原假设和备择假设
- 原假设
- 原假设声明如均值、标准差等总体参数等于假设值。 原假设通常是“无差异”或“无影响”的假设。
- 备择假设
- 备择假设声明总体参数小于、大于或不同于原假设中的假设值。备择假设陈述了您怀疑为真的内容，这与原假设的陈述相反。通常，假设检验的目标是证明样本数据提供了足够的证据来否定原假设。 对原假设的否定支持备择假设。
在输出中，原假设和备择假设可帮助您验证是否为假设比率输入了正确的值。
N
样本数量 (N) 是样本中的观测值总数。
事件
该事件是样本中感兴趣的值。Minitab 使用事件数来计算样本比例（总体比例的估计值）。您可以通过在指定分析时选择其他值来更改 Minitab 用作事件的值。根据您希望分析估计的比例选择事件。
样本 p
样本比率等于事件数除以样本数量 (N)。
解释
样本比例是对感兴趣事件的总体比例的估计值。
由于比率基于样本数据而不是整个总体，因此样本比率通常不等于总体比率。使用置信区间可以更好地估计总体比率。
置信区间 (CI) 和边界
置信区间提供总体比率的可能值范围。由于样本的随机性，来自总体的两个样本不可能生成相同的置信区间。但是如果将样本重复许多次，则所获得的特定百分比的置信区间或限值会封面未知的总体比率。覆盖该比例的这些置信区间或边界的百分比是该区间的置信水平。 例如，95% 的置信水平表示，如果从总体中随机抽取 100 个样本，则预计大约 95 个样本将产生覆盖总体比例的区间。
上限定义可能大于总体比率的值。下限定义可能小于总体比率的值。
置信区间有助于评估结果的实际意义。使用您的专业知识来确定置信区间是否包含对您的情况具有实际意义的值。 如果区间太宽而无法使用，请考虑增加样本数量。有关详细信息，请转到获得更加精确的置信区间的方法。
描述性统计量
| N | 事件 | 样本 p | p 的 95% 置信区间 |
|---|---|---|---|
| 1000 | 87 | 0.087000 | (0.070617, 0.106130) |
在这些结果中，进行采购的家庭的总体比率估计值为 0.087。总体比率介于大约 0.07 和 0.106 之间的可信度为 95%。
P 值
p 值是根据数据样本中的原假设衡量证据的概率。p 值越小，否定原假设的证据越充分。
解释
使用 p 值可确定总体比率在统计意义上是否不同于假设比率。
- P 值 ≤ α：比率间的差值在统计意义上显著（否定 H0）
- 如果 p 值小于或等于显著性水平，则决策为否定原假设。您可以得出总体比率与假设比率之间的差值在统计意义上显著的结论。请使用您的专业知识确定差值在实际意义上是否显著。有关详细信息，请转到统计显著性和实际显著性。
- P 值 > α：比率间的差值在统计意义上不显著（无法否定 H0）
- 如果 p 值大于显著性水平，则决策为无法否定原假设。您的证据不足，无法得出总体比率与假设比率之间的差值在统计意义上显著的结论。您应该确保检验具有足够的功效来检测到在实际意义上显著的差值。有关详细信息，请转到 单比率的功效和样本数量。
Z 值
当计算使用 威尔逊分数 而不进行连续性校正时，结果包括 Z 值。
解释
可以通过将 Z 值与标准正态分布的临界值进行比较来确定是否要否定原假设。但是，使用检验的 p 值做出相同的决定通常更实际且更方便。
为了确定是否要否定原假设，请将 Z 值与临界值进行比较。对于双侧检验，临界值为 Z1-α/2 ，对于单侧检验，临界值为 Z1-α 。对于双侧检验，如果 Z 值的绝对值大于临界值，则否定原假设。否则，无法否定原假设。您可以在 Minitab 中计算临界值，也可以从大多数统计书籍的标准正态分布表中查找临界值。有关更多信息，请转到使用逆累积分布函数 (ICDF)，然后单击“使用 ICDF 计算临界值”。
