대체 가설이 필요한 이유는 무엇입니까?


14

테스트 할 때 두 가지 결과가 나옵니다.

1) 귀무 가설을 기각한다

2) 귀무 가설을 기각하지 않습니다.

우리는 다른 가설을 받아들이는 것에 대해 이야기하지 않습니다. 대립 가설 수용에 대해 이야기하지 않으면 왜 대립 가설이 필요합니까?

여기에 업데이트가 있습니다 : 누군가 나에게 두 가지 예를 줄 수 있습니까?

1) 귀무 가설을 기각하는 것은 대립 가설을 수용하는 것과 같습니다.

2) 귀무 가설을 기각하는 것은 대립 가설을 받아들이는 것과 같지 않습니다.


1
당신이 있기 때문에 노력하고 몇 가지 결론을 도출 할 수 있습니다. 귀무 가설이 아니면 귀무 가설을 기각 할 경우 대립 가설이 유효한지 확실하지 않더라도 대립 가설 일 수 있습니다. 귀무 가설을 기각하면 대립 가설이 참일 수 있다는 결론을 내릴 수있는 "증거"가 있다고합니다.
— nbro

@nbro, 감사합니다. 원래 게시물에 질문을 추가했습니다. 좀 봐 줄래?
— user1700890

1
나는 일반적으로 가설 검정에 익숙하지 않다. 유능한 사람이 귀하의 질문에 대답 할 때까지 기다리는 것이 좋습니다.
— nbro

대립 가설이 귀무 가설을 보완하는 경우 전혀 사용할 필요가 없습니다. 이러한 이유로 교과서 외부에서 대체 가설을 실제로 사용하는 사람은 없습니다.
— Aksakal

"우리는 다른 가설을 받아들이는 것에 대해 이야기하지 않습니다."-가능한 모든 "우리"에게 해당되는 것은 아닙니다. 어떤 사람들은 대립 가설을 받아들이는 것에 대해 이야기하고 다른 사람들 은 금기를 말하는 것에 대해 금기를 존중하더라도 그것을 생각 합니다. 대체 가설을 받아들이는 것에 대해 이야기하는 것을 피하는 것이 다소 타당합니다. 그러나 통계가 오용되기 쉽기 때문에이 경우 페 도리는 결과 해석에주의를 기울이는 한 좋은 것일 수 있습니다.
— John Coleman

답변:


8

"대안 가설 수용에 대해 이야기하지 않으면 왜 대체 가설이 필요합니까?"에 중점을 둘 것입니다.

의미있는 테스트 통계를 선택하고 연구 결과를 설계하여 대안이 참일 때 null을 기각 할 가능성이 높습니다. 대안이 없다면 우리는 힘의 개념이 없습니다.

우리는 귀무 가설 만 있고 대안이 없다고 상상해보십시오. 그런 다음 검정력이 높은 검정 통계량을 선택하는 방법에 대한 지침은 없습니다. 우리가 말할 수있는 것은 "값이 널 미만일 가능성이없는 테스트 통계량을 관찰 할 때마다 널을 거부합니다." 임의의 것을 선택할 수 있습니다 : Uniform (0,1) 난수를 그리고 0.05 미만일 때 null을 거부 할 수 있습니다. 이것은 널의 "드물게"에서 발생하며 시간의 5 %를 넘지 않습니다. 그러나 널이 거짓 일 때도 드물게 발생합니다. 따라서 이것은 기술적으로 통계적인 테스트이지만 다른 증거 나 반대 증거로는 의미가 없습니다.

대신, 일반적으로 우리가 어떤 과학적으로 그럴듯한 대안 가설을 가지고 ( "이 있습니다 내 실험에서 실험군과 대조군 사이의 성과에 긍정적 인 변화가"). 우리는 악마의 옹호자로서 귀무 가설을 제기 할 잠재적 비평가들로부터 그것을 방어하고 싶습니다. ( "아직 확신하지 못합니다 .- 당신의 치료가 실제로 상처를 입히거나 전혀 효과 가 없을 수도 있습니다 . 데이터는 샘플링 변동 때문입니다 ").

이 2 가지 가설을 염두에두고, 대안 의 전형적인 값이 널 (null)이 아닐 가능성이 있는 검정 통계량을 선택하여 강력한 검정을 설정할 수 있습니다 . (대안이 참이면 0에서 멀리 떨어진 양의 2- 표본 t- 통계량은 놀랍지 않지만 널이 참이면 놀랍습니다.) 그런 다음 null 아래에서 검정 통계량의 샘플링 분포를 파악하여 p- 값을 계산할 수 있습니다 --- 그리고 그것들을 해석하십시오. 특히 연구 설계, 표본 크기 등이 높은 검정력을 갖도록 선택된 경우에는 거의 없을 수있는 검정 통계량을 관찰 하면 대안에 대한 몇 가지 증거가 제공 됩니다.

그렇다면 대체 가설을 "수락"하는 것에 대해 왜 이야기 하지 않습니까? 강력한 연구조차도 널이 잘못되었다는 철저한 증거 를 제공하지 않기 때문 입니다. 여전히 일종의 증거이지만 다른 종류의 증거보다 약합니다.


7

역사적으로 대안 가설이 필요한지에 대한 의견이 일치하지 않았다. 잦은 통계의 맥락 내에서 Fisher와 Neyman의 의견과 베이지안 답변을 고려하여이 불일치 점을 설명하겠습니다.

  • Fisher- 우리는 다른 가설이 필요하지 않습니다. 적합도 검정을 사용하여 귀무 가설을 간단히 검정 할 수 있습니다. 결과는 귀무 가설에 대한 증거 측정 값을 제공 하는 값입니다.p

  • Neyman- 우리는 널과 대안 사이에 가설 테스트를 수행해야합니다. 테스트는 고정 된 사전 지정된 속도 로 type-1 오류가 발생하도록합니다 . 결과는 수준에서 귀무 가설을 기각할지 기각할지 결정하는 것 입니다.αα

    우리는 결정 이론적 관점에서 대안이 필요하다 – 우리는 두 가지 행동 과정 중에서 선택하고있다-그리고 우리는 시험의 힘을보고해야하기 때문에 대안이 사실 일 때 을 기각 할 수있는 가장 강력한 테스트를 찾아야 합니다.

    1−p(Accept H0|H1)
    H0

    이 두 가지 점을 모두 만족시키기 위해 대체 가설은 ' 아님 ' 모호 할 수 없습니다 .H0

  • 베이지안 -우리는 적어도 두 가지 모델을 고려하고 데이터로 상대적인 타당성을 업데이트해야합니다. 단일 모델 만 있으면 어떤 데이터를 수집하더라도 됩니다. 이 프레임 워크에서 계산하기 위해 대체 가설 (또는이 컨텍스트에서 알려진 모델)이 잘못 정의 된 ' 아님'이 될 수 없습니다 . 모델을 작성할 수 없기 때문에 잘못 정의했습니다 .

    p(H0)=1
    H0p(data|not H0)


1
당신의 마지막 요점은 훌륭하고 종종 동기가 부여되지 않은 단일 NHST에 대한 전체 주장을 근거로 한 출판물에서는 무시됩니다.
— Konrad Rudolph

' '이 잘못 정의 된 이유는 무엇 입니까? H0
— Michael

무엇입니까? 를 계산할 수 있습니까 ? p(data|notH0)
— innisfree

@innisfree는 빈번한 개념하에 있지는 않지만 아마도 베이지안에서는 가능합니다.
— Michael

적어도 2 개의 모델을 소개하지 않고 시도해보십시오.
— innisfree

4

필자는이 공식적인 요구하지만, 일반적으로인지하는 경우 100 % 아니다 널 가설과 대안 철저한 1) 보완 및 2) : 가설이다. 즉, 1) 둘 다 동시에 사실 일 수는 없습니다. 2) 하나가 사실이 아닌 경우 다른 하나는 사실이어야합니다.

소녀와 소년 사이의 간단한 키 테스트를 고려하십시오. 이 경우 일반적인 귀무 가설은 입니다. 다른 가설은 입니다. 따라서 널이 참이 아니면 대안이 참이어야합니다.heightboys=heightgirlsheightboys≠heightgirls


1
나는 당신의 진술에 전적으로 동의하지만, 과 는 일반적으로 무한히 큰 귀무 가설 세트입니다. 또한 많은 것을 확신 것으로 보인다 및 참조 예를 들어, 철저한 할 필요는 없으나 이 나 이 토론을. H0HaH0Ha
— bi_scholar

2
토론 스레드 주셔서 감사합니다. 나는 이것에 대한 전문가는 아니지만 간단한 추론을 바탕으로 그들이 철저해야한다고 생각합니다. 이 이상한 시험을 생각해보십시오. 누군가가 길에서 5 개의 암석을 순서대로 배열 한 것을 발견합니다. 그의 : 바람이 이것을했습니다. 그의 : 외계인이었습니다. 이제 바람이 이것을 할 확률을 테스트하고 0.0001의 확률을 찾으면 바람 가설을 기각합니다. 그러나 외계인이라고 주장 할 권리는 없습니다. 그가 주장 할 수있는 것은 그것이 바람 일 가능성이 적다는 것입니다. 그러나 다른 어떤 설명도 열려 있습니다. H0H1
— Karolis Koncevičius

1
나는 동의한다. 내 추론은 를 거부하거나 수락하면서 가설 테스트가 을 수락 또는 거부 하는 것에 입니다. 경우 및 철저하지, 어떤 정의 의미가 없습니다 전혀 우리가 거부 할 경우에도 이후, 우리가 받아 들일 수 없다 외부의 다른 가설이 존재하는 한, 및 또한 사실 일 수 있습니다. 불행히도 첫 번째 스레드에서 내 요점을 파악하지 못했습니다. H a H 0 H a H a H 0 H a H 0 H aH0HaH0HaHaH0HaH0Ha
— bi_scholar

1
@innisfree one은 어떤 가능성 프레임 워크에서 2 점 가설을 검정 할 수 있습니다. 그러나 그 절차를 "무 가설 검정"이라고하는 것은 아니며 정확하지 않습니다. 그들 중 어느 것도 진실이 아닌 경우에도 가장 가까운 것을 선택합니다. 또한 검정력-시험의 검정력을 계산할 때 대체 가설 또는 효과 크기를 선택할 수 있지만 일단 테스트가 끝나면 잊어 버려야합니다. 데이터에 나타날 수있는 영향에 대해 알려주는 사전 정보가없는 한. 시끄러운 사진의 흰색 / 검정색 픽셀처럼
— Karolis Koncevičius

1
@innisfree 나는 그러한 테스트가 어떻게 생겼는지 궁금합니다. 작은 예를 만들 수 있습니까? 및 에 해당하는 이 아니라면 을 거부하여 을 수락 할 수 없다고 확신합니다 . H 0 θ ∈ { 0 , 1 } H 0 H 1θ=1H0θ∈{0,1}H0H1
— bi_scholar

2

왜 대체 가설이 필요합니까?

고전 가설 검정에서 대립 가설이 수행하는 유일한 수학적 역할은 선택한 검정 통계량을 통해 증거의 순서에 영향을 미친다는 것입니다. 대립 가설은 검정에 대한 적절한 검정 통계량을 결정하는 데 사용되는데, 이는 귀무 가설에 가장 도움이되는 것 (설명 된 대안에 대한)에서 귀무 가설에 가장 덜 도움이되는 것까지 가능한 모든 데이터 결과 의 순서 순위 를 설정하는 것과 같습니다. (명시된 대안에 대한). 가능한 데이터 결과의 순서 순위를 정한 후 대립 가설은 검정에서 더 이상의 수학적 역할을하지 않습니다 .


nx=(x1,...,xn)T:Rn→R데이터의 가능한 모든 결과를 귀무 가설 또는 대립 가설에 더 도움이되는지를 측정하는 서수 척도로 매핑합니다. (일반성을 잃지 않으면 우리는 더 낮은 값이 귀무 가설에 더 도움이되고 더 높은 값이 대립 가설에 더 도움이된다고 가정 할 것입니다. 우리는 때때로 테스트 통계의 더 높은 값이 더 극단적 인 구성이라면 "더 극단적"이라고 말합니다 대립 가설에 대한 증거) 시험 의 p- 값 은 다음과 같이 주어진다.

p(x)≡pT(x)≡P(T(X)⩾T(x)|H0).

이 p- 값 함수는 데이터 벡터에 대한 검정의 증거를 완전히 결정합니다. 선택한 유의 수준과 결합하면 모든 데이터 벡터에 대한 검정 결과가 결정됩니다. (우리는 고정 된 수의 데이터 포인트 대해 설명 했지만 임의의 을 허용하도록 쉽게 확장 할 수 있습니다 .) p- 값은 유도하는 서수 스케일을 통해서만 테스트 통계의 영향을 받는다는 점에 유의해야합니다.nn따라서 검정 통계량에 단조 증가하는 변환을 적용해도 가설 검정과 차이가 없습니다 (즉, 동일한 검정). 이 수학적 특성은 테스트 통계의 유일한 목적이 모든 가능한 데이터 벡터의 공간에 서수 스케일을 유도하여 널 / 대체에 더 도움이되는 것을 나타내는 것입니다.

대립 가설은 함수 통해서만T 이 측정에 영향을 미치며 , 이는 전체 모델 내에서 명시된 귀무 및 대립 가설을 기반으로 선택됩니다. 따라서 검정 통계량 함수를 전체 모형 의 함수 및 두 가설 로 간주 할 수 있습니다 . 예를 들어, 우도 비 검정의 경우 검정 통계량은 귀무 가설 및 대립 가설과 관련된 모수 범위에서 우도 함수의 우도 비율 (또는 비율의 로그)을 취하여 구성됩니다.T≡g(M,H0,HA)M


테스트를 다른 대안과 비교하면 이것이 무엇을 의미합니까? 고정 된 모델 있고 두 개의 다른 대안 및 에 대해 동일한 귀무 가설 비교하는 두 개의 다른 가설 검정을 수행하려고 한다고 가정하십시오 . 이 경우 두 가지 다른 테스트 통계 함수가 있습니다.MH0HAHA′

T=g(M,H0,HA)T′=g(M,H0,HA′),

해당 p- 값 함수로 연결 :

p(x)=P(T(X)⩾T(x)|H0)p′(x)=P(T′(X)⩾T′(x)|H0).

이 경우에주의하는 것이 중요하다 및 다음 P 값 함수 서로 단조 증가 변환되어 와 를 모두 검사가 동일한 테스트 그래서, 동일하다. 함수 와 가 서로 단조 증가하는 변환이 아닌 경우 두 가지 다른 가설 검정이 있습니다.TT′pp′TT′


2
나는 테스트가 극단적 인 결과에 직면했을 때 귀무 가설을 기각하도록 설계하고, 대립 가설의 역할은 귀무 가설이 사실이라면 결과는 극단적으로 간주 될 수있는 지점이다라고 말하는이 동의 것
— 헨리

1

대안 가설을 받아들이지 않을 것이라고 생각하는 이유는 그것이 우리가 테스트하는 것이 아니기 때문입니다. 귀무 가설 유의성 검정 (NHST)은 귀무 가설이 참인 경우 데이터가 관측 된 것 이상으로 극단적으로 관측 될 확률을 계산하거나, 즉 NHST는 귀무 가설이 참이라는 사실에 따라 결정되는 확률 값을 계산합니다. , . 따라서 귀무 가설이 참이라고 가정 할 때 데이터의 확률입니다. 절대 가설의 가능성을 사용하거나 제공하지 않습니다 (널 또는 대안 모두 아님). 따라서 작은 p- 값을 관찰하면 관찰 한 데이터가 못할 가능성이 있다는 알면됩니다.P(data|H0)H0따라서 널에 대한 증거를 수집하고 대안 설명에 유리합니다.

실험을 실행하기 전에 중요하다고 생각되는 차단 수준 ( )을 결정할 수 있습니다 . 즉, p- 값이 해당 수준 아래로 떨어지면 null에 대한 증거가 너무 높아서 데이터는 다른 데이터 생성 프로세스에서 비롯된 것이어야하며 해당 증거를 기반으로 귀무 가설을 기각합니다. p- 값이 해당 수준보다 높으면 표본이 다른 데이터 생성 프로세스를 형성했다고 믿을만한 증거가 충분하지 않기 때문에 귀무 가설을 기각 할 수 없습니다.α

대체 가설을 공식화하는 이유는 샘플링을 시작하기 전에 실험을 염두에 두었 기 때문입니다. 대립 가설을 공식화하면 단측 또는 양측 검정을 사용할지 여부를 결정할 수 있으므로 단측 시나리오에서 더 많은 통계적 검정력을 제공 할 수 있습니다. 그러나 기술적으로 테스트를 실행하려면 대체 가설을 공식화 할 필요가 없으며 데이터 만 있으면됩니다.


NHST는 계산하지 않습니다 . 그것은 계산 . 구별이 중요합니다. P(data|H0)P(data as extreme as that observed|H0)
— innisfree 2018 년

@innisfree 나는 동의한다. 그리고 그것은 정확히 같은 문장에서 데이터를 정의한 방법이다.
— Stefan

? 데이터가 정의 된 곳 (그 방식 또는 다른 방식)을 볼 수 없음
— innisfree

그럴지라도 왜 그렇게합니까? 왜 그런 식으로 데이터를 재정의합니까? 나는 P 주변 텍스트의 부분 (데이터 .. 명확히 좋을 걸
— 이니스프리
당사 사이트를 사용함과 동시에 당사의 쿠키 정책과 개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.