总体比例的假设检验设置

AP 统计学

1. 为总体比例编写有效假设★★☆☆☆⏱ 8 min

所有AP统计学假设检验作答都要求你在编写任何假设陈述之前，先明确定义总体参数。这可以消除歧义，避免因符号使用不当被自动扣分。

📘 定义

总体比例的原假设

H_0

声明真实总体比例p等于某个预先设定的固定基准值，代表不存在效应、与已知参考值无差异。

H_0: p = p_0

📘 定义

备择假设

H_a

与原假设矛盾的声明，代表你试图寻找证据支撑的研究效应，可分为单侧（<, >）或双侧（≠）。

📐 例题

某面包店声称其周销售额的70%来自酸面包。一名兼职面包师认为真实比例低于该声称值，请为该显著性检验编写完全合规的假设。

1
步骤1：首先明确定义参数：令p = 该面包店所有周销售额中来自酸面包的真实比例。
2
步骤2：使用面包店声称的基准值编写原假设：
3
$H_0: p = 0.70$
4
步骤3：编写与面包师的单侧偏低声明匹配的备择假设：
5
$H_a: p < 0.70$

Exam tip:

如果你在假设中使用样本统计量(\hat{p})而非总体参数p，AP评分准则会直接扣除1分，没有例外。

2. 核验三项强制推断条件★★★☆☆⏱ 10 min

在你开始进行单总体比例z检验的任何计算之前，必须陈述并论证全部三项条件。如果任意条件缺失或论证错误，AP评卷人不会给你检验设置部分的满分。

随机性：数据必须来自简单随机样本（SRS）或设计合理的随机实验，以避免选择偏差。
独立性：无放回抽样时，总体总规模必须至少是样本规模的10倍，以保证单个观测值相互独立。
大样本计数：原假设下的期望成功数(n p_0)和失败数(n(1-p_0))均必须≥10，才能对抽样分布使用正态近似。

📐 例题

你随机抽取120笔面包店交易来检验70%的酸面包销售额声称，请核验该z检验的全部三项条件是否有效。

1
步骤1：随机性：题目明确说明样本是随机抽取的，因此该条件满足。
2
步骤2：独立性：该面包店的周交易总量远大于10*120=1200，因此10%条件成立。
3
步骤3：大样本计数：使用(p_0 = 0.7)计算期望成功数和失败数：
4
$n p_0 = 120 * 0.7 = 84, \quad n(1-p_0) = 120 * 0.3 = 36$
5
两个数值均≥10，因此大样本计数条件满足。

3. 选择合适的显著性水平α★★★☆☆⏱ 7 min

显著性水平α定义了你愿意接受的、错误拒绝真实原假设的最大概率。你必须在收集或查看任何样本数据之前选定α，以避免p值操纵。

📐 例题

某消费者权益组织检验某工厂的不足量零食包装占比是否超过1%的法定上限，他们希望尽可能避免对工厂的不实指控。请选择合适的α并说明理由。

1
步骤1：明确核心优先级是降低第一类错误（当占比实际未超过1%时错误判定其超标）。
2
步骤2：选择α=0.01，该取值将假阳性阈值设得非常低，符合该权益组织避免不公指控的核心诉求。

4. 单侧与双侧检验设置★★★☆☆⏱ 9 min

备择假设的方向完全由原始研究问题决定，绝不能由你在样本数据中观测到的结果决定。在看到数据后修改备择假设是统计上无效的操作。

方法对比

总体比例检验的两种有效备择假设格式适用于不同场景：

单侧检验

使用(H_a: p < p_0)或(H_a: p > p_0)，当研究问题明确指定了与基准值的差异方向时使用。

+ 优点: 在预先指定的方向上拥有更高的统计功效，更容易检测到差异

− 缺点: 无法用于声称与原始假设相反方向的差异

双侧检验

使用(H_a: p \neq p_0)，当研究问题仅询问真实比例是否与基准值存在差异、未指定方向时使用。

+ 优点: 同时覆盖偏高和偏低两个方向的差异

− 缺点: 在单个指定方向上检测差异的统计功效更低

📐 例题

某城市交通部门声称55%的本地通勤者乘坐公交系统，某研究者希望检验真实比例是否与该声称值存在差异，且无预先的方向假设，请写出正确的备择假设。

1
步骤1：确认研究问题未指定真实比例是高于还是低于55%，仅要求验证是否存在差异。
2
步骤2：使用双侧备择假设：
3
$H_a: p \neq 0.55$

✓ 快速检测

测试你对有效检验设置规则的理解：

以下哪一项是单总体比例z检验的统计有效备择假设？
- H_a: \hat{p} = 0.62
- H_a: p = 0.62
- H_a: p > 0.62
- H_a: \hat{p} > 0.62
显示答案
H_a: p > 0.62 —
假设始终指代总体参数p，而非样本统计量(\hat{p})，且备择假设中绝对不能包含等号。

5. 常见陷阱

错误做法:

使用样本比例(\hat{p})而非总体参数p编写假设

原因:

AP评分准则会为该符号错误直接扣除1分，因为假设是关于总体取值的陈述，而非样本结果

正确做法:

首先明确定义p，之后所有假设都使用总体参数符号编写

错误做法:

使用样本计数(n\hat{p})和(n(1-\hat{p}))核验大样本计数条件

原因:

大样本计数条件计算的是原假设下的期望取值，而非观测到的样本取值

正确做法:

始终使用原假设声称值(p_0)计算两个大样本计数值

错误做法:

在查看样本数据之后再确定备择假设的方向

原因:

这是p值操纵的一种形式，会提升得到假阳性结果的概率，使检验统计上无效

正确做法:

在收集或获取任何样本数据之前就确定原假设和备择假设

错误做法:

跳过对10%独立性条件的明确论证

原因:

AP评卷人要求你确认总体规模至少是样本规模的10倍，才能给独立性部分满分

正确做法:

用一句清晰的陈述说明你的样本对应的总体规模满足≥10n的要求

错误做法:

将原假设的取值设为从你的样本数据中计算得到的数值

原因:

原假设是预先定义的基准值，不能从你要检验的数据中推导得到

正确做法:

原假设取值(p_0)必须来自先前的公开声明、已发表研究或公认基准，不能来自你的样本

6. 速查表

检验设置组成部分	AP要求的论证内容	需要避免的错误
假设	首先定义p，(H_0: p=p_0)，(H_a)匹配研究方向	使用(\hat{p})而非p
随机性条件	确认样本是随机/有代表性的	跳过明确陈述
独立性条件	总体规模≥10*样本规模	忽略10%规则
大样本计数	(n p_0 \geq 10)，(n(1-p_0) \geq 10)	使用(\hat{p})而非(p_0)
显著性水平	查看样本数据之前选定α	看到结果后修改α

真题中的出现

AI 根据考纲规律估算的考点位置,请对照官方真题核实准确性。仅作复习重点参考。

2023 · Paper 1
假设编写与条件核验
2022 · Paper 2
双侧检验设置场景
2021 · Paper 1
显著性水平选择

下一步

掌握检验设置是AP考试中所有单总体比例z检验自由作答题权重最高的第一步，评卷人会在你计算检验统计量之前，就为正确的假设编写、条件核验和参数定义单独给分。即使你后续的计算完全正确，设置部分的错误也会直接导致失分，因此你在做每一道推断类题目时都要优先练习这一步。接下来你将学习如何计算单总体比例检验的z统计量和p值，之后再学习完全匹配AP评分准则的检验结果正确推导方法。