Hypothesis Testing的意思是通过样本去验证总体的方法。
操作方法介绍如下：
Hypothesis Testing会分为Null Hypothesis （H0）和Alternative Hypothesis （Ha或者H1）。 H0和H1是相对立的。H0是验证的主要对象，是通过验证是否拒绝H0来判定H1的正确与否。
方法为：
是通过P值（有多大概率H0是真的），如果P值很小，小于设定的显著性水平（α，一般会设定为0.05），就可以拒绝H0，意味着有足够证据证明Ha是真的。如果大于显著性水平，就是没有足够证据证明Ha是真的。
扩展资料：
进行假设检验，先要对假设进行陈述。通过下例加以说明。
例如，设某工厂制造某种产品的某种精度服从平均数为方差为的正态分布，据过去的数据，已知平均数为75，方差为100。若经过技术革新，改进了制造方法，出现了平均数大于75，方差没有变更，但仍存在平均数不超过75的可能性。试陈述为统计假设。
根据上述情况，可有两种假设，一个是假想平均数不超过75，即假设另一个假想是平均数大于75，即假设如果把作为原假设，即被检验的假设，称作零假设，记作于是。
假设相对于假设来说，是约定的、补充的假设，记作其和有两者选择其一的意思，即作为被检验的假设，则就是备择的，故称为备择假设或对立假设。
温馨提示：答案为网友推荐，仅供参考
第1个回答 2017-01-22
问题问的有点广。基本上来说，Hypothesis Testing是通过样本去验证总体的方法。一般情况下会分为Null Hypothesis (H0)和Alternative Hypothesis (Ha或者H1). H0和H1是相对立的。H0是我们验证的主要对象，是通过验证是否拒绝H0来判定H1的正确与否。
方法就是通过P值，p值可以理解为有多大概率H0是真的。如果P值很小，小于我们设定的显著性水平（α，一般会设定为0.05），我们就可以拒绝H0,意味着我们有足够证据证明Ha是真的。如果大于显著性水平，就是我们没有足够证据证明Ha是真的。这里要强调一点，我们从不接受H0，只是拒绝或不拒绝，因为拒绝了H0并不意味着H0是错误的。这是因为在验证H0的时候我们会犯两类错误。
Type I Error （第一类错误）：H0为真时，我们错误的拒绝了它。
Type II Error （第二类错误）：H0为假时，我们错误的接受了它。
出现这两类错误的原因都是因为我们设定显著性水平α时出了问题。当α设定过低时，就容易犯第一类错误，当α设定过高时，就会犯第二类错误。但同时，我们为避免第一类错误时，势必会提高犯第二类错误的风险，所以显著性水平的设定需要小心。当然，如果你只是在学校学习的话，我们一般会把α直接理解为0.05。本回答被提问者采纳
方法就是通过P值，p值可以理解为有多大概率H0是真的。如果P值很小，小于我们设定的显著性水平（α，一般会设定为0.05），我们就可以拒绝H0,意味着我们有足够证据证明Ha是真的。如果大于显著性水平，就是我们没有足够证据证明Ha是真的。这里要强调一点，我们从不接受H0，只是拒绝或不拒绝，因为拒绝了H0并不意味着H0是错误的。这是因为在验证H0的时候我们会犯两类错误。
Type I Error （第一类错误）：H0为真时，我们错误的拒绝了它。
Type II Error （第二类错误）：H0为假时，我们错误的接受了它。
出现这两类错误的原因都是因为我们设定显著性水平α时出了问题。当α设定过低时，就容易犯第一类错误，当α设定过高时，就会犯第二类错误。但同时，我们为避免第一类错误时，势必会提高犯第二类错误的风险，所以显著性水平的设定需要小心。当然，如果你只是在学校学习的话，我们一般会把α直接理解为0.05。本回答被提问者采纳
相似回答