Hypothesentests sind eine Methode, die von vielen Analysten im privaten und staatlichen Sektor verwendet wird, um wahrscheinliche Aussagen oder Annahmen über Bevölkerungsdaten zu treffen.
Wenn Sie sich mit Bevölkerungsdaten beschäftigt haben oder diese studiert haben, müssen Sie auf dieses wichtige Werkzeug zum Testen von Hypothesen gestoßen sein.
Viele Methoden können verwendet werden, um Annahmen zu treffen, aber nicht alle bieten eine höhere Genauigkeit.
Und wenn Sie sich bezüglich Ihrer Daten nicht sicher sind, sie aber dennoch verwenden möchten, könnte dies für Ihr Unternehmen riskant sein.
Hypothesentests sind eine gute Strategie, um ein höheres Maß an Genauigkeit zu erreichen. Es war maßgeblich an der Bevölkerungsanalyse beteiligt.
In diesem Artikel werde ich diskutieren, was Hypothesentests sind, wie sie funktionieren, welche Vorteile sie haben und welche Anwendungsfälle sie haben.
Also, ohne Umschweife, fangen wir an!
Inhaltsverzeichnis
Was ist Hypothesentest?
Hypothesentests sind eine statistische Inferenzmethode, die Analysten verwenden, um zu testen, ob die verfügbaren Bevölkerungsdaten eine bestimmte Hypothese ausreichend stützen, und Annahmen daraus zu machen.
Durch diese Methode können Analysten eine Hypothese leicht bewerten und bestimmen, wie genau die Annahme auf der Grundlage der vorliegenden Daten ist.
Mit einfachen Worten handelt es sich um einen Testprozess auf der Grundlage von Inferenzstatistiken, mit dem Sie auf der Grundlage gesammelter Stichprobendaten ein Urteil über Bevölkerungsdaten fällen können.
Im Allgemeinen ist es für Analysten fast unmöglich, Eigenschaften oder einen bestimmten Parameter der gesamten Population zu finden. Aber durch Hypothesentests können Sie basierend auf den Beispieldaten und ihrer Genauigkeit eine fundierte Vorhersage und Entscheidung treffen.
Arten von Hypothesentests
Die verschiedenen Arten von Hypothesentests sind:
- Nullhypothese: Die Statistik zeigt, dass die Beispieldaten abrupt sind und es keine Korrelation zwischen den beiden Variablen in den gegebenen Beispieldaten gibt.
- Alternativhypothese: Sie demonstriert die Hauptthese und widerspricht der Nullhypothese. Es ist die Hauptantriebskraft im Testprozess, da es eine Korrelation zwischen zwei Variablen in Beispieldaten zeigt.
- Ungerichtete Hypothese: Diese Art des Hypothesentests dient als zweiseitige Hypothese. Es zeigt, dass es keine Richtung zwischen zwei Variablen in Beispieldaten gibt und dass der wahre Wert nicht mit dem vorhergesagten Wert übereinstimmt.
- Richtungshypothese: Richtungshypothese zeigt eine gewisse Beziehung zwischen zwei Variablen. Hier kann eine Variable in den Beispieldaten die anderen Variablen beeinflussen.
- Statistische Hypothese: Sie hilft Analysten zu beurteilen, ob die Daten und der Wert eine bestimmte Hypothese erfüllen. Es ist sehr nützlich, um Aussagen und Annahmen über das Ergebnis eines Parameters einer Stichprobenpopulation zu treffen.
Lassen Sie uns als Nächstes Methoden zum Testen von Hypothesen diskutieren.
Methoden der Hypothesenprüfung
Um beurteilen zu können, ob eine bestimmte Hypothese wahr ist oder nicht, benötigen Sie als Analyst viele plausible Beweise, um zu schlussfolgern. In diesem Testprozess wird vor Beginn der Bewertung eine Null- und Alternativhypothese aufgestellt.
Das Testen von Hypothesen umfasst nicht nur eine einzige Methode, sondern viele, um zu beurteilen, ob die Stichprobendaten günstig sind. Als Analyst müssen Sie die Daten und die Stichprobengröße berücksichtigen und auswählen, welche Methode zum Testen von Hypothesen zu Ihnen passt.
Normalitätstest
Es handelt sich um eine Standardmethode zum Testen von Hypothesen zum Analysieren der regelmäßigen Verteilung in Stichprobendaten. Während des Testvorgangs wird überprüft, ob die gruppierten Datenpunkte um den Mittelwert unter- oder über dem Mittelwert liegen.
Bei diesem statistischen Test ist die Wahrscheinlichkeit, dass Punkte über oder unter den Mittelwert fallen, gleich wahrscheinlich. Es entsteht eine Glockenkurve, die auf beiden Seiten des Mittelwerts gleichmäßig verteilt ist.
Z-Test-Test
Dies ist eine andere Art von Hypothesentests, die verwendet wird, wenn die Populationsdaten normalverteilt sind. Es testet, ob der Mittelwert von zwei separaten Populationsparametern unterschiedlich ist, wenn Ihnen die Varianz der Daten bekannt ist.
Bei der Analyse von Populationsdaten werden Sie diesen Typ höchstwahrscheinlich verwenden, wenn die Stichprobengröße der Daten mehr als 30 beträgt. Darüber hinaus ist das zentrale Grenzwerttheorem ein weiterer Grund, der Z-Test geeignet macht, da das Theorem besagt, dass die Stichproben normalverteilt sind, wenn die Stichprobengröße zunimmt.
T-Test-Test
T-Test-Hypothesentests werden von Ihnen verwendet, wenn die Stichprobengröße begrenzt und normalerweise verteilt ist. Im Allgemeinen wird sie hauptsächlich angewendet, wenn die Stichprobengröße unter 30 liegt und Ihnen die Standardabweichung des Parameters unbekannt ist.
Wenn Sie einen T-Test durchführen, berechnen Sie damit die Konfidenzintervalle bestimmter Populationsdaten.
Chi-Quadrat-Test
Der Chi-Quadrat-Test ist ein beliebtes Verfahren zum Testen von Hypothesen, das häufig verwendet wird, um die Fitness und Integrität einer Datenverteilung zu bewerten.
Quelle: wikipedia.org
Der Hauptgrund für die Verwendung dieses Hypothesentyps besteht jedoch darin, die Populationsvarianz gegen eine Populationsvarianz mit einem angenommenen oder bekannten Wert zu testen. Es werden verschiedene Chi-Quadrat-Tests durchgeführt, aber der häufigste Typ ist der Chi-Quadrat-Test auf Varianz und Unabhängigkeit.
ANOVA-Tests
Abgekürzt als Varianzanalyse, handelt es sich um eine statistische Testmethode, die dabei hilft, die Datensätze zweier Stichproben zu vergleichen. Sie können jedoch mehr als zwei Mittelwerte gleichzeitig vergleichen.
Es erklärt auch eine abhängige Variable und eine unabhängige Variable von Beispieldaten. Die Verwendung von ANOVA ist der Verwendung von Z-Test und T-Test ziemlich ähnlich, aber die beiden letzteren sind auf nur zwei Mittel beschränkt.
Wie funktioniert Hypothesentest?
Jeder Analyst, der Hypothesentests verwendet, verwendet Stichprobendaten für Analysen und Messungen. Während des Testens werden die Stichprobendaten zum Testen der Nullhypothese und Alternativhypothese verwendet.
Wie wir bereits besprochen haben, schließen sich die Nullhypothese und die Alternativhypothese gegenseitig vollständig aus, und während des Testergebnisses kann nur eine davon wahr sein.
Es gibt jedoch einige Fälle, in denen die Nullhypothese abgelehnt wird; Die Alternativhypothese ist nicht immer wahr.
Quelle: Analytics Steps
p-Wert: Während der Testprozess beginnt, ist der p-Wert oder Wahrscheinlichkeitswert beteiligt und zeigt an, ob das Ergebnis signifikant ist oder nicht. Darüber hinaus zeigt der p-Wert auch die Wahrscheinlichkeit des Auftretens eines Fehlers beim Verwerfen oder Nichtverwerfen einer Nullhypothese während des Tests. Der resultierende p-Wert ist entweder 0 oder 1, der dann mit dem Signifikanzniveau oder Alpha-Niveau verglichen wird.
Das Signifikanzniveau definiert hier das akzeptable Risiko bei Ablehnung einer Nullhypothese während des Tests. Es ist wichtig, sich daran zu erinnern, dass das Ergebnis des Hypothesentests zu zwei Arten von Fehlern führen kann:
- Fehler 1. Art tritt auf, wenn das Testergebnis die Nullhypothese verwirft, obwohl sie wahr ist.
- Fehler 2. Art tritt auf, wenn die Nullhypothese vom Stichprobenergebnis akzeptiert wird, obwohl sie falsch ist.
Im kritischen Bereich werden alle Werte gespeichert, die zur Ablehnung der Nullhypothese führen. Und es ist der kritische Wert, der die kritischen Regionen von anderen trennt.
Schritte zur Durchführung von Hypothesentests
Quelle: Medium
Das Testen von Hypothesen umfasst im Wesentlichen vier Schritte:
- Hypothesen definieren: Im ersten Schritt besteht Ihre Aufgabe als Analyst darin, die beiden Hypothesen so zu definieren, dass nur eine wahr sein kann. Die Nullhypothese zeigt an, dass es keinen Unterschied im mittleren BMI gibt, während die Alternativhypothese besagt, dass es einen signifikanten Unterschied im mittleren BMI gibt.
- Plan: Im nächsten Schritt müssen Sie einen Analyseplan entwerfen, wie Sie die Probendaten analysieren können. Es ist wichtig, dass Sie Stichproben durchführen und die Stichprobendaten sammeln, um sicherzustellen, dass Ihre Hypothese getestet wird.
- Probendaten analysieren: Nachdem Sie entschieden haben, wie Sie die Daten auswerten möchten, ist es an der Zeit, mit dem Prozess zu beginnen. Sie müssen die Beispieldaten physisch analysieren, damit keine Redundanz entsteht. Bei der Analyse der Daten sollten Sie prüfen, ob die Stichproben voneinander unabhängig sind und beide Stichprobenumfänge groß genug sind.
- Teststatistiken berechnen: In dieser Phase müssen Sie die Teststatistiken berechnen und den p-Wert ermitteln. Der p-Wert wird bestimmt, indem angenommen wird, dass die Nullhypothese wahr ist.
- Ergebnis bewerten: Im letzten Schritt müssen Sie das Ergebnis des Hypothesentests bewerten. Hier entscheiden Sie, ob Sie die Nullhypothese ablehnen oder anhand der Stichprobendaten plausibel erklären.
Nun werden wir die Vorteile des Hypothesentests untersuchen.
Vorteile des Hypothesentests
Die Vorteile des Hypothesentests sind:
- Es hilft Ihnen, die Stärke Ihres Anspruchs auf eine Datenentscheidung zu analysieren.
- Als Analyst können Sie damit eine zuverlässige Umgebung für die Entscheidung über Probendaten schaffen.
- Damit können Sie feststellen, ob die Stichprobendaten, die beim Testen von Hypothesen verwendet werden, statistisch signifikant sind.
- Es ist vorteilhaft für die Beurteilung der Zuverlässigkeit und Gültigkeit von Testergebnissen in jedem systematischen Testprozess.
Es hilft Ihnen bei der Extrapolation der Daten aus einem Stichprobenstadium je nach Anforderung auf eine größere Population.
Anwendungsfälle des Hypothesentests
Hypothesentests werden in verschiedenen Sektoren eingesetzt, um die Genauigkeit von Stichprobendaten angemessen zu erraten. Einige reale Beispiele für Hypothesentests sind:
#1. Klinische Versuche
Hypothesentests werden in klinischen Studien häufig eingesetzt, da sie Medizinern helfen, anhand von Stichprobendaten zu entscheiden, ob ein neues Medikament, eine neue Behandlung oder ein neues Verfahren wirksam ist oder nicht.
Ein Arzt kann denken, dass eine Behandlung den Kaliumspiegel bei einigen Patienten verringern könnte. Der Arzt kann den Kaliumspiegel einer Gruppe von Patienten vor der Behandlung messen und den Spiegel erneut überprüfen.
Als nächstes führt der Arzt Hypothesentests durch, wobei H0: Unachher = Uvorher, und dies bedeutet, dass der Kaliumspiegel nach Anwendung der Behandlung derselbe ist wie zuvor. Eine andere Hypothese besagt Ha: Unachher < Uvorher, was bedeutet, dass der Kaliumspiegel nach Anwendung der Behandlung abgenommen hat.
Wenn also der p-Wert unter dem Signifikanzniveau liegt, kann der Arzt schlussfolgern, dass die Behandlung den Kaliumspiegel senken kann.
#2. Herstellung
Hypothesentests werden in Produktionsstätten eingesetzt, um Vorgesetzten bei der Entscheidung zu helfen, ob die neue Methode oder Technik effektiv ist oder nicht.
Beispielsweise können einige Produktionseinheiten Hypothesentests verwenden, um herauszufinden, ob die neue Methode ihnen hilft, die Anzahl fehlerhafter Produkte pro Charge zu reduzieren. Angenommen, die Anzahl fehlerhafter Produkte beträgt 300 pro Charge.
Der Hersteller muss den Mittelwert für die Gesamtzahl der vor und nach Anwendung des Verfahrens produzierten fehlerhaften Produkte ermitteln. Sie können Hypothesentests durchführen und Hypothesen H0 verwenden: Unachher = Uvorher, wobei der Mittelwert der nach Anwendung einer neuen Methode produzierten fehlerhaften Produkte derselbe ist wie zuvor.
Eine andere Hypothese zeigt, dass HA: Unachher nicht gleich Uvorher ist, was bedeutet, dass die Gesamtzahl der nach Anwendung der neuen Methode produzierten fehlerhaften Produkte nicht gleich ist.
Wenn der p-Wert nach dem Test kleiner als das Signifikanzniveau ist, kann die Produktionseinheit schließen, dass sich die Anzahl der produzierten fehlerhaften Produkte geändert hat.
#3. Landwirtschaft
Hypothesentests werden häufig verwendet, um herauszufinden, ob Düngemittel oder Pestizide das Wachstum und die Immunität von Pflanzen verursachen. Biologen können die Tests verwenden, um zu beweisen, dass eine bestimmte Pflanze nach dem Auftragen des neuen Düngemittels mehr als 15 Zoll wachsen könnte.
Der Biologe kann den Dünger einen Monat lang ausbringen, um Probendaten zu sammeln. Wenn der Biologe einen Test durchführt, ist eine Hypothese H0 U = 15 Zoll, was darauf hindeutet, dass der Dünger das mittlere Wachstum der Pflanze nicht verbessert.
Eine andere Hypothese zeigt HA: U> 15 Zoll, was bedeutet, dass die Düngemittel eine Verbesserung des mittleren Wachstums der Pflanze bewirken. Nachdem er getestet hat, wann der p-Wert kleiner als das Signifikanzniveau ist, kann der Biologe nun nachweisen, dass Düngemittel mehr Wachstum bewirken als zuvor.
Lernmittel
#1. Statistik: Eine Schritt-für-Schritt-Einführung von Udemy
Udemy bietet einen Statistikkurs an, in dem Sie Schritt für Schritt in die Statistik eingeführt werden und Hypothesentests abdecken. Dieser Kurs enthält Beispiele und Lektionen von einem ehemaligen Google-Datenwissenschaftler, die Ihnen helfen, Konfidenzintervalle, Hypothesentests und mehr zu meistern.
#2. Grundlegende Statistiken für die Datenanalyse von Udemy
Dieser Udemy-Kurs zu grundlegenden Statistiken für die Datenanalyse hilft dir beim Erlernen von Statistiken anhand realer Projekte, lustiger Aktivitäten, Hypothesentests, Wahrscheinlichkeitsverteilungen, Regressionsanalysen und mehr.
#3. Statistik für Data Science und Business Analysis
Dieser Kurs zu Statistik für Data Science und Unternehmensanalyse wird von Udemy angeboten und hilft Ihnen beim Erlernen von Hypothesentests. Es deckt verschiedene Statistikthemen ab und ermöglicht Data Scientists und Business Analysten, diese zu erlernen und zu beherrschen. Es umfasst inferentielle und deskriptive Statistik sowie Regressionsanalyse.
#4. Hypothesentest von Jim Frost
Dieses Buch ist bei Amazon erhältlich und ist ein intuitiver Leitfaden, der Analysten hilft, datengesteuerte Entscheidungen zu treffen.
Es behandelt die Funktionsweise von Hypothesentests, warum Sie sie brauchen, wie Sie Konfidenzintervalle, p-Werte, Signifikanzniveaus und viele weitere Themen effektiv nutzen.
#5. Hypothesentest von Scott Hartshorn
Dieses Buch ist mit seinen visuellen Beispielen einzigartig und eignet sich am besten für Anfänger, die eine schnelle Anleitung zum Testen von Hypothesen suchen.
Es wird Sie in die Bedeutung von Statistiken, Typen und deren Funktionsweise einführen. Es erfordert keine fundierten Statistikkenntnisse, sondern erklärt alles intuitiv.
Letztes Wort
Das Testen von Hypothesen hilft dabei, eine Annahme zu überprüfen und dann auf der Grundlage der Bewertung statistische Daten zu entwickeln. Es wird in vielen Sektoren eingesetzt, von der Fertigung und Landwirtschaft bis hin zu klinischen Studien und IT. Diese Methode ist nicht nur genau, sondern hilft Ihnen auch dabei, datengesteuerte Entscheidungen für Ihr Unternehmen zu treffen.
Sehen Sie sich als Nächstes die Lernressourcen an, um Business Analyst zu werden.