통계학에서의 가설 검정: 기초와 오류

가설 검정: 철학에서 실무까지

통계학에서 가설 검정은 객관적 현실과 데이터의 무작위성 사이의 명확한 구분에 기반합니다. 가설은 사실에 대한 주장으로, 참이거나 거짓입니다. 확률은 데이터 수집 과정에서만 등장하며, 우리는 이를 무작위라고 가정합니다.

예시: 밀폐된 방 안에서 "지금 여름인가?"라고 물어보는 상황을 상상해 보세요. 검정 규칙은 미리 정해집니다. 기준: 눈이 내리면 귀무가설 H0 "여름이다"를 기각합니다. 이는 제1종 오류(α) 위험을 초래합니다—참인 H0를 기각하는 경우입니다. α 확률은 유의수준으로 사전에 고정됩니다.

임계 사건은 참인 H0 하에서 일어날 가능성이 낮습니다. 하지만 기준은 H0와 대립가설 H1을 구분해야 하며, 제2종 오류(β)를 최소화하고 검정력(1-β)을 최대화해야 합니다.

오류와 검정 선택

전체 원칙: H0 하에서 일어날 가능성이 낮고 H1 하에서 일어날 가능성이 높은 사건이 발생하면 H0를 기각합니다. H0는 무죄 추정의 혜택을 받습니다—강력한 증거(낮은 α)로만 기각됩니다.

나쁜 기준:

• 여름에만 나타나는 희귀 새: 거짓 H0를 절대 기각하지 못함(β=1).
• 혜성: 언제든 동등하게 나타날 수 있어 가설 구분 실패.
• 26.0–26.1°C의 좁은 온도 범위: 여름에 드물지만 여름에 전형적.

좋은 기준(예: 눈 내림)은 H0 하에서 드물고 H1 하에서 흔합니다.

H1은 단순 부정(여름 아님) 또는 구체적(가을/봄)일 수 있습니다. 선택에 따라 검정력이 달라집니다. 연구에서 H0는 보수적인 과학의 특성상 종종 "효과 없음"입니다.

실험 계획

가설 검정은 불확실성 하에서의 의사결정 도구입니다. α와 β를 제어하기 위해 표본 크기를 미리 계획합니다.

주요 알고리즘 단계:

• H0와 H1 수립.
• α(유의수준) 선택.
• β 최소화할 임계 사건 정의.
• 검정력 계산.
• 표본 크기 결정.
• 데이터 수집 및 검정 적용.

이는 오류 위험과 의사결정 비용을 저울질합니다.

주요 요점

• H0 보호: 미리 정한 α로 낮은 확률 사건에 의해서만 기각.
• 검정력: 거짓 H0 탐지 확률(1-β).
• 데이터 무작위성: 가설은 결정적, 무작위성은 표본에 있음.
• 사전 계획: 실험 전 표본 크기와 검정 고정.
• 맥락 중요: 문제에 맞게 α와 H1 조정.

철학적 관점과 비판

Neyman-Pearson 접근은 데이터 수집의 무작위성(동전 던지기로 공정성 검증처럼)을 가정합니다. 비판자들은 동전 속성은 고정되어 있고 확률은 절차에 있다고 지적합니다.

베이지안 방법 같은 대안은 가설 확률을 직접 평가하지만, 고전 접근은 오류에 초점 맞춥니다. IT와 데이터 사이언스에서 둘 다 사용: A/B 테스트는 고전, 사전 기반 모델은 베이지안.

개발자를 위한 팁: ML에서 가설 검정은 모델 검증(H0: 기준선보다 우수하지 않음)에 씁니다. 실험 전 검정력 분석으로 저력 표본 피하세요.

— Editorial Team