如何撰写假设检验结论：举例

检验假设用于检验关于总体参数的假设是否正确。

为了进行现实世界的假设检验，研究人员从总体中获取随机样本，并使用原假设和备择假设对样本数据进行假设检验：

• 零假设 (H ₀ )：样本数据仅来自偶然。
• 备择假设 ( _HA )：样本数据受到非随机原因的影响。

如果假设检验的p 值低于一定的显着性水平（例如 α = 0.05），则我们拒绝原假设。

否则，如果 p 值不小于一定的显着性水平，我们就无法拒绝零假设。

当我们写假设检验的结论时，我们通常包括：

• 我们是否拒绝原假设。
• 重要性程度。
• 假设检验背景下的简要解释。

例如，我们会写：

我们拒绝 5% 显着性水平的原假设。

有足够的证据支持这一主张……

或者我们写道：

我们未能拒绝 5% 显着性水平的原假设。

没有足够的证据支持这一说法……

以下示例展示了如何在这两种情况下编写假设检验结论。

示例 1：拒绝原假设的结论

假设一位生物学家认为某种肥料会让植物在一个月内比平时长得更多，目前的长高是 20 英寸。为了测试这一点，她对实验室中的每株植物施了一个月的肥料。

然后，她使用以下假设在 5% 显着性水平上进行假设检验：

• H ₀ : μ = 20 英寸（肥料对植物平均生长没有影响）
• H _A : μ > 20 英寸（肥料将导致植物生长平均增加）

假设检验的 p 值为 0.002。

以下是她报告假设检验结果的方式：

我们拒绝 5% 显着性水平的原假设。

有足够的证据支持这一说法，即这种特殊的肥料可以使植物在一个月内比平时生长得更多。

示例 2：不要拒绝原假设的结论

假设一家制造工厂的经理想要测试一种新方法是否会改变每月生产的缺陷部件数量（目前为 250 个）。为了测试这一点，他测量了使用该方法之前和之后生产的缺陷部件的平均数量。新方法。方法一个月。

它使用以下假设在 10% 显着性水平上执行假设检验：

• H ₀ : μ _after = μ _before (使用新方法前后平均缺陷部件数相同)
• H _A : μ _after ≠ μ _before (使用新方法之前和之后生产的缺陷部件的平均数量不同)

假设检验的 p 值为 0.27。

以下是报告假设检验结果的方式：

我们未能拒绝 10% 显着性水平的原假设。

没有足够的证据支持新方法会导致每月生产的缺陷部件数量发生变化的说法。

其他资源

以下教程提供有关假设检验的更多信息：

假设检验简介
假设检验的 4 个现实例子
如何写原假设