假设检验-检验原理通俗理解（一）_如何用最通俗易懂的方式理解假设检验

一、假设检验的基本认识

1.假设检验的概念

假设检验的本质：检验两组数据的差异是否显著。

当然，假设检验也可以检验多组数据的差异
另外，假设检验一般还会分为：均值检验、方差检验等等
这里就只深入了解两组数据的均值差异检验，即可。。。

2. 假设检验的应用场景

2.1 具体应用举例

产品迭代：检验产品迭代的两组数据（迭代、未迭代），通过判断迭代后的产品效果是否有显著改善（用户使用时长增加、用户点击率更高等），进而可以明确迭代是否有效。
算法优化：检验算法优化的两组数据（优化、未优化），通过判断优化后的算法效果是否显著提高（算法速度更快，或算法更精确），进而可以明确算法优化是有效的。
运营调整：检验运营调整的两组数据（调整、未调整），通过判断调整后的运营效果是否显著提高（用户满意度更高、用户付费率更高等），进而可以明确运营调整是有效的。
…

2.2 具体应用-ABtest

ABtest实际会应用假设检验，完成具体的数据分析。
但ABtest实验，更注重实验设计，假设检验只是ABtest中的数据分析工具。

3.基本原理

检验两个版本间的数据差异，进而可以用来判断变量的影响：

• 如果数据差异不显著，则认为变量没起作用，即认为两个版本是一样的，没有本质差异；
• 如果数据差异很显著，则认为变量起作用了，即认为两个版本是不同的，有本质上的差异。

那么，关键就在于怎么判断数据差异是否显著呢？

3.1 数据差异的显著性判断

① 根据数值差距的大小对比

之前，我们通过图表对比数据差异时，是根据数值差距的大小来判断的。

如果图表上的数值差距比较大，人们会认为是变量起作用导致的数据差异。

但这样的判断方式还是不够科学严谨的。

因为数值差距的大小，不一定是变量的影响，有可能是因为抽样的随机性引起的。

我们拿一只猫咪的减肥前、后的体重数据来举例。

• 运动减肥前，统计 3 个月体重数据为A组数据：
  均值：它这三个月平均体重是15斤；
  大概率：但由于它吃得多拉的多，所有体重常常浮动在12-18斤之间；
  小概率：偶尔吃得多时体重能达22斤，拉的多时体重会低至9斤。
  

主人为了它健康着想，开始让猫咪每天在跑步机狂奔。

• 运动减肥后，抽取猫咪一周的体重为B组数据：
  均值：平均为14斤。

数据对比：运动前、后平均体重相差1斤，是否可以说明猫咪运动减肥有效了呢？

如果你有过早上瘦2斤，晚上胖3斤的经历，就会拽着一张二五八脸告诉我，不一定！