假设检验——学好统计学与计量经济学的纵贯线
统计学中的线性回归模型与假设检验
统计学中的线性回归模型与假设检验统计学作为一门研究数据收集、分析和解释的学科，扮演着重要的角色。
其中，线性回归模型和假设检验是统计学中常用的方法。
本文将介绍线性回归模型的基本概念和应用，以及假设检验的原理和实际意义。
一、线性回归模型线性回归模型是一种用于描述两个或多个变量之间关系的统计模型。
它假设自变量和因变量之间存在线性关系，并通过最小化因变量与预测值之间的差异来估计回归系数。
在线性回归模型中，自变量通常表示为X，因变量表示为Y。
模型的基本形式可以表示为Y = β0 + β1X + ε，其中β0和β1是回归系数，ε是误差项。
回归系数表示自变量对因变量的影响程度，误差项表示模型无法解释的随机变动。
线性回归模型的应用非常广泛。
例如，在经济学中，可以使用线性回归模型来研究收入与消费之间的关系；在医学研究中，可以使用线性回归模型来分析药物剂量与治疗效果之间的关系。
通过对数据进行拟合和分析，线性回归模型可以帮助我们理解变量之间的关系，并进行预测和决策。
二、假设检验假设检验是一种统计推断方法，用于判断样本数据与某个假设之间是否存在显著差异。
在假设检验中，我们首先提出一个原假设（H0）和一个备择假设（H1），然后根据样本数据进行统计推断，判断是否拒绝原假设。
在假设检验中，我们通常使用一个统计量来衡量样本数据与原假设之间的差异。
常见的统计量包括t值、F值和卡方值等。
通过计算统计量的概率值（p值），我们可以判断样本数据是否支持原假设。
假设检验在科学研究和实际应用中具有重要意义。
例如，在药物研发中，可以使用假设检验来判断新药物是否比现有药物更有效；在市场营销中，可以使用假设检验来评估不同广告策略的效果。
通过假设检验，我们可以基于数据进行科学决策，提高研究和实践的可靠性。
三、线性回归模型与假设检验的关系线性回归模型和假设检验是统计学中紧密相关的方法。
在线性回归分析中，我们可以使用假设检验来评估回归系数的显著性。
在线性回归模型中，我们通常对回归系数进行假设检验，以确定自变量对因变量的影响是否显著。
计量经济学----.区间估计和假设检验
即
P[ 2 t se( 2 ) 2 2 t se( 2 )] 1
2 2
8
^
^
^
^
假设检验
检验某一给定的观测是否与虚拟假设（原假设）相符， 若相符，则接受假设，反之拒绝。 当我们拒绝虚拟假设时，我们说该统计量是统计上显 著的，反之则不是统计上显著的。
的临界值 t 2 (n 2) ，则有
ˆ ˆ P{[YF t 2 SE (eF )] YF [YF t 2 SE (eF )]} 1
1 因此，一元回归时 Y 的个别值的置信度为 的 预测区间上下限为 1 ( X F X )2 ˆ ˆ YF YF t 2 1 n xi2
给定，查t分布表得t （n 2) 2 （ ）若t -t 2 (n 2), 或t t 2 (n 2)，则拒绝原假设 1 H 0： 2 0，接受备择假设H1： 2 0； （2）若 - t 2 (n 2) t t 2 (n 2), 则接受原假设。
30
^
^
应变量Y 区间预测的特点
1、Y 平均值的预测值与真实平均值有误差，主要是 受抽样波动影响
YF Y F t 2
^ ^
1 ( X F X )2 n xi2
Y 个别值的预测值与真实个别值的差异,不仅受抽
样波动影响，而且还受随机扰动项的影响
1 ( X F X )2 ˆ ˆ YF YF t 2 1 n xi2
^
1 ( X F X )2 ˆ SE (YF ) n xi2
Y F 服从正态分布，将其标准化,
^
当
2
2 ei2 (n 2) 代替，这时有 未知时，只得用 ˆ ˆ YF E (YF X F ) t ~ t (n 2) 1 ( X F X )2 ˆ n xi2
统计学第六章 假设检验
X 0 z n
3、确定显著性水平及拒绝域
1）、确定显著性水平α 2）、双侧检验时，拒绝域为Z<-Zα/2或Z> Zα/2,即在 Z<-Zα/2或Z> Zα/2时拒绝原假设，接受备选假设，反 之接受原假设，拒绝备选假设。如Z= Zα/2 或Z=-Zα/2 为了慎重，一般先不下结论，应再进行一次抽检。 3）、单侧检验时，左单侧检验时，拒绝域为Z<–Zα,即 Z<–Zα时拒绝原假设，接受备选假设；右单侧检验 时，拒绝域为Z> Zα，即Z> Zα时，拒绝原假设，接 受备选假设
H 0 : u u0 H 0 : u u0 H 0 : u u0
H1 : u u0 双侧检验 H1 : u u0 左侧检验 H1 : u u0 右侧检验
2、确定适当的检验统计量
确定适当的统计量，且能在原假设成立的条件下知其分布。 一般来说，检验统计量的基本形式可表示如下：
样本统计量 被假设参数 检验统计量 统计量的标准差
4、计算统计量z的值 5、根据统计量的值与临界值的关系，进行判定是接 受原假设还是拒绝备选假设
1、根据长期经验和资料的分析，某砖瓦厂生产的砖的“抗断 强度”服从正态分布，方差为1.21。从该厂产品中随机抽取 6块，测得抗断强度如下（单位：KG/ ):32.56 29.66 31.64 30.00 31.87 31.03 检验这批砖的平均抗断强度为32.50是否成立？（α=0.05） CM 2 2、某厂生产一种产品，原月产量服从平均值为u=75，方差为 14的正态分布，设备更新后，为了考察产量是否提高，抽 查了6个月产量，求得平均产量为78，假定方差不变，问在 显著性水平α=0.05下，设备更新后的月产量是否有显著性 提高？ 3、某批发商欲从厂家购进一批灯泡，根据合同规定灯泡的使 用寿命平均不能低于1000小时。已知灯泡燃烧寿命服从正 态分布，标准差为200小时。在总体中随机抽取了100个灯 泡，得知样本均值为960小时，批发商是否应购买这批灯泡？
计量经济学5一元线性回归：假设检验和置信区间
Chapter 5Regression with a Single Regressor: Hypothesis Tests andConfidence Intervals 一元线性回归：假设检验和置信区间假设检验和置信区间概述 • 当知道 OLS 估计量的样本分布，就可以对β1 进行假设检 验，以及求取其置信区间。
本章内容将涉及以下问题： Also, we will cover some loose ends about regression: • 当 X 是二元回归变量情形 • 异方差(Heteroskedasticity)和同方差( homoskedasticity) • OLS 估计量的有效性 • t 统计量在假设检验中的应用2回顾z 根据样本数据了解总体回归线斜率的有关信息的步骤如 下：1. 界定关注研究对象。
2. 在一定假设为前提，得到估计量的样本分布。
3. 估计样本分布的离散程度，即计算出 OLS 估计量的标准误差(SE)。
4. 用估计量βˆ1得到点估计，结合标准误差进行假设检验和构造置信区间。
3研究对象：β1Yi = β0 + β1Xi + ui, i = 1,…, n β1 = ΔY/ΔX最小二乘假设：1. E(u|X = x) = 0.2. (Xi,Yi), i =1,…,n, 为 i.i.d.3. 不大可能存在异常值 (E(X4) < ∞, E(Y4) < ∞.βˆ1 的抽样分布为: 当上述最小二乘假设成立时，若 n 为大样本， βˆ1近似服从：βˆ1~N⎛ ⎜β1,⎝σ2 vnσ4 X⎞ ⎟,其中vi=(Xi–μX)ui⎠4关于某个回归系数的检验要根据样本数据检验一个关于斜率真值的假设，例如β1 = 0，步骤为： z 原假设对应双边备择假设为：H0: β1 = β1,0 ；. H1: β1 ≠ β1,0 原假设含义为假设总体斜率β1 的真值为某个具体值β1,0z 原假设对应单边备择假设为： H0: β1 = β1,0 ； H1: β1 < β1,05一般方法:计算 t 统计量，计算 p 值（或者与 N(0,1)的临界值 进行比较）• 一般形式:t=估计量 -假设值 估计量的标准误差• 对于检验 Y 的均值 :t = Y − μY ,0 sY / n• 对于检验 β1,t=βˆ1 − β1,0 SE ( βˆ1 ),其中 SE(βˆ1)为βˆ1的标准误差σ βˆ1 的估计值，是βˆ1抽样分布 的标准差。
计量经济学中的统计检验
测值的拟合程度。在多元回归中，用多重决定系数 和修正的多重决定系数来衡量。
6
拟合优度检验
❖ 要说明多元回归模型对观测值的拟合情况， 可以考察在Y的总变差中能够由解释变量解 释的那部分变差的比重，即回归平方和与总 离差平方和的比值。这一比值就称为多重决 定系数，它一般用 R 2 表示。
❖ 因此定义多重决定系数为解释变差占总变差 的比重，用来表述解释变量对被解释变量的 解释程度。
10
拟合优度的定义
❖ 拟合优度的定义：
T SSR SSE SS1 R SS E SS TSS TSS
R2
R SS1E SS TSS TSS
❖ 含义：拟合优度越大，自变量对因变量的解释程度越高，自
变量引起的变动占总变动的百分比越高，观察点在回归直线
❖ ESS即残差平方和，是总变差中不能够由回归直线 解释的部分，是由解释变量对被解释变量的影响之 外的因素所造成的，它度量实际值与拟合值之间的 差异程度。
9
总平方和、回归平方和、残差平方和
❖ 显然，回归平方和RSS越大，残差平方和ESS 越小，从而被解释变量总变差中能够由解释 变量解释的那部分变差就越大，模型对观测 数据的拟合程度就越高。
❖ 这里主要讨论拟合优度检验、回归模型的总 体显著性检验、回归系数的显著性检验等。
3
回归模型的统计检验
❖ 拟合优度检验 ❖ 回归模型的总体显著性检验 ❖ 回归系数的显著性检验 ❖ 正态性检验 ❖ 检验回归的函数形式:MWD检验 ❖ 假设检验三联体 ❖ 模型的结构稳定性检验 ❖ 缺失变量检验和多余变量检验
19
修正的决定系数
数学统计学和假设检验学习计划
讨论地点：学校图书馆会议室
讨论方式：分组讨论，每组选派代表进行总结发言
讨论目的：加深对假设检验的理解，提高解决问题的能力
总结方式：每位同学提交一份讨论总结报告，包括讨论内容、心得体会和改进建议等
学习效果评估
5
阶段性测试
测试目的：评估学习效果，找出薄弱环节
测试内容：涵盖数学统计学和假设检验的所有知识点
单击此处输入(你的)智能图形项正文，文字是您思想的提炼，请尽量言简意赅
学习方法：结合教材、视频教程和实践练习，提高学习效果
第三周：数理统计与参数估计学习
学习目标：掌握数理统计的基本概念和方法，理解参数估计的原理和步骤
学习内容：包括但不限于中心极限定理、样本方差、样本标准差、样本均值、样本比例等
学习方式：通过阅读教材、观看教学视频、完成习题等方式进行学习
研究方法：采用假设检验方法进行数据分析
数据收集：通过问卷调查和访谈收集数据
分析结果：根据假设检验结果，对产品市场前景进行评估
结论：提出改进产品和市场策略的建议
学习小组互评与自评
学习小组互评：通过小组成员之间的相互评价，了解彼此的学习情况，找出存在的问题和不足，共同进步。
评价方式：可以采用口头评价、书面评价、在线评价等方式进行。
学习成果：完成数理统计与参数估计的学习任务，能够进行简单的参数估计和假设检验
第四周：假设检验理论与实践操作
学习内容：假设检验的基本概念、原理和方法
学习目标：掌握假设检验的基本步骤和操作方法
学习计划：每天学习2小时，每周完成一个学习任务
实践操作：完成一个假设检验的案例分析，并撰写报告
第五周：复习与案例分析
概率论基础：随机变量、概率分布、期望值、方差等
第八章 假设检验 (《统计学》PPT课件)
第二节 一个正态总体的假设检验
一、正态总体
设总体X ~ N(m, 2)，抽取容量为n的样本 x1, x2, xn
样本均值 X 与方差S2 计算公式分别为：
2
1 n 1
n i1
(xi
X)
我们将利用上述信息，来检验关于未知参数均值 和方差的假设。
总体参数
均值
方差
总体方差已知
z 检验
(单尾和双尾)
总体方差已知
t 检验
(单尾和双尾)
2 检验
(单尾和双尾)
第二节 一个正态总体的假设检验
二、均值m的假设检验
1.H0:m=m0
2.选择检验统计量：
2已知： Z X m0 ~ N(0，1)
/ n
2未知：
小样本： t X m0 ~ t(n 1)
这个值不像我 们应该得到的 样本均值 ...
...因此我们拒绝 原假设μ=50
... 如果这是总 体的假设均值
60
μ=80
H0
样本均值
第一节 假设检验概述
三、假设检验的程序
一个完整的假设检验过程，通常包括以下几个步骤：
首先，设立原假设H0与备选假设H1； 第二步，构造检验统计量，并根据样本观察数据
小样本：当 t t
2
，则拒绝原假设，反之则接受H0；
5.得出结论。
二、均值m的假设检验
6.例题分析
[例8.3] 某广告公司在广播电台做流行歌曲磁带广告 ，它的插播广告是针对平均年龄为21岁的年轻人的，标 准差为16。这家广告公司经理想了解其节目是否为目标 听众所接受。假定听众的年龄服从正态分布，现随机抽 取400多位听众进行调查，得出的样本结果为x 25 岁S2，18 。以0.05的显著水平判断广告公司的广告策划是否符合 实际？
应用统计学 经管类 第7章 假设检验
• • • • • •
二、假设检验的步骤 （一）提出原假设与备择假设 （二）构造检验统计量 （三）确定拒绝域 （四）计算检验统计量的样本观测值 （五）做出结论
1、提出原假设与备择假设
• 消费者协会实际要进行的是一项统计检验 H0 工作。检验总体平均 =250是否成立。这 就是一个原假设(null hypothesis)，通常用 表示，即： H0 ： =250
第三节 自由分布检验
一、自由分布检验概述 自由分布检验与限定分布检验不同， 它是指在假设检验时不对总体分布的形状和参数加 以限制的检验。与参数检验相对应，自由分布检验又称为非参数检验，但这里的非参数只是 指未对检验统计量服从的分布及其参数做出限制， 并不意味着在检验中 “不涉及参数” “不 或 对参数进行检验” 。
• 解：通过统计软件进行计算。
（二）配对样本的均值检验 设配对观察值为(x,y)，其差值是 d = x-y。设 d 为差值的总体均值，要检验的是：
H 0 : d 0 ， H1 : d 0
记d
d ，则其方差是： n
2
2 d d / n Sd n(n 1) n
t
X 1000 S/ n
第三步：确定显著性水平，确定拒绝域。 α=0.05，查 t-分布表(自由度为 8)，得临界值是 t / 2, n 1 t0.025,8 =2.306， 拒绝域是(-,-2.306]∪[2.306,+)。在 Excel 中，可以使用函数 TINV(0.05,8) 得到临界值 t0.025,8 。 第四步：计算检验统计量的样本观测值。 将 X 986 ，n=9，S=24，代入 t 统计量得：
H1 • 与原假设对立的是备选假设(alternative hypothesis) ，备选假设是在原假设被否 定时另一种可能成立的结论。备选假设比 原假设还重要，这要由实际问题来确定， 一般把期望出现的结论作为备选假设。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
假设检验——学好统计学与计量经济学的纵贯线
假设检验
——学好统计学与计量经济学的纵贯线
来源：中国统计 作者：田力法
假设检验贯穿整个统计学与计量经济学的教学过程，有必要对其
中的一些规律性进行简要总结以利于学生的学习和掌握。统计学中客
观事物平均水平的假设检验为双侧、左侧或右侧检验；统计学中客观
事物离散水平的假设检验通常为右侧检验。计量经济学中系数的显著
性检验通常为双侧检验；计量经济学中服从卡方分布、F分布的假设检
验通常为右侧检验。
尽管假设检验无法使人们对客观事物实现百分之百的精准认知，
但仍是目前科学家认识客观世界的最佳统计学工具。下面对其中的一
些关键问题做一简要的规律性总结：假设检验存在的必要性是什么；
假设检验为何有双侧、单侧之分；假设检验为何有0.1%、
1% 和 5% 三种显著水平；客观事物平均水平、离散水平的假设检验
如何设置双侧和单侧；计量经济学中 t分布、卡方分布与 F 分布如何
设置假设检验的双侧和单侧。
如何认知假设检验
客观事物异质性的存在是假设检验存在的必要前提。客观事物如
果不存在异质性，统计学与计量经济学整个学科也就没有存在的必要
性，更不用说假设检验。正是客观事物（通常是同类客观事物）之间
存在异质性，使得假设检验有必要存在，成为人们认知客观事物的强
有力统计工具。
假设检验顾名思义包含两个关键步骤：第一，提出假设；第二，
进行检验。提出假设的含义是指依据客观事物的惯常规律对其提出一
个常态假检验设。如中国居民的家庭用电电压是 220伏。进行检验的
含义是指在客观事物总体中进行抽样，通过计算样本统计量的值来判
断客观事物总体是否符合人们的惯常认知。如在中国居民的家庭中进
行抽样，计算的家庭用电电压样本统计量值若严重高于或低于 220伏，
则说明居民供电电压出现了问题，电力局需要抢修。
如何分类假设检验
假设检验有双侧与单侧检验之分，客观事物常态变动性的边界决
定着假设检验为双侧还是单侧。双侧或单侧的称呼是针对非“常态”
的备择假设来讲的。当客观事物常态围绕某固定点呈现左右摆动时，
非“常态”同时表现为左侧或右侧，假设检验称作双侧检验。当客观
事物常态表现为某范围之内变动时，非“常态“表现为大于边界范围，
假设检验称作右侧检验。当客观事物常态表现为某范围之外变动时，
非“常态”表现为小于边界范围，假设检验称作左侧检验。因此，在
对客观事物进行假设检验时，存在双侧、单侧检验之分，单侧检验又
细分为左侧或右侧检验。
统计学中对于客观事物的平均水平而言，假设检验可能存在双侧、
左侧以及右侧，即这三种假设检验的方式均可能被用到。对于居民用
电的额定电压是 220 伏，高于此值或低于此值均不符合居民的用电标
准，非“常态”设置为双侧检验形式较好。对于居民家用电器的寿命
应至少大于或等于质保期，小于质保期就说明该家用电器不符合生产
标准，非“常态”设置为左单侧检验形式较好。对于居民收入差距应
在某合理的范围内变动，严重大于某范围时易发生民众不满和社会动
荡，非“常态”设置为右单侧检验形式较好。大样本情形时假设抽样
服从标准正态分布；小样本情形时假设抽样服从自由度为 n—
1 的 t 分布。
统计学中对于客观事物的离散水平，惯常态一般在某范围之内变
动较好，非“常态”即为右单侧形式的假设检验。如生产线上零件规
格的离散性应在某范围之内变动、班级内学生学习成绩的离散型也应
在某范围内变动，超出了可接受的离散范围均说明总体中的个体之间
差异性过大，出现了产品质量或教学问题。调用的统计量为自由度
为 n—1 的 x2(n —1) 分布。
计量经济学中进行假设检验常用的统计量有t(n—k—1) 检验、
x2(k ) 检验和F(m,n) 检验。t 检验常用于检验方程系数的显著性（即
是否显著不等于 0），将惯常态设置为 0 左右摆动，严格大于0 或小
于 0 为非“常态”，被设置为双侧假设检验。自由度为k 的卡方检验
常用于检验构建的服从卡方分布的统计量是否发生了显著的增长量，
如异方差的 White 检验和自相关的 BG 检验，均是通过构造辅助回归
式来考量方程中加入新变量后拟合优度是否发生了显著的增加量。对
于由 F (m,n ) 分布，其构造原理为：分子是一个自由度为 m 的卡方
分布；分母是一个自由度为 n 的卡方分布。卡方分布的理想（即期望）
就是其自由度，自由度为 m 时说明该卡方分布由m 个标准正态分布
的平方和构成，其数值就是m；同理于自由度为n的卡方分布。自由
度为m 和n 的卡方分布各自除去自由度后表现为单位1，两个1 相除
即为F(m,n) 分布的构造，F分布的理想（即期望）显然是1。可见，
F (m,n ) 分布是比较两个卡方分布孰大孰小的最佳分布。在统计学或
计量经济学中，总能将较大的卡方分布置于分子位置，较小的卡方分
布置于分母位置，通过F 分布来检验分子是否比分母确实大这一备择
假设。因此，F 分布的假设检验通常被统计学和计量经济学家共识为
右单侧检验，如两变量方差之比检验、异方差的戈德菲尔德—夸特检
验。
如何设置假设检验的显著性
统计学家总是通过实验观察、数理推理等形式量化社会现象的变
动规律。伯努利提出了二项分布；泊松提出了泊松分布；高斯提出了
正态分布；戈赛特提出了学生t分布；Fisher提出了F分布。这些统计
分布都在尝试“诉说”社会现象的量化本源是什么。二项分布B(n,p)
的量化本源是np和npq；泊松P(λ)分布的量化本源是λ；正态分布
N(μ,σ2)的量化本源是μ和σ2；t(n)分布的量化本源是自由度n；
F(m,n)分布的量化本源是m和n。林德伯格和莱维20世纪20年代证
明了“中心极限定理”的存在性，使不同统计分布都最终“皈依”为
正态分布（即，正态逼近定理）。有理由相信，社会现实中的一切现
象的发展规律都能通过正态分布的本源来规范和约束。因此，正态分
布成为经济学、管理学领域被应用最为广泛的统计分布。
试想，某事物的自然变动规律服从正态分布N (μ,σ2)，则该事物
的变动规律被μ 和 σ2约束。对于社会现实中的自然现象，通常无法观
察穷尽。一个比较好的办法，是对某社会现象进行观察抽样，进而通
过抽得的社会现象变动规律样本来猜测社会现象真实变动的规律。显
然，这种抽样永远无法百分之百猜对社会现象真实变动的规律，除非
抽样时穷尽社会现象变动的每一个样本。用统计学语言来表述就是，
犯错是无法规避的。即我们只能尽可能去控制不犯某种错误，而无法
不犯所有的错误。统计学家将其称作第一类与第二类错误，也叫“好
人坏人识别错误”。
以工人生产产品为例，如果某工人每生产100 个产品有95 个合
格，而5 个不合格。我们认为这个工人的生产技术水平是符合标准的，
因为世界上没有百分之百不生产次品的工人存在（哪怕是极端精密的
航天技术）。对于某事物，如果服从正态分布N (μ,σ2)，可以在特定
时间、特定环境下对该事物观察抽样100次，如果95 次都是μ，就说
这个事物在这个特定的时间和环境下，水平特征确实是μ。此时，将非
惯常态的备择假设设置为5% 的显著水平是较为合理的，即如果事件
发生的概率小于5%，均被视为非惯常态。同理于非惯常态为100次抽
样发生1 次或0.1 次的客观事件，显著水平设置为1% 或0.1% 较为合
理。
其实，无论设置多大的显著水平，都表征着客观事件非惯常态发
生的可能性。如果设置最强的0.1% 显著水平，说明在进行假设检验之
前，隐含的假设为“非惯常态的备择假设发生可能性只有0.1%”。如
果在这么强的显著水平下检验抽样结果，发现客观事物的非惯常态居
然发生的话，有什么理由拒绝客观事物就是非惯常态的样子呢。显然，
只能接受客观事物的非惯常态，而拒绝客观事物的惯常态。相比于0.1%
的显著水平，1%、5% 的显著水平说明非惯常态在经过一次抽样进行
建设检验时确实发生的可信性要弱一些。
本文总结了假设检验的本质、分类和显著性三个核心问题，以期
对学生在统计学和计量经济学中学习及应用假设检验提供理论指引。
假设检验纵贯统计学与计量经济学内容的始终，是我们认知客观现实
世界的强有力工具之一。因为，客观现实世界的总体特性永远无法精
确测度，只能通过抽样来对客观现实世界的总体特性进行假设检验来
考量我们对客观现实世界的惯常认知是正确还是错误的。期望和方差
是开启统计学与计量经济学大门学习之路的两把金钥匙；假设检验则
是统计学与计量经济学学习征途中认识客观现实世界的强有力工具。
系统误差的存在推进了统计学与计量经济学的发展，假设检验必然成
为统计学与计量经济学理论发展进程中必不可少的认知系统误差的最
便捷、最有力方式和方法。
在实际操作时，应紧抓小概率的备择假设不放。因备择假设的符
号而给其命名→因命名而寻找临界点→因临界点而判断统计量的值是
否落在临界点的命名方→落就接受备择假设。如，备择假设的符号是
大于号就称之为右侧检验；在统计分布的右侧找到一个临界点使得统
计分布右侧的面积是显著水平0.05、0.01 或0.001；计算出统计量的
值后判断该值是否比临界点大，即是否落在临界点的右边；落就接受
备择假设，不落就拒绝备择假设。