散...