Тестирање хипотеза је метод који користе многи аналитичари у приватном и државном сектору за давање вероватних изјава или претпоставки о подацима о становништву.
Ако сте се бавили или проучавали податке о популацији, сигурно сте наишли на ово витално средство за тестирање хипотеза.
Многе методе се могу користити да би се направиле претпоставке, али не пружају све већу тачност.
А ако нисте сигурни у своје податке, али и даље желите да их користите, то би могло бити ризично за вашу организацију.
Тестирање хипотеза је добра стратегија за постизање вишег нивоа тачности. Било је инструментално у анализи становништва.
У овом чланку ћу разговарати о томе шта је тестирање хипотеза, како функционише, његове предности и случајеве употребе.
Дакле, без даљег одлагања, почнимо!
Преглед садржаја
Шта је тестирање хипотеза?
Тестирање хипотезе је метод статистичког закључивања који аналитичари користе да би тестирали да ли доступни подаци о популацији у довољној мери подржавају дату хипотезу и да на основу ње праве претпоставке.
Овим методом, аналитичари могу лако да процене хипотезу и одреде колико је тачна претпоставка заснована на подацима који су при руци.
Једноставним речима, то је процес тестирања заснован на инференцијалној статистици који вам омогућава да на основу прикупљених података узорка дођете до пресуде о подацима о популацији.
Генерално, за аналитичаре је готово немогуће да пронађу некретнине или било који одређени параметар целокупне популације. Али кроз тестирање хипотеза, можете донети информисано предвиђање и одлуку на основу података узорка и њихове тачности.
Врсте тестирања хипотеза
Различите врсте тестирања хипотеза су:
- Нулл хипотеза: Статистика показује да су подаци узорка нагли и да нема корелације између две варијабле у датим подацима узорка.
- Алтернативна хипотеза: демонстрира примарну тезу и супротставља се нултој хипотези. То је главна покретачка снага у процесу тестирања јер показује корелацију између две варијабле у узорку података.
- Хипотеза која није усмерена: Ова врста тестирања хипотезе служи као хипотеза са две стране. Приказује да нема смера између две варијабле у узорку података и да права вредност није иста као и предвиђена вредност.
- Хипотеза усмерености: Хипотеза усмерења описује неку везу између две варијабле. Овде, једна варијабла у узорку података може утицати на друге варијабле.
- Статистичка хипотеза: Помаже аналитичарима да процене да ли подаци и вредност задовољавају одређену хипотезу. Веома је користан у давању изјава и претпоставки у вези са исходом параметра популације узорка.
Даље, хајде да разговарамо о методама тестирања хипотеза.
Методе провере хипотеза
Да бисте проценили да ли је одређена хипотеза тачна или не, као аналитичар, биће вам потребно много веродостојних доказа да бисте закључили. У овом процесу тестирања, нулта и алтернативна хипотеза се поставља пре почетка процене.
Тестирање хипотеза не укључује само једну методу, већ многе за процену да ли су подаци узорка повољни. Као аналитичар, морате узети у обзир податке и величину узорка и одабрати који вам метод тестирања хипотеза одговара.
Тестирање нормалности
То је стандардна метода тестирања хипотеза за анализу регуларне дистрибуције у узорку података. Током процеса тестирања, проверава се да ли су груписане тачке података око средње вредности испод или изнад средње вредности.
У овом статистичком тестирању, шанса да поени иду изнад или испод средње вредности је подједнако вероватна. Формира се звонаста крива, која је подједнако распоређена на обе стране средње вредности.
З-тест тестирање
То је још једна врста тестирања хипотеза која се користи када се подаци о популацији нормално дистрибуирају. Он тестира да је средња вредност два одвојена параметра популације различита када вам је варијанса података позната.
Током анализе података о популацији, велика је вероватноћа да ћете користити овај тип када је величина узорка података већа од тридесет. Штавише, централна гранична теорема је још један разлог који чини З-тест погодним, пошто теорема каже да када се величина узорка повећава, узорци су нормално распоређени.
Т-тест тестирање
Тестирање хипотезе Т-теста ћете користити када је величина узорка ограничена и обично је дистрибуирана. Генерално, када је величина узорка испод 30, а стандардна девијација параметра вам је непозната, углавном се примењује.
Када радите Т-тест, то радите да бисте израчунали интервале поверења специфичних података о популацији.
Хи-квадрат тест
Хи-квадрат тест је популаран процес тестирања хипотеза који се често користи за процену подобности и интегритета дистрибуције података.
Извор: википедиа.орг
Међутим, главни разлог због којег ћете користити овај тип хипотезе је када желите да тестирате варијансу популације у односу на варијансу популације претпостављене или познате вредности. Спроводе се различити хи-квадрат тестови, али најчешћи тип је хи-квадрат тест варијансе и независности.
АНОВА Тестинг
Скраћено као Анализа варијансе, то је статистичка метода тестирања која помаже у поређењу скупова података два узорка. Међутим, омогућава вам да упоредите више од два средства истовремено.
Такође објашњава зависну променљиву и независну варијаблу података узорка. Употреба АНОВА је прилично слична употреби З-теста и Т-теста, али су последња два ограничена на само два начина.
Како функционише тестирање хипотеза?
Сваки аналитичар који користи тестирање хипотеза користи податке случајног узорка за анализу и мерење. Током тестирања, подаци случајног узорка се користе за тестирање нулте хипотезе и алтернативне хипотезе.
Као што смо раније расправљали, нулта хипотеза и алтернативна хипотеза се у потпуности међусобно искључују, а током исхода тестирања само једна може бити тачна.
Међутим, постоје случајеви када се нулта хипотеза одбацује; алтернативна хипотеза није увек тачна.
Извор: Кораци аналитике
п-вредност: Док процес тестирања почиње, укључена је п-вредност или вредност вероватноће и показује да ли је резултат значајан или не. И не само то, већ п-вредност такође показује вероватноћу појаве грешке у одбацивању или неодбацивању нулте хипотезе током тестирања. Резултујућа п-вредност је или 0 или 1, која се затим упоређује са нивоом значајности или алфа нивоом.
Ниво значајности овде дефинише прихватљив ризик уз одбијање нулте хипотезе током тестирања. Важно је запамтити да резултат теста хипотезе може довести до две врсте грешака:
- Грешка типа 1 се јавља када резултат теста одбаци нулту хипотезу иако је тачна.
- Грешка типа 2 се појављује када резултат узорка прихвати нулту хипотезу иако је нетачна.
Све вредности које узрокују одбацивање нулте хипотезе се чувају у критичном региону. А критична вредност је та која одваја критичне регионе од других.
Кораци за тестирање хипотеза
Извор: Медиум
Тестирање хипотеза углавном укључује четири корака:
- Дефинишите хипотезе: У првом кораку, ваш посао као аналитичара је да дефинишете две хипотезе тако да само једна може бити истинита. Нулта хипотеза ће указати да нема разлике у средњем БМИ, док ће алтернативна хипотеза навести да постоји значајна разлика у средњем БМИ.
- План: У следећем кораку, мораћете да дизајнирате план анализе о томе како можете анализирати узорке података. Од виталног је значаја да урадите узорковање и прикупите податке узорка како бисте били сигурни да су дизајнирани да тестирају вашу хипотезу.
- Анализирајте узорке података: Након што одлучите како ћете проценити податке, време је да почнете са процесом. Мораћете физички анализирати узорке података како не би дошло до сувишности. Док анализирате податке, требало би да проверите да ли су узорци независни један од другог и да су обе величине узорка довољно велике.
- Израчунајте статистику теста: У овој фази, мораћете да израчунате статистику теста и пронађете п-вредност. П-вредност ће бити одређена претпоставком да је нулта хипотеза тачна.
- Процените резултат: У последњем кораку, мораћете да процените резултат теста хипотезе. Овде ћете одлучити да ли да одбаците нулту хипотезу или да прогласите њену веродостојност на основу података узорка.
Сада ћемо истражити предности тестирања хипотеза.
Предности тестирања хипотеза
Предности тестирања хипотеза су:
- Помаже вам да анализирате снагу ваше тврдње о одлуци о подацима.
- Као аналитичар, омогућава вам да креирате поуздано окружење за одлучивање о узорку података.
- Омогућава вам да утврдите да ли су подаци узорка укључени у тестирање хипотеза статистички значајни.
- То је корисно за процену поузданости и валидности резултата теста у било ком систематском процесу тестирања.
Помаже вам у екстраполацији података из фазе узорка на већу популацију у зависности од захтева.
Случајеви употребе тестирања хипотеза
Тестирање хипотеза се користи у различитим секторима да би се на одговарајући начин погодила тачност података узорка. Неки примери тестирања хипотеза из стварног света су:
#1. Клиничка испитивања
Тестирање хипотеза се широко користи током клиничких испитивања јер помаже медицинским стручњацима да одлуче да ли ће нови лек, третман или процедура бити ефикасни или не на основу података из узорка.
Лекар може мислити да би третман могао да ублажи нивое калијума код неких пацијената. Лекар може да измери ниво калијума у групи пацијената пре третмана и поново провери ниво.
Затим, лекар врши тестирање хипотезе где је Х0: Уафтер = Убефоре, а то означава да је ниво калијума исти као и раније након примене третмана. Друга хипотеза указује на Ха: Уафтер < Убефоре, што значи да се ниво калијума смањио након примене третмана.
Дакле, ако је п-вредност мања од нивоа значаја, онда лекар може закључити да третман може смањити ниво калијума.
#2. Мануфацтуринг
Тестирање хипотеза се користи у производним погонима како би се помогло супервизорима да одлуче да ли је нова метода или техника ефикасна или не.
На пример, неке производне јединице могу користити тестирање хипотеза да би откриле да ли им нова метода помаже да смање број неисправних производа по серији. Претпоставимо да је број неисправних производа 300 по серији.
Произвођач треба да одреди средњу вредност за укупан број неисправних производа произведених пре и после употребе методе. Они могу да врше тестирање хипотеза и користе хипотезе Х0: Уафтер = Убефоре, где је средња вредност неисправних производа произведених након примене нове методе иста као и раније.
Друга хипотеза показује да ХА: Уафтер није једнак Убефоре, што значи да укупан број неисправних производа произведених након примене нове методе није исти.
Након теста, када је п-вредност мања од нивоа значајности, производна јединица може закључити да се број произведених неисправних производа променио.
#3. Пољопривреда
Тестирање хипотеза се често користи да би се утврдило да ли ђубриво или пестицид изазивају раст и имунитет биљака. Биолози могу користити тестирање да докажу да би одређена биљка могла да порасте више од 15 инча након примене новог ђубрива.
Биолог може применити ђубриво месец дана да прикупи податке о узорцима. Када биолог изврши тест, једна хипотеза је Х0 У=15 инча, што указује да ђубриво не изазива побољшање средњег раста биљке.
Друга хипотеза показује ХА: У> 15 инча, што значи да ђубрива изазивају повећање средњег раста биљке. Након тестирања када је п-вредност мања од нивоа значајности, биолог сада може доказати да ђубрива изазивају већи раст него раније.
Ресурси за учење
#1. Статистика: Удеми корак по корак увод
Удеми нуди курс о статистици у којем ћете научити корак по корак увод у статистику, који покрива тестирање хипотеза. Овај курс садржи примере и лекције бившег Гоогле научника за податке који ће вам помоћи да савладате интервале поверења, тестове хипотеза и још много тога.
#2. Основна статистика за анализу података од стране Удеми
Овај Удеми курс о основним статистикама за анализу података ће вам помоћи да научите статистику са пројектима из стварног света, забавним активностима, тестовима хипотеза, дистрибуцијама вероватноће, регресионом анализом и још много тога.
#3. Статистика за науку о подацима и пословну анализу
Овај курс о статистици за науку о подацима и пословну анализу нуди Удеми који ће вам помоћи да научите тестирање хипотеза. Покрива различите статистичке теме, омогућавајући научницима података и пословним аналитичарима да их науче и савладају. Покрива инференцијалну и дескриптивну статистику заједно са регресионом анализом.
#4. Тестирање хипотеза Џима Фроста
Ова књига је доступна на Амазону и представља интуитиван водич који помаже аналитичарима да доносе одлуке засноване на подацима.
Покрива рад тестова хипотеза, зашто су вам потребни, како ефикасно користити интервале поверења, п-вредности, нивое значаја и многе друге теме.
#5. Тестирање хипотеза Сцотт Хартсхорн
Ова књига је јединствена са својим визуелним примерима и најбоља је за почетнике који траже брзи водич за тестирање хипотеза.
Упознаће вас са значајем статистике, врстама и њиховим радом. Није потребно да имате претходно детаљно познавање статистике, али све објашњава интуитивно.
Финал Ворд
Тестирање хипотезе помаже у верификацији претпоставке, а затим развијању статистичких података на основу процене. Користи се у многим секторима, од производње и пољопривреде до клиничких испитивања и ИТ-а. Овај метод није само прецизан, већ вам такође помаже да доносите одлуке засноване на подацима за вашу организацију.
Затим погледајте ресурсе за учење да бисте постали пословни аналитичар.