Agent Skills
返回列表
📊

统计假设检验

数据分析 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @org-eyw2ohcx/aj-geddes-useful-ai-prompts-statistical-hypothesis-testing。

技能介绍

要解决什么问题

你在对比两组实验转化率、多组产品方案的平均指标,或检验两个分类变量是否独立时,常常需要判断:观察到的差异是真实效应,还是抽样波动。统计假设检验提供可复用的决策框架——明确零假设与备择假设、选定显著性水平,并用 p 值与检验统计量支撑「拒绝 / 不拒绝 H0」的结论,而不是凭直觉下判断。

技能如何工作

技能围绕标准检验流程组织内容:

  • 检验选型:两组均值用 t 检验;多组均值用 ANOVA;分类变量独立性用 卡方检验;分布不满足正态或方差齐性时,可改用 Mann-Whitney U、Kruskal-Wallis 等非参数替代。
  • 前提与解读:对照独立性、正态性、方差齐性、样本量与随机抽样等假设清单;按 p < 0.05 与 p ≥ 0.05 区分显著性,并同时考虑效应量与置信区间。
  • 交付物:除 p 值与检验统计量外,还强调效应量计算、分布可视化、区间估计,以及对业务含义的文字解读。
  • 实现:资料中包含用 Python 落地常见检验的指引(与上述检验类型对应)。

边界与注意点

技能不替代完整的实验设计或因果推断课程;p 值易被误读,多重比较未校正、忽略效应量、违反检验前提,以及把相关当成因果,都在 Common Pitfalls 中单独列出。参数检验前应先确认分布与方差假设是否成立,否则选型错误会直接削弱结论可信度。

使用场景

  • A/B 测试结束后,要用 t 检验判断两组均值差异是否在 α=0.05 下显著
  • 三个以上广告素材的点击率均值差异,需要选 ANOVA 并检查方差齐性前提
  • 问卷中两个分类字段(渠道×是否付费)是否独立,要用卡方检验并解读列联表
  • 指标明显偏态、无法满足正态假设时,用 Mann-Whitney U 替代两组 t 检验

适合人员

  • 负责实验结论汇报的数据分析师,需要把 p 值、效应量和置信区间写进周报
  • 做用户分群对比的产品运营,要在多组均值比较时选对检验并列出前提是否满足
  • 用 Python 跑调研或业务数据的工程师,希望按 SKILL 清单产出统计量与可视化
  • 向业务方解释「显著但不重要」或「不显著但效应大」的分析师,需对照效应量与误区清单