假設檢定 是什麼？

Hypothesis Testing — 假設檢定 的完整解釋

假設檢定是一種統計方法，透過樣本數據評估關於母體的假設是否成立，藉由計算機率值判斷證據強度，進而做出決策。

容易混淆

假設檢定 vs 信賴區間 假設檢定是在判斷主張能不能被推翻 信賴區間是在估計可能範圍 最關鍵的區別是做判斷，還是估範圍

假設檢定 vs 描述統計 描述統計只是整理資料 假設檢定是在做推論和決策 最關鍵的區別是看現況，還是推論母體

記住這句就好

用樣本證據，判斷主張站不站得住腳。

實際案例

A/B 測試 你想知道新版按鈕是否真的提升轉換率，就可以用假設檢定來判斷差異是否顯著。

新藥效果 醫療研究常用假設檢定判斷新藥效果是不是只是運氣好。

算法與應用

流程通常是先設虛無假設，再看 p 值和顯著水準。 結果不是只有「有差」或「沒差」，還要看樣本量、效應大小和情境。

情境判斷

Q1： 你想知道新版介面到底有沒有提升點擊率，會用什麼方法？ → 很典型的假設檢定情境。

Q2： p 值小是不是就代表效果一定大？ → 不一定，p 值只是看顯著性，效果大小還要另外看。

假設檢定 在 iPAS 考試中的重點

根據歷年統計，假設檢定 相關題目 平均佔 AI 技術類考題 8%， 屬於高頻考範圍。

常見出題方向：假設檢定步驟與方法（45%）、統計推論的應用（35%）、顯著性水準的判斷（20%）。

常見問題

什麼是虛無假設？

它是先假設「沒有差異」或「沒有影響」的起點。

p 值越小越好嗎？

通常代表越不容易在虛無假設下觀察到這樣的結果，但仍要看情境。

假設檢定能告訴我因果嗎？

不能，它主要是判斷差異是否顯著，不是自動證明因果。