上一篇介紹了統計分佈和統計檢定的基本概念，
但有一些地方有寫錯，請大家要看一下修正喔～

接著這篇要我們要來更深入地介紹統計檢定啦！

正如上一篇所說的，
統計檢定的基本精神是去看一個東西和另一個東西的差異，
在統計分佈上面是不是屬於比較不可能發生的情況。
如果是的話就代表他的差異顯著。

在正式的推論統計上，
我們會用「虛無假設(Null Hypothesis, H0)」和
「對立假設(Alternative Hypothesis, H1)」這兩個詞。
前者是指沒有差的情況，後者是有差的情況。
而我們在統計檢定上面其實目標是要拒絕虛無假設
（沒有差的這件事情不是正確的＝＞有差）。

這可能有點難理解，我們舉個例子來說好了。
以上篇那個AI推薦文章的例子，我們的虛無假設會是
「AI推薦的文章跟隨機的文章有用度一樣」，
對立假設則是「AI推薦的文章跟隨機的文章有用度不同」
對立假設其實還可以分成兩個方向，
一個是「AI推薦的文章比隨機的文章有用」，
另一個則是「AI推薦的文章比隨機的文章沒用」。

當我們做假設檢定的時候，如果統計差異顯著，
那我們就是推翻虛無假設，
這時候我們要去看那個差異實際上落在分佈哪一側的極端，
再來判斷它實際上支持的是對立假設的哪個方向。

統計檢定最基本的檢定是Z檢定，也就是基於常態分佈的檢定。
他的基本精神就是去跟一個固定值比，
例如我們可以假設台灣人的身高平均值為155，
然後去做抽樣，算出平均值跟標準差，
再用Z檢定去看這個算出來的平均值，
是不是跟155這個數字的差異，在常態分佈上呈現較不可能的狀態，
假設他是差異顯著且平均值大於155，
那麼我們可以說台灣人平均身高顯著大於155，
如果平均值是小於155，
那我們就可以反過來說是平均身高顯著小於155。

要做統計檢定其實是需要符合一些前提的。
在簡介這些前提前，我們先回頭介紹兩個詞：
「獨立變項」和「依變項」。

在實驗設計那篇我們有提到控制變因跟操作變因，
以及對應的目標測量值。
在統計檢定我們會用「獨立變項」來指操作變因，
「依變項」來指目標測量值，
控制變因則不會明確指出，
因為控制變因在不同的組或條件中，理論上是一樣的。

以Z檢定來說，我們需要符合的前提有：

1. 依變項必須是連續變數
   （就是不可以像骰子那樣是離散的數值，離散數值的檢定有其他選擇）
2. 抽樣的樣本必須是獨立的，也就是不會重複抽到同一個樣本。
3. 抽象的母體本身必須是常態分配
4. 母體的變異數必須是已知，或是樣本數得夠大（n>30)

上面的幾個前提，最困難的就是第四點，
因為我們實際上很難知道母體實際的變異數為何，
樣本又不一定總是可以收到這麼多，
這種時候我們會選擇使用t檢定，
而這也是人機互動最常用的幾種檢定之一。

下一篇再讓我們仔細介紹t檢定吧～