M1-076M1: 数学与统计基础假设检验Easy
⚡闪卡盲测➔掌握度:
解释 t 检验与 z 检验的选择依据。
🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
📐 核心数学机理公式
⚡ 一句话直击要害答案
z 检验用已知总体方差(或大样本近似);t 检验用样本方差(小样本、方差未知)。
📌 核心要点提炼
- •t 分布比正态更重尾(反映方差估计的不确定性)
- •n→∞ 时 t 分布收敛到正态
📐 数学机理与严密推导
选择的判据是'方差是否已知'而非单纯的样本量:① z 检验——总体标准差 σ 已知(罕见),或样本量很大(n>30–50)时用 CLT 近似;② t 检验——σ 未知且用样本标准差 s 替代时,必须用 t 分布。为什么必须用 t:用 s 替代 σ 引入了额外的不确定性(s 本身是随机变量),若仍用正态分布会低估尾部概率(导致假阳性膨胀);t 分布正是为补偿这一不确定性而设计的——它的尾部比正态更厚,自由度 ν=n−1 越小尾部越厚,n→∞ 时收敛到正态。配对 vs 非配对:配对 t 检验用于同一批对象的两次测量(或用相同配对条件),检验差值的均值是否为零,能消除个体差异、大幅降低方差;非配对(独立样本)t 检验用于两组独立样本,需假设方差齐性(否则用 Welch 校正)。
🏭 深度剖析与工业落地权衡
实践要点:① Welch t 检验——不假设两组方差相等(默认推荐),自由度用 Welch-Satterthwaite 近似;经典的学生 t 检验假设方差齐性,实践中该假设常不成立(尤其两组样本量差异大时),故 Welch 更稳健。② 样本量的经验阈值——'n>30 用 z' 是常见经验,但若数据重偏或重尾,30 远不够;更稳妥的做法是统一用 t 检验(大样本下 t 与 z 几乎相同,无损失)。③ 配对设计的前提——配对要求两组观测一一对应(同一对象的前后测、同一批次的处理/对照);错用配对会低估方差导致假阳性。④ A/B 测试中的应用——两组用户独立,用非配对(Welch)t 检验;但若指标重尾,t 检验的 CLT 近似在中等样本下不可靠,应改用 bootstrap 或 Mann-Whitney U(秩和)检验。⑤ 多重比较——同时做多个 t 检验需 Bonferroni/BH 校正。⑥ 与 ANOVA 的关系——比较 3 组以上时不应做多次 t 检验(膨胀假阳性),应用 ANOVA + 事后检验。
⚠️ 常见面试陷阱与高频失分点
- ✕用 z 检验而方差未知且样本小(应用 t)
- ✕比较三组以上时做多次 t 检验(应用 ANOVA)
🎯 面试官连环追问与延伸考察
- ?为什么小样本必须用 t 检验?
- ?配对 t 检验与非配对的区别?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
📚