假设检验的基本思想可以用来解释（假设检验的基本思想可以用( )来解释吗）

假设检验基本步骤

1.确定原假设和备择假设

H0: 实验组和控制组没有显著差异

H1:实验组和控制组有显著差异

2.构建检验统计量

如果检验统计量服从标准正太分布，总体方差已知或样本量较大，检验统计量一般用z表示，也称为z检验。

如果检验统计量方差未知且样本量小，检验统计量一般用t来表示，也成为t检验

（问题：很奇怪，平时做ab实验的时候都是标准正太分布、样本量大，应该是用z检验。现在实战中每一次都用t检验，是不是说明能够用z检验的也一定能够用t检验。那这种情况下，用t和z哪一个更准确一些呢？有啥好坏优劣呢？还不如不要去区分这些差异，直接都用t检验就好了）

3.确定用于做决策的显著性水平和拒绝域

显著性水平：希望样本结果不可信程度达到多少时候就拒绝原假设H0，通常用希腊字母 α 表示，常常取0.01， 0.05， 0.1来表示

根据检验形式不同，可以分为单尾检验和双尾检验

单尾检验：比较检验统计量是否大于或者小于某一个常数

双尾检验：检验统计量是否有差异

问题：两者到底是什么关系呢？

单尾检验，例如男生的平均升高是不是大于170。双尾检验，例如男女身高是不是有差异。

其实双尾检验也可以转变成单尾检验。男生身高-女生身高是不是大于0

问题：左右侧单尾检验其拒绝域究竟在哪？

左侧 有<, 拒绝区在左边

右侧 有>, 拒绝域在右边

4.计算统计检验量的P值

p值：在原假设H0为真的情况下，p值指的是一个概率值。如果这个概率值很小，那么意味着在H0成立的情况下，发生的概率很小，应该拒绝原假设。

5.作出结论

如果是左侧检验，P<α， 拒绝原假设

如果是右侧检验，P>α，拒绝原假设

两类错误H0正确H0错误接受H0正确二类错误拒绝H0一类错误正确

H0正确，但事实上拒绝H0， 也就是说B版本的确是不如A版本，不该拒绝H0， 但是拒绝了H0， 误认为B版本好于A版本，并应用了B版本。哇，简直灾难了。这是一类错误。一类错误是比较严重的错误。要尽可能减少一类错误（ α错误）。所以对α的要求比较高的。

H0错误，但事实上接受了H0，也就是B版本优于A版本，不该接受H0，但是接受了H0，误认为B版本差于A版本，没有进行应用。出现这一个原因，可能是两者的确有区别，但是区别太小太小了，需要非常大的样本量才能跑出这个差异，且这个差异对我们没有太多的商业价值。所以这么看来，二类错误（β错误）不算太严重。