1.基本概念

假设检验：从总体出发用样本尺度去检验，实现对总体指标分析的过程。目的是为了分析样本指标和总体指标之间是否存在显著性差异。

基本思想：（1）反证法 （2）小概率事件。
对总体指标进行某种假设，以小概率事件不发生为基准，运用反证法思想，按照总体的假设，并根据所获得的样本的数据，通过样本统计量的分布，得出小概率事件在某一次抽样中发生的错误现象，从而对总体指标的假设做出拒绝的判断。

2.基本步骤

（1）建立原假设
（2）选择检验统计量
（3）寻找拒绝域
（4）计算样本统计量的值，和临界值做比较，做出判断

image.png

3.假设检验中的两类错误

（1）在原假设为真得情况下，拒绝原假设
（2）在原假设为不真的情况下，接受原假设

事先给定显著性水平α，标明犯第一类错误的概率不超过α 。在样本容量一定的情况下，两类错误发生的概率是负相关。通常控制第一类错误发生的概率，一般情况下α取值为0.01、0.05、0.1等。

4.利用p值进行假设检验

（1）P值的含义
P值就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。总之，P值越小，表明结果越显著。但是检验的结果究竟是“显著的”、“中度显著的”还是“高度显著的”需要我们自己根据P值的大小和实际问题来解决。

（2）P值的计算
一般地，用X 表示检验的统计量，当H0 为真时，可由样本数据计算出该统计量的值C ，根据检验统计量X 的具体分布，可求出P 值。具体地说:
　　左侧检验的P 值为检验统计量X 小于样本统计值C 的概率，即:P = P{ X < C}
　　右侧检验的P 值为检验统计量X 大于样本统计值C 的概率:P = P{ X > C}
　　双侧检验的P 值为检验统计量X 落在样本统计值C 为端点的尾部区域内的概率的2 倍: P = 2P{ X > C} (当C位于分布曲线的右端时) 或P = 2P{ X< C} (当C 位于分布曲线的左端时) 。若X 服从正态分布和t分布，其分布曲线是关于纵轴对称的，故其P 值可表示为P = P{| X| > C} 。

（3）使用P值进行判断

计算出P 值后，将给定的显著性水平α与P 值比较，就可作出检验的结论:
　　如果α > P 值，则在显著性水平α下拒绝原假设。
　　如果α ≤ P 值，则在显著性水平α下接受原假设。
　　在实践中，当α = P 值时，也即统计量的值C 刚好等于临界值，为慎重起见，可增加样本容量，重新进行抽样检验。

reference:
https://blog.csdn.net/xlinsist/article/details/52193402
https://blog.csdn.net/back_to_dream/article/details/51361431