Die Sprache der Hypothesentests

Die Theorie der statistischen Hypothesentests wurde in den frühen 20 entwickelt^th Jahrhundert und hat die Hauptstütze der praktischen Statistik seitdem. Es wurde entwickelt, um die wissenschaftliche Methode, um Situationen, in denen Daten mit zufälligen Schwankungen (und fast alle Daten der realen Welt hat zufällige Schwankungen) anzuwenden. Im Folgenden sind einige Begriffe häufig in Hypothesentests verwendet.

• Nullhypothese (Abgekürzt H₀): Die Behauptung, dass eine offensichtliche Wirkung, die Sie in Ihren Daten sehen spiegelt nicht jeder echt Wirkung in der Bevölkerung, sondern ist lediglich das Ergebnis von zufälligen Schwankungen in Ihrer Probe.

• Alternative Hypothese (abgekürzt H₁ oder H_Alt): Die Behauptung, dass es wirklich ist einige echte Wirkung in Ihren Daten, die über was auch immer ist auf zufällige Schwankungen.

• Signifikanztest: Eine Berechnung entwickelt, um festzustellen, ob H₀ vernünftigerweise erklären, was Sie in Ihre Daten zu sehen.

• Bedeutung: Die Schlussfolgerung, dass zufällige Schwankungen allein nicht für die Größe des Effekts Konto können Sie in Ihre Daten zu beobachten, so H₀ muss falsch sein, und Sie H akzeptieren_Alt.

• Statistik: Eine Zahl, die Sie von Ihrer Daten zu erhalten oder zu berechnen.

• Teststatistik: Eine Zahl, berechnet aus den Daten, in der Regel zum Zwecke der Prüfung H₀. Es ist oft - aber nicht immer - berechnet als Verhältnis von einer Zahl, die die Größe des Effekts (das Signal) durch eine Zahl dividiert misst, um die Größe der Zufallsschwankungen misst (das Rauschen).

• p-Wert: Die Wahrscheinlichkeit, dass zufällige Schwankungen allein in Ermangelung einer wirklichen Effekt (in der Bevölkerung) eine beobachtete Wirkung zumindest so groß hätte produzieren können, was Sie in Ihrer Probe zu beobachten. Der p-Wert ist die Wahrscheinlichkeit von zufälligen Schwankungen machen die Teststatistik mindestens so groß sein wie das, was Sie aus Ihren Daten berechnen (oder, genauer gesagt, zumindest so weit weg von H₀ in Richtung H_Alt).

• Typ-I-Fehler: Erste ein signifikantes Ergebnis, wenn in der Tat, ist keine wirkliche Wirkung vorhanden, nur zufällige Schwankungen.

• Alpha: Die Wahrscheinlichkeit, einen Typ-I-Fehler zu machen.

• Typ-II-Fehler: Andernfalls ein signifikantes Ergebnis zu erhalten, wenn in der Tat, wirklich eine Wirkung vorliegt.

• Beta: Die Wahrscheinlichkeit, einen Typ-II-Fehler zu machen.

• Power: Die Wahrscheinlichkeit, ein signifikantes Ergebnis, wenn eine gewisse Wirkung wirklich vorhanden ist.