假設檢驗全攻略：從P值到方法選擇，一篇文章掌握統計核心技能

為什么這一篇很重要？

做數據分析、質量管理、學術研究，你一定繞不開"假設檢驗"這個詞。但很多人都是：

• ? P值小于0.05就拒絕原假設，但不知道為什么

• ? 面對不同數據類型，不知道該用T檢驗還是卡方檢驗

• ? 回歸分析只看R2，完全忽略了失擬項和彎曲項檢驗

今天這篇，把假設檢驗的核心知識一次性講透，從P值判斷邏輯到方法選擇矩陣，直接上手就能用。

P值判斷，一張表記住就夠用了

項目

原假設 (H0)

備擇假設 (H1)

P值解讀

數據正態性檢驗

正態分布

非正態分布

P<0.05 = 不服從正態分布

相關系數檢驗

系數=0，不相關

系數≠0，相關

P<0.05 = 存在顯著相關性

回歸：效應項

模型無效

模型有效

P<0.05 = 模型顯著

回歸：失擬項

無失擬

有失擬

P<0.05 = 存在失擬（壞事）

回歸：彎曲項

無彎曲

有彎曲

P<0.05 = 存在彎曲（需調整模型）

測量系統：線性/偏倚

無偏倚

有偏倚

P<0.05 = 存在偏倚

列聯表：卡方檢驗

無關聯

有關聯

P<0.05 = 變量間存在關聯

核心邏輯：P值 < 顯著性水平（通常0.05）→ 拒絕原假設

假設檢驗最難的不是計算，而是選對方法。記住這個三步流程：

第一步：確定總體數量（單/雙/多）

第二步：確定檢驗類型（均值/方差/比率/位數）

第三步：考慮數據分布（正態分布 vs 任意分布）

單總體檢驗（1組數據）

表格

檢驗類型

方法

適用場景

均值

δ已知：單樣本Z檢驗

δ未知：單樣本T檢驗

檢驗樣本均值是否等于某個目標值

方差

單方差檢驗 / 圖形化匯總（只求CI）

檢驗樣本方差是否穩定

比率

單比率檢驗

檢驗合格率、通過率等比例指標

位數

單樣本符號檢驗 / Wilcoxon符號秩檢驗

非正態分布時的中位數檢驗

雙總體檢驗（2組數據）

表格

檢驗類型

方法

適用場景

均值

獨立樣本：雙樣本T檢驗

配對樣本：配對T檢驗

比較兩組數據均值差異（如前后對比）

方差

正態分布：雙方差檢驗 / F檢驗

任意分布：雙方差檢驗 / Levene檢驗

檢驗兩組數據方差是否相等

比率

雙比率檢驗

比較兩組合格率差異

位數

Mann-Whitney檢驗

非正態分布時的兩組數據比較

多總體檢驗（3組及以上數據）

表格

檢驗類型

方法

適用場景

均值

方差相等：方差分析 / 單因子

方差不等：宏指令%Welchs

比較多組均值差異

方差

正態分布：等方差檢驗 / Bartlett檢驗

任意分布：等方差檢驗 / Levene檢驗

檢驗多組數據方差齊性

比率

原始數據：交叉分組表和卡方檢驗

列聯表：卡方檢驗（工作表中的雙向表）

比較多組比例差異

位數

Kruskal-Wallis檢驗 / Mood中位數檢驗

非正態分布時的多組數據比較

避坑指南（必看） ?? 常見誤區1：直接做T檢驗，不檢驗正態性

正確做法：先用正態性檢驗（如Anderson-Darling檢驗），P<0.05說明數據不服從正態分布，應使用非參數檢驗（如Mann-Whitney檢驗）

?? 常見誤區2：回歸分析只看R2，忽略失擬項

正確做法：

• 效應項P<0.05：模型有效

• 失擬項P<0.05：存在失擬，模型擬合不好，需要重新建模

• 彎曲項P<0.05：存在彎曲，需要加入高階項

記?。耗Ｐ陀行?≠ 模型擬合好

?? 常見誤區3：多組比較用多次T檢驗

正確做法：使用方差分析（ANOVA），再用事后檢驗（如Tukey法）確定哪兩組有差異

原因：多次T檢驗會顯著增加第一類錯誤的概率

實戰案例 案例1：檢驗新工藝是否提升了產品合格率

場景：原來合格率85%，改進后抽取100件，合格率90%，是否顯著提升？

方法選擇：

1. 總體數量：單總體

2. 檢驗類型：比率

3. 方法：單比率檢驗

結果解讀：P<0.05 → 拒絕原假設（合格率無提升）→ 結論：新工藝顯著提升了合格率

案例2：比較三種不同供應商的產品尺寸穩定性

場景：從A、B、C三家供應商各抽取30件產品，測量尺寸，比較方差差異

方法選擇：

1. 總體數量：多總體

2. 檢驗類型：方差

3. 方法：等方差檢驗 / Bartlett檢驗（假設數據服從正態分布）

結果解讀：

• P<0.05 → 拒絕原假設（方差相等）→ 三家供應商的尺寸穩定性存在顯著差異

• 進一步用事后檢驗確定哪家最穩定