Weryfikacja hipotez statystycznych: od filozofii do praktyki
Weryfikacja hipotez w statystyce opiera się na ścisłym oddzieleniu obiektywnej rzeczywistości od losowości danych. Hipoteza to twierdzenie o fakcie, który już się wydarzył: albo prawdziwe, albo fałszywe. Prawdopodobieństwo pojawia się dopiero w procesie zbierania danych, zakładanym jako losowy.
Przykład: pytanie „Czy teraz jest lato?” z zamkniętego pokoju. Zasady weryfikacji określa się z góry. Kryterium: śnieg poza oknem odrzuca hipotezę H0 „Teraz jest lato”. To rodzi ryzyko błędu pierwszego rodzaju (α) — odrzucenie prawdziwej H0. Prawdopodobieństwo α ustala się z góry jako poziom istotności.
Wydarzenie krytyczne jest mało prawdopodobne przy prawdziwej H0. Ale kryterium musi rozróżniać H0 i alternatywę H1, minimalizując błąd drugiego rodzaju (β) i maksymalizując moc (1-β).
Błędy i wybór kryterium
Pełna mantra: odrzucamy H0 przy zdarzeniu mało prawdopodobnym pod H0 i prawdopodobnym pod H1. H0 ma presumpcję niewinności — odrzuca się ją tylko przy mocnych dowodach (małe α).
Złe kryteria:
- Rzadki ptak tylko latem: nigdy nie odrzuci fałszywej H0 (β=1).
- Kometa: równie prawdopodobna zawsze, nie rozróżnia hipotez.
- Wąski zakres +26,0–26,1°C: mało prawdopodobny latem, ale typowy dla lata.
Dobre kryterium (śnieg) jest mało prawdopodobne pod H0 i prawdopodobne pod H1.
H1 może być prostym zaprzeczeniem (nie lato) lub konkretnym (jesień/wiosna). Wybór wpływa na moc. W badaniach H0 często to „brak efektu” z konserwatyzmu nauki.
Planowanie eksperymentu
Weryfikacja hipotez to narzędzie do decyzji w niepewności. Z góry planuje się wielkość próby, by kontrolować α i β.
Kluczowe kroki algorytmu:
- Sformułować H0 i H1.
- Wybrać α (poziom istotności).
- Określić zdarzenie krytyczne, minimalizujące β.
- Obliczyć moc.
- Ustalić wielkość próby.
- Zebrać dane i zastosować kryterium.
To pozwala zważyć ryzyka błędów wobec kosztów decyzji.
Co ważne
- H0 jest chroniona: odrzuca się tylko przy mało prawdopodobnym zdarzeniu (α ustala się z góry).
- Moc kryterium: prawdopodobieństwo wykrycia fałszywej H0 (1-β).
- Losowość w danych: hipoteza jest deterministyczna, losowość — w próbie.
- Planowanie z góry: wielkość próby i kryterium ustala się przed eksperymentem.
- Kontekst decyduje: α i H1 dobiera się do zadania.
Aspekty filozoficzne i krytyka
Podejście Neymana-Pearsona zakłada losowość w zbieraniu danych (rzucanie monetą do sprawdzenia uczciwości). Krytycy wskazują: właściwości monety są stałe, prawdopodobieństwo — w procedurze.
Alternatywy (podejście bayesowskie) oceniają prawdopodobieństwo hipotez bezpośrednio, ale klasyka skupia się na błędach. W IT i data science stosuje się oba: klasyka do testów A/B, bayes do modeli z priorytami.
Dla programistów: w ML weryfikacja hipotez służy do walidacji modeli (H0: model nie lepszy od bazowego). Planujcie analizę mocy przed eksperymentami, by uniknąć niedoszacowania próby.
— Editorial Team
Brak komentarzy.