假设检验
学习执行 t 检验和卡方检验，并解读 p 值，为数据驱动的决策提供依据
假设检验 是 CoddyKit 上的免费 R Academy 课时。 这是第 3 节课，共 3 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 R Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 R Academy 课程共包含 3 节课。
假设检验简介
假设检验简介
假设检验是一种统计方法，用于确定是否有足够的证据拒绝零假设。
零假设与备择假设
零假设与备择假设
在假设检验中：
- 零假设 (H₀) 假定不存在影响或差异。
- 备择假设 (H₁) 表明存在影响或差异。
执行 t 检验
执行 t 检验
t 检验用于检查两组的均值是否存在显著差异。
data1 <- c(5.1, 6.2, 5.8, 6.5, 5.9)
data2 <- c(7.0, 6.8, 7.5, 7.1, 6.9)
t.test(data1, data2)解读 p 值
解读 p 值
p 值有助于决定是否拒绝 H₀：
- 如果 p 值 < 0.05，则拒绝 H₀（结果显著）。
- 如果 p 值 > 0.05，则无法拒绝 H₀（结果不显著）。
卡方检验
卡方检验
卡方检验用于检查分类变量是否相互独立。
observed <- matrix(c(20, 30, 50, 40), nrow=2)
chisq.test(observed)ANOVA 检验
ANOVA 检验
ANOVA 比较多个组之间的均值。
group1 <- c(5.1, 6.2, 5.8)
group2 <- c(7.0, 6.8, 7.5)
group3 <- c(4.9, 5.5, 5.2)
data <- data.frame(value = c(group1, group2, group3),
group = rep(c('A', 'B', 'C'), each=3))
aov_test <- aov(value ~ group, data = data)
summary(aov_test)效应量
效应量
效应量衡量结果的强度，有助于确定实际意义。
假设检验的局限性
假设检验的局限性
假设检验依赖于一些假设，并且可能受到样本量和数据质量的影响。
总结
总结
在本课中，您学习了：
- 如何执行假设检验。
- 如何使用 t 检验、卡方检验和 ANOVA。
- p 值和效应量的重要性。
常见问题解答
「假设检验」课时是免费的吗？
是的 — 「假设检验」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 R Academy 课程的其余内容，请升级到 CoddyKit PRO。 R Academy 课程共包含 3 节课。
「假设检验」这节课中我会学到什么？
学习执行 t 检验和卡方检验，并解读 p 值，为数据驱动的决策提供依据 你通过在浏览器中直接运行的动手代码来练习 R Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 R Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 R Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 3 节课，共 3 节。
「假设检验」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 R Academy 课中编写并运行代码吗？
能。每节 R Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。