推论统计,提到假设检验,从脑海里一跃而出的便是 Z-Test 与 T-Test。可能在大学里学习时对这个两个检验方法囫囵吞枣,现在重新理解,更是疑问重重。 都知道, Z-Test 与 T-Test 用于正态分布的统计检验,大致也能知道T或Zvalue 大于查表后的某个数,便是统计显著差异,需要拒绝,百度搜索也能得知 Z-Test 与 T-Test 的区别: Z-Test 用于大样本(n>30),或总体方差已知; T-Test 在小样本(n<30),且总体方差未知时,适用性优于Z-Test,而在大样本时,T-Test 与 Z-Test 结论趋同。 不禁要问,为什么?为什么?为什么? 这里,尝试从假设检验,Z与T的含义来重新理解。 假设检验 假设统计,分为描述统计与推论统计。顾名思义,描述统计如同画画似的,将一个事务的特征用数字描绘出来,每一幅数码相片背后是一组组的数字,将这组数字经过总结(我认为总结便是降低维度), 变成容易记忆的数字,这些数字能在人的脑海里刻画出一个可识别的形象。那便是描述统计。 推论统计,显然是在描述差异,寻找规律。回归是在求同,寻找规律。聚类,是在求异,...