Python-35-假设检验p值
- 2026-10-11 06:08:44
Python-35-假设检验p值假设检验，是属于统计学的知识，我们可以借助Python语言里封装好的函数进行快速计算。 假设检验是用样本数据推断总体特征的统计方法。 步骤：
核心原理：
回归模型-statsmodels 1.F检验的假设：(整个模型有没有用) 
当p值＜0.05时，拒绝接受H0原假设，接受假设H1，该回归模型有用 2.t检验（判断单个自变量是否显著，有没有用） 
当p＜0.05时，拒绝接受H0原假设，接受假设H1,该自变量显著。
正态性检验-scipy.stats 如Shapiro检验、KS检验、JB、QQ图检验等。 判断规则: 总结：
Day 35 #Python #假设检验 0-1总是艰难的，1-0也是。
建立原假设H0，备择假设H1（两个假设相反） 设定显著水平α，通常取α=0.05 选择检验方式，算出检验统计量（z值/t值/卡方值） 确定临界值/计算P值。P值等于原假设H0成立时，抽到当前样本的概率 得出统计结论+业务解释：是否拒绝原假设。
小概率事件在单次抽样中几乎不会发生。 如果在H0成立的前提下，抽到当前样本是小概率事件（p<α），说明原假设不合理，因此推翻H0。（α是允许犯错的概率）
原假设H0：样本（数据）服从正态分布 备择假设H1：样本（数据）不服从正态分布
P＜α，拒绝H0，有充分证据证明数据不满足正态性 P＞α，不能拒绝H0，没有充分证据推翻正态假定，暂时认为数据正态。
p＜α，拒绝原假设；p>α，暂时接受原假设。 正态检验，默认(H0)数据是符合正态分布的，符合需要p>α。 回归模型的F检验、t检验，默认(H0)是不显著的、没有用的。有用需要p<α
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：596563534@qq.com 。
