我们知道假设检验是我们判断数据差异、关联关系、模型拟合效果的常用工具。

但很多人面对假设检验的结果时，常常被 P 值、检验统计量、置信区间绕得晕头转向，不知道该如何依据这些指标做出判定。

今天，我们就结合基础判断依据，把假设检验的三大判定法则一文就搞懂

一、P 值法则：最常用的判定方式

P 值是假设检验中最直观、最常用的判定指标，它的判断依据是：在原假设（H0）成立的前提下，出现当前观测结果或更极端结果的概率。

我们通常以显著性水平 α=0.05 为判定临界值，结合不同检验场景的原假设与备择假设（H1），形成清晰的判定规则。

1. 正态性检验

正态性是很多统计检验的前提，其假设与判定为：

原假设 H0：数据服从正态分布

备择假设 H1：数据不服从正态分布

判定规则：P＞0.05，接受原假设，数据为正态分布

2. 各类假设检验的 P 值判定

除正态性检验外，均值、方差、相关性、模型拟合等场景的假设检验，均围绕 “是否存在显著差异 / 关联 / 影响” 展开，

主要判定均以 P＜0.05 为 “显著” 标准：

均值检验：T 检验、Z 检验、单因子方差分析，H0均为 “无差异”，H1为 “有差异 / 至少一个均值不同”，P＜0.05 则均值有显著差异；

方差检验：单方差、双方差、等方差检验，H0均为 “无差异”，H1为 “有差异 / 至少一个方差不同”，P＜0.05 则方差有显著差异；

相关性检验

H0为 “不相关”，H1为 “相关”，P＜0.05 则变量间存在线性相关；

DOE（试验设计）

H0为 “因子无影响”，H1为 “因子有影响”，P＜0.05 则因子对结果有显著影响；

模型拟合检验

弯曲检验 H0为 “不弯曲”，P＜0.05 则模型存在弯曲；残差检验 H0为 “正态”，P＞0.05 则残差符合正态；失拟检验 H0为 “不失拟”，P＜0.05 则模型存在失拟。

小结：P 值法则的简单口诀就是：正态看 P＞0.05，差异 / 关联 / 影响显著就看 P＜0.05。

二、检验统计量法则：与临界值的对比

检验统计量是根据样本数据计算出的数值，常见的有 F 值、Z 值、卡方值、T 值，它的判断方式是将计算出的统计量与临界值对比，判断是否落入 “拒绝域”。

拒绝域：是指在原假设成立时，出现概率极低的统计量取值范围（由显著性水平 α 决定）；

判定规则：若检验统计量落入拒绝域，就拒绝原假设；若未落入，则无法拒绝原假设。

比如 T 检验中，计算出的 T 值若大于临界值（或小于负临界值），就落入拒绝域，说明均值差异显著；

方差分析中的 F 值，若大于临界 F 值，也说明组间均值存在显著差异。

这一法则是 P 值法则的理论基础，二者判定结果完全一致，只是表现形式不同：

P 值是概率化的结果，检验统计量是数值化的对比，实际应用中可根据软件输出结果灵活选用。

三、置信区间法则：区间包含的判断方式

置信区间是指在一定置信水平下（通常 95%），总体参数可能存在的范围，它的判断关键是看置信区间是否包含原假设对应的参数值。

判定规则：若置信区间包含原假设的参数值，说明总体参数无显著差异，接受原假设；若不包含，则说明有显著差异，拒绝原假设。

举个例子：均值检验中，原假设是 “两组均值无差异（差值为 0）”，若两组均值差的 95% 置信区间包含 0，就说明均值无显著差异；若区间不包含 0（全为正或全为负），则均值有显著差异。

这一法则更直观，能让我们清晰看到总体参数的波动范围，适合需要直观展示差异幅度的场景。

四、三大法则总结：判定结果一致/不矛盾

P 值、检验统计量、置信区间这三大法则，看似形式不同，实则判断结果一致，都是围绕 “是否拒绝原假设” 展开，只是从概率、数值、区间三个不同维度呈现结果。

实际应用中，我们无需纠结用哪种法则，软件输出结果后，按以下主要规则即可快速判定：

正态性、残差检验：P＞0.05 为符合要求；

差异、相关、影响、弯曲、失拟检验：P＜0.05 为显著；

检验统计量：超临界值则拒绝原假设；

置信区间：包含原假设参数则无显著差异。

再次提醒：这三大判异原则同时对一组数据使用时，结果不会互相矛盾！

汇总图如下，建议收藏保存！

学六西格玛，认准自习人！

需要原图可以找六六老师（zixiren666）领取PDF原版

[自习人课堂]六西格玛绿带与黑带备考“四件套”：视频课、直播课、有解析的专业题库、答疑服务，助你通过考试！