您的投資顧問為您提出了每月收入的月度收入投資計劃，每月承諾變量返回。只有在您的每月收入平均為180美元，您只能投資它。您的顧問還告訴您過去300個月，該計劃的投資回報平均為190美元，標準差為75美元。你應該投資這個計劃嗎？假設檢測對這種決策的援助來說是援助。

什麼是假設測試？

假設或顯著性測試是用於測試關於給定群體集合參數的索賠，想法或假設的數學模型，使用在樣本集中測量的數據。對所選樣本進行計算，以收集有關整個人口特徵的更多決定性信息，這使得系統的方法能夠測試索賠或關於整個數據集的想法。

這是一個簡單的例子：學校主要報導，他們學校的學生在考試中平均分為7分。為了測試這個“假設”，我們記錄了學校的整個學生人口（比如300）併計算該樣本的平均值。然後，我們可以比較（計算的）樣本意味著（報告的）群體的意思並嘗試確認假設。

要採取另一個例子，特定共同基金的年度返回是8％。假設共同基金已經存在了20年。我們隨意採用五年（樣本）的共同基金的年度回報率，併計算其平均值。然後，我們將（計算的）樣本與（所要求保護的）的樣本進行比較意味著驗證假設。

假設檢測存在不同的方法，但相同的四個基本步驟涉及：

步驟1：定義假設

通常，報告ANCE級別為z>z0.05=1.645。

由於Z=2.309大於1.645，因此可以通過上述類似的結論拒絕零假設。

方法3：p值計算

我們的目標是識別P（樣本意味著>=190，當平均值=180）。

=p（z>=（190-180）/（75/sqrt（300））

=p（z>=2.309）=0.0084=0.84％

下表推斷P值計算的結論是，確認每月返回的證據高於180：

示例2

新的股票（XYZ）聲稱其經紀費低於目前股票經紀人（ABC）的經紀費。獨立研究公司提供的數據表明，所有ABC經紀人客戶的平均值和STD開發分別為18美元至6美元。

採用100個ABC客戶的樣本，並以XYZ經紀人的新率計算經紀費用。如果樣本的平均值為18.75美元，而STD-DEV是相同的（6美元），則可以在ABC和XYZ經紀人之間的平均經紀費用差異進行任何推理嗎？

H0：零假設：平均值=18

H1：替代假設：平均<>18（這就是我們想要證明的。）

抑制區域：z<=-z2.5和z>=z2.5（假設5％的意義水平，兩側每個拆分2.5）。

Z=（樣本均值-平均值）/（STD-DEV/SQRT（樣品））

=（18.75-18）/（6/（SQRT（100））=1.25

此計算的z值落在由以下內定義的兩個限制之間下降：

-Z2.5=-1.96和Z2.5=1.96。

這一總結說，沒有足夠的證據來推斷現有經紀人和新經紀人的利率之間有任何差異。

或者，p值=p（z<-1.25）+p（z>1.25）

=2*0.1056=0.2112=21.12％，大於0.05或5％，導致相同的結論。

圖形方式，它由以下表示：

假設檢測方法的批評點數：

• 一種基於假設

的統計方法

• 在alpha和betaerrors方面易於詳細說明
• 對p值的解釋可以模棱兩可，導致令人困惑的結果

底線

假設檢測允許數學模型以某種置信水平驗證索賠或想法。然而，與大多數統計工具和模型一樣，它受到了幾個限制的束縛。應該考慮使用這種模型來製作財務決策，以危重的眼睛考慮，保持所有依賴項。貝葉斯推理等替代方法也值得探索類似的分析。