雖然在具體某種分析方法中假設檢驗的步驟不盡相同，但一些基本的步驟還是差不多的。

在馬逢時老師書中，假設檢驗的基本步驟分五步，我這裡給出的步驟更細一點。

首先還是要祭出前面出現的那張圖：

具體步驟將根據這張圖展開。具體步驟如下：

84e67e58b6b1e0e985bb15258afa2b5e

將實際問題提煉為統計問題

這是很重要的一步，也是關鍵的一步。舉個例子來說明，某工廠對生產線進行瞭技術改造，老板想知道改造後生產線有什麼提升。首先就要搞清楚對比什麼，是加工精度提高瞭？是合格率提高瞭？是加工工時縮短瞭？還是人力節省瞭？等等。如果老板關註產能是不是提升瞭，那麼實際問題就可以提煉成“改造後的每小時產出數是否高於改進前”這樣一個統計問題。當然老板可能不止關註一個問題，那你就需要提煉出多個統計問題，每個問題所采用的推斷方法可能不同。

再舉個例子，如果你是面包房的老板，最近改進瞭配方，你想知道在客戶那裡面包的口味是否變得更好瞭。這時你就要首先考慮如何對口味進行評價，是由客戶打分呢？還是僅僅讓客戶評價一下，然後計數看看客戶的喜好呢？我們搞簡單一點，兩種面包都讓客戶品嘗，然後有多少人喜歡老面包，有多少人喜歡新面包。那這個實際問題就可以提煉成“配方更改後面包口味是否高於更改前”這樣一個統計問題。

建立假設

假設檢驗需要建立一對相互對立的假設，原假設H_{0} 和備擇假設H_{a} (有很多地方寫成H_{1} )，通常我們將無區別的、不需證明的放在原假設，將有差別的、需要證明的放在備擇假設 (關於如何做假設，下一篇細談)。

在例1中，生產線改造前的均值和方差都已經蓋棺定論瞭，這裡我們就算是已知，改造後待運行穩定後抽樣，這樣我們可以建立的假設如下：

在總體均值和方差已知的條件下，可知這是一個單樣本z檢驗

在例2中，我們感興趣的問題是喜歡新面包的客戶是不是比喜歡老面包的多，也就是說喜歡新面包客戶的比率是不是大於0.5，於是可以建立這樣的假設：

683f3867fe950e68e58a28b0eb9ad9cc

這裡π是總體的比率。這是一個單比率檢驗。

確定顯著性水平α

顯著性水平在這裡也叫第一類風險，大多數情況下取0.05，當然也有取0.1或者0.01的。

驗證前提條件

在很多的方法應用中，都會有一些前提條件，如單樣本z檢驗要求收集的數據要服從正態分佈；方差分析中要求每個樣本都要服從正態分佈，且要滿足方差齊性即方差相等的要求。這是因為每一種檢驗方法都是在這些前提假設中推導出來的，如果這些前提條件不能滿足，則這個方法應用的效果就要大打折扣，這就是在每次檢驗是要驗證前提條件的原因。

確定檢驗統計量

這是關鍵的一步，確定瞭檢驗方法後，就可以列出它的檢驗統計量，如例1中，檢驗統計量就是前面介紹的

b55b845e9ac9568536c42b93ad301271

而例2的檢驗統計量則是

其中n是品嘗面包的客戶數，x是選擇新面包的客戶數。

確定拒絕域

在確定瞭顯著性水平後，即可以根據檢驗統計量計算出拒絕域。所謂的拒絕域，就是根據原假設劃定的一個區域，當所抽樣本計算出的統計量落在這個區域時，就可以拒絕原假設，可想而知，它代表的是樣本遠離原假設的程度。拒絕域有很多種，後面會另行介紹。就本文的例1來說，拒絕域的范圍是z>1.645，是不是覺得這個值很面熟啊？對！在介紹正態分佈的時候重點介紹過。

根據樣本計算檢驗統計量的值並進行判斷

確定瞭拒絕域，下面就是根據樣本計算檢驗統計量的值，如果這個值落在拒絕域中，則拒絕原假設，接受備擇假設；如果沒有落在拒絕域，就說明拒絕原假設的證據還不夠充分，但盡量不要說接受原假設。

現在流行的方法是計算p值，即備擇假設遠離以及更遠離原假設的概率，這主要是因為統計軟件已經非常普及瞭。舉例來說，如果原假設是μ=10，備擇假設是μ>10，抽樣計算出的樣本均值是10.5，則p值就是μ≥10.5的概率；如果備擇假設是μ<10，則p值就是μ≤10.5的概率。將這個p值與α進行比較，如果p<α則說明樣本均值離原假設比較遠，可以拒絕原假設；如果p>α，則說明沒有足夠的證據證明原假設不成立，所以無法拒絕原假設。

將統計判斷結果轉換成實際結果

最後一步，要把統計上得出的結論轉換為實際的結論，並據此作出相應的決策。如在例1中，如果證明備擇假設成立，那就說明老板的錢花對瞭，皆大歡喜；如果證明沒有顯著提高，那還要進一步研究，找出產能沒有有效釋放的原因。

在例2中，由於是離散的二項分佈，要想得出較確切的拒絕原假設的結論有兩種情況，一種是n比較小但p=x/n很大(註意這裡的p與上一小節所說的p值完全不是一個概念)，如果樣本量很小的話，你會看到即使p大到0.8、0.9都不一定顯著；另一種是p=x/n比0.5大不瞭多少，但n非常大。沒辦法，熟悉的人都知道，相同樣本量的連續數據所包含的信息要遠遠多於離散數據。因此在對離散數據進行分析時，盡可能獲取大樣本通常是必需的。

請關註我的微信公眾號：張老師漫談六西格瑪