本文探讨了卡方检验和Fisher精确检验这两种统计假设检验方法，强调了它们的基本原理，即通过计算p值来决定是否拒绝零假设。尽管存在小概率事件解释的争议，这两种方法在小样本情况下仍被广泛应用。着重介绍了p值决定过程中的局限性。
1、卡方检验是统计检验的一种。统计检验可理解为：
（1）设一个零假设（虚无假设）H0
(2) 假设H0为真，计算H0为真时得到已知样本或比已知样本更极端的情况的概率（p值）
（3）在p值足够小时，拒绝H0
"p值足够小时，拒绝H0"根据的仅仅是“小概率事件不太可能发生”，因而这种做法在当下其实是受到广泛质疑的（但仍然很流行）
具体到卡方检验：
（1）设一个零假设：随机取样
（2）由于在H0为真、理论期望次数足够大、样本容量足够大...卡方趋近于自由度为(k-1)的卡方分布，根据计算出的卡方值和自由度，可以得出H0为真时得到已知样本或比已知样本更极端的情况的概率（p值）
（3）在p值足够小时，拒绝H0
"p值足够小时，拒绝H0"根据的仅仅是“小概率事件不太可能发生”，因而这种做法在当下其实是受到广泛质疑的（但仍然很流行）
2、fisher精确检定也是假设检定的一种，可用于小样本（fisher精确检定直接计算零假设成立时的p值）
步骤：
（1）设一个零假设：随机取样
（2）双尾：计算零假设成立时，已知样本及更极端情况出现的概率并将其相加得到p值（零假设成立意味着服从超几何分布）
（3）
在p值足够小时，拒绝H0
"p值足够小时，拒绝H0"根据的仅仅是“小概率事件不太可能发生”，因而这种做法在当下其实是受到广泛质疑的（但仍然很流行）
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
