Tabla de Contenidos
Hipoteza zerowa wskazuje, że nie ma związku między dwoma parametrami populacji, to znaczy między zmienną niezależną a zmienną zależną. Jeśli wynik eksperymentu wykazał zależność między dwoma parametrami, wynik mógł być spowodowany błędem eksperymentalnym lub próbkowaniem. Z drugiej strony, jeśli hipoteza zerowa jest fałszywa, istnieje związek między mierzonym zjawiskiem.
Zastosowania hipotezy zerowej
Hipoteza zerowa jest przydatna, ponieważ pomaga stwierdzić, czy istnieje związek między dwoma mierzonymi zjawiskami. Hipoteza zerowa może wskazywać użytkownikowi, czy uzyskane wyniki są wynikiem przypadku, czy manipulacji zjawiskiem. Test hipotezy pozwala odrzucić lub zaakceptować tę hipotezę przy pewnym poziomie ufności.
Do statystycznej dedukcji hipotezy zerowej można zastosować dwa podejścia: test istotności Ronalda Fishera oraz test hipotezy Jerzego Neymana i Egona Pearsona . Podejście Fishera do testu istotności stwierdza, że hipoteza zerowa jest odrzucana, jeśli zmierzone dane są znacznie nieprawdopodobne. Oznacza to, że hipoteza zerowa jest odrzucana, jeśli jest fałszywa. Kiedy hipoteza zerowa jest fałszywa, nie tylko zostaje odrzucona, ale zostaje zastąpiona hipotezą alternatywną.
Jeśli zaobserwowany wynik jest zgodny ze stanowiskiem hipotezy zerowej, hipoteza jest akceptowana. Z drugiej strony test hipotezy Neymana i Pearsona porównuje się z hipotezą alternatywną, aby wyciągnąć wnioski na temat obserwowanych danych. Dwie hipotezy są różnicowane na podstawie obserwowanych próbek.
Jak działa hipoteza zerowa
Hipoteza zerowa to teoria oparta na niewystarczających dowodach, która wymaga dalszych testów, aby udowodnić, czy obserwowane dane są prawdziwe, czy fałszywe. Na przykład stwierdzenie hipotezy zerowej może brzmieć: „światło słoneczne nie wpływa na tempo wzrostu roślin”. Można to sprawdzić, mierząc wzrost roślin w obecności światła słonecznego i porównując go ze wzrostem roślin przy braku światła słonecznego.
Odrzucenie hipotezy zerowej otwiera drogę do nowych eksperymentów weryfikujących istnienie związku między dwiema zmiennymi. Odrzucenie hipotezy zerowej niekoniecznie oznacza, że eksperyment się nie udał, ale raczej otwiera drzwi do nowych eksperymentów.
Aby odróżnić hipotezę zerową od innych form hipotez, hipoteza zerowa jest zapisywana jako H0, podczas gdy hipoteza alternatywna jest zapisywana jako HA lub H1. Testy istotności służą do ustalenia prawdziwości hipotezy zerowej i ustalenia, czy zaobserwowane dane są wynikiem przypadku lub manipulacji tymi danymi.
Na przykład naukowcy sprawdzają hipotezę, badając losową próbkę roślin uprawianych z lub bez światła słonecznego. Jeśli wynik wykaże statystycznie istotną zmianę w stosunku do zaobserwowanych danych, hipoteza zerowa zostaje odrzucona.
Przykład hipotezy zerowej
Przyjmuje się, że roczna stopa zwrotu z obligacji spółki No Profit Limited wynosi 7,5%. Aby sprawdzić, czy hipoteza jest prawdziwa, czy fałszywa, zakładamy, że hipoteza zerowa brzmi: „średni roczny zwrot z obligacji Null Profit Limited nie wynosi 7,5%. Aby przetestować hipotezę, najpierw akceptujemy hipotezę zerową.
Każda informacja sprzeczna z postawioną hipotezą zerową jest uważana za hipotezę alternatywną dla celów testowania hipotezy. W tym przypadku alternatywną hipotezą jest „średni roczny zwrot Profit Null Limited wynosi 7,5%”.
Dokonujemy próby rocznych rentowności obligacji z ostatnich pięciu lat, aby obliczyć średnią z próby z ostatnich pięciu lat. Wynik jest następnie porównywany z zakładaną średnią roczną stopą zwrotu na poziomie 7,5% w celu sprawdzenia hipotezy zerowej.
Okazuje się, że, co zaskakujące, średni roczny zwrot za okres pięcioletni wynosi 7,5%; w takim przypadku hipoteza zerowa zostaje odrzucona. Dlatego hipoteza alternatywna zostaje przyjęta.
Co to jest hipoteza alternatywna?
Hipoteza alternatywna jest przeciwieństwem hipotezy zerowej. Hipoteza alternatywna i hipoteza zerowa wykluczają się wzajemnie, co oznacza, że tylko jedna z nich może być prawdziwa.
Istnieje statystyczna istotność między dwiema zmiennymi. Oznacza to, że jeśli próbki użyte do przetestowania hipotezy zerowej dają fałszywe wyniki, oznacza to, że hipoteza alternatywna jest prawdziwa i że istnieje statystyczna istotność między dwiema zmiennymi.
Cel testu hipotezy
Testowanie hipotez to proces statystyczny polegający na testowaniu hipotez dotyczących zjawiska lub parametru populacji. Jest to zasadnicza część metody naukowej, która jest systematycznym podejściem do oceny teorii poprzez obserwacje i określanie prawdopodobieństwa, że stwierdzenie jest prawdziwe lub fałszywe.
Dobra teoria pozwala na trafne prognozy. Dla analityka dokonującego prognoz testowanie hipotez jest rygorystycznym sposobem wspierania prognozy analizą statystyczną. Testowanie hipotez identyfikuje również wystarczające dowody statystyczne na poparcie danej hipotezy dotyczącej parametru populacji.
Źródła
- księgarnia. (nd). Teoria testu hipotezy Neymana -Pearsona .
- Giron, J. (1998). RA Fisher : Jego wkład w naukę statystyczną.
- Leenen, I. (2012). Test hipotezy zerowej i jej alternatyw . Departament Ewaluacji Edukacji, Wydział Lekarski, Narodowy Autonomiczny Uniwersytet Meksyku.
- Rodriguez, E. (2005). Statystyka i psychologia : analiza historyczna wnioskowania statystycznego.
- https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-statistics/supporting-topics/basics/null-and-alternative-hypotheses/
