Cyber Sigma Lab

ACADEMY IMPROVEMENT VALIDATION

判断几组数据之间是否有显著差异 Hypothesis Testing 假设检验

数据之间的差异，是随机波动，还是有统计证据的差别。

01
先建立基本概念 什么是
假设检验
02
选择验证方法 直接进入判断树
选择应用场景
03
已经完成数据收集 直接生成
分析 Prompt
02 HYPOTHESIS TESTING

假设检验

根据提供的数据计算并判断，观察到的差异或关联是否达到 统计学意义上的显著水平。

快速参考

常用假设检验：H₀、Hₐ 与 P-value 判断

常用显著性水平 α = 0.05
典型使用场景 假设检验方法 H₀原假设 Hₐ备择假设 P ≥ 0.05不能拒绝 H₀ P < 0.05拒绝 H₀
当前不良率是否不同于 3%；合格率是否达到既定水平 1-Proportion 单比例检验 p = p₀例：产品合格率 = 95% p ≠ p₀例：产品合格率 ≠ 95% 没有足够证据说明该比例与目标值不同 该比例与目标值存在显著差异
改善前后不良率；两个供应商的合格率比较 2-Proportion 双比例检验 p₁ = p₂例：改善前后不良率相同 p₁ ≠ p₂例：改善前后不良率不同 没有足够证据说明两个比例不同 两个比例存在显著差异
供应商与缺陷类型；产线与缺陷类别；多个比例的整体比较 Chi-square 卡方检验 两个分类变量相互独立例：供应商与缺陷类型无关联 两个分类变量存在关联例：供应商与缺陷类型有关联 没有足够证据说明两个分类变量有关联 两个分类变量存在显著关联
平均重量是否等于 100 g；平均强度是否偏离目标 1-Sample t 单样本 t 检验 μ = μ₀例：平均重量 = 100 g μ ≠ μ₀例：平均重量 ≠ 100 g 没有足够证据说明总体均值偏离目标值 总体均值与目标值存在显著差异
新旧工艺平均值；两个独立供应商的平均性能比较 2-Sample t 双样本 t 检验 μ₁ = μ₂例：新旧工艺平均强度相同 μ₁ ≠ μ₂例：新旧工艺平均强度不同 没有足够证据说明两个总体均值不同 两个总体均值存在显著差异
三个及以上供应商、配方、工艺条件或产线的均值比较 ANOVA 方差分析 μ₁ = μ₂ = μ₃ = …例：3 个供应商平均强度相同 至少有一组均值不同例：至少 1 个供应商平均强度不同 没有足够证据说明各组总体均值存在差异 至少一组总体均值存在显著差异
温度与粘度、速度与强度、压力与尺寸之间的线性相关 Correlation 相关性检验 ρ = 0例：温度与粘度无线性相关 ρ ≠ 0例：温度与粘度存在线性相关 没有足够证据支持两个变量存在线性相关 两个变量存在线性相关的统计证据
判断连续数据的分布特征，为后续统计方法选择提供依据 Normality Test 正态性检验 数据来自正态分布例：产品重量数据符合正态分布 数据不来自正态分布例：产品重量数据不符合正态分布 没有足够证据拒绝正态分布假设 数据与正态分布存在显著偏离
NOTE

表中以双侧检验为基础示例。若研究问题明确要求判断“更高”“更低”或“改善后更好”， Hₐ 可以定义为单侧方向；后续判断树会根据实际场景确定。

样本量

假设检验之前，需要先确认样本量是否足够

样本量决定研究能够识别多小的真实差异。样本量不足时， 即使实际存在差异，也可能得到 P ≥ 0.05。

01 选择检验方法 1-Proportion / t Test / ANOVA …
→
02 输入设计参数 α · Power · 目标差异 · σ / p
→
03 计算所需样本量 不同假设检验使用对应的样本量计算方法
下一部分通过判断树选择正确的假设检验，并计算相对应的样本量。 进入判断树
03判断树

选择正确的假设检验

根据数据类型、比较组数和数据关系选择方法。选定后填写实际样本量，直接生成数据收集表。

STEP 01数据类型

你要比较的结果是什么类型？

STEP 02比较结构

你要比较几个比例？

STEP 03数据关系

两组二分类结果是否来自同一对象的一一配对？

STEP 02比较结构

你要比较几个均值？

STEP 03数据关系

两组连续数据是否来自同一对象或明确一一配对？

推荐方法1-Proportion单比例检验

一个比例与目标值比较

例：不良率是否与 3% 有差异

下一步填 n → 生成表格
生成数据表 →
推荐方法2-Proportion独立双比例

两个独立比例比较

例：供应商 A vs B 不良率

下一步填两组 n → 生成表格
生成数据表 →
推荐方法McNemar配对二分类

同一对象前后二分类结果

例：同一样品前后 Pass / Fail

下一步填配对数 → 生成表格
生成数据表 →
推荐方法Chi-square卡方检验

分类变量分布 / 关联比较

例：供应商 × 缺陷类型

下一步填各组 n → 生成表格
生成数据表 →
推荐方法1-Sample t单样本 t

一个均值与目标比较

例：平均重量 vs 100 g

下一步填 n → 生成表格
生成数据表 →
推荐方法Paired t配对 t

同一对象前后连续数据

例：同一样品前后强度

下一步填配对数 → 生成表格
生成数据表 →
推荐方法2-Sample tWelch t

两个独立均值比较

例：两个供应商平均强度

下一步填两组 n → 生成表格
生成数据表 →
推荐方法ANOVA单因素方差分析

三个及以上独立总体均值

例：3 个供应商平均强度

下一步填每组 n → 生成表格
生成数据表 →
04数据收集与分析

填写样本量，生成数据表与分析 Prompt

选好方法后，填写实际每组样本量，直接生成对应的数据收集格式。数据收集完成后，只需要一段分析 Prompt。

直接进入已经知道要用哪种检验？
1-Proportion单比例检验2-Proportion双比例检验McNemar配对二分类检验Chi-square卡方检验1-Sample t单样本 t 检验Paired t配对 t 检验2-Sample tWelch 双样本 t 检验ANOVA单因素方差分析

不确定时，请先使用上方第 03 部分判断树。

当前方法1-Proportion单比例检验
重新选择 ↑
01 · 实际样本量 填写你已经收集或计划收集的数据量 这里只决定数据表需要多少行，不进行 Power 计算。
可选 · 样本量工具
当前方法2-Proportion双比例检验
重新选择 ↑
01 · 实际样本量 填写你已经收集或计划收集的数据量 这里只决定数据表需要多少行，不进行 Power 计算。
可选 · 样本量工具
当前方法McNemar配对二分类检验
重新选择 ↑
01 · 实际样本量 填写你已经收集或计划收集的数据量 这里只决定数据表需要多少行，不进行 Power 计算。
可选 · 样本量工具
当前方法Chi-square卡方检验
重新选择 ↑
01 · 实际样本量 填写你已经收集或计划收集的数据量 这里只决定数据表需要多少行，不进行 Power 计算。
可选 · 样本量工具
当前方法1-Sample t单样本 t 检验
重新选择 ↑
01 · 实际样本量 填写你已经收集或计划收集的数据量 这里只决定数据表需要多少行，不进行 Power 计算。
可选 · 样本量工具
当前方法Paired t配对 t 检验
重新选择 ↑
01 · 实际样本量 填写你已经收集或计划收集的数据量 这里只决定数据表需要多少行，不进行 Power 计算。
可选 · 样本量工具
当前方法2-Sample tWelch 双样本 t 检验
重新选择 ↑
01 · 实际样本量 填写你已经收集或计划收集的数据量 这里只决定数据表需要多少行，不进行 Power 计算。
可选 · 样本量工具
当前方法ANOVA单因素方差分析
重新选择 ↑
01 · 实际样本量 填写你已经收集或计划收集的数据量 这里只决定数据表需要多少行，不进行 Power 计算。
可选 · 样本量工具
06 使用支持
CONTACT

有问题？联系作者

如果以上操作、样本量计算或 Prompt 使用过程中有任何问题， 请通过邮件联系作者。

发送邮件到: cybersigmalab@proton.me