Kiểm định giả thuyết là một phương pháp suy luận thống kê. Nó được sử dụng để kiểm tra xem một tuyên bố liên quan đến một tham số dân số có ý nghĩa thống kê hay không. Kiểm tra giả thuyết là một công cụ mạnh mẽ để kiểm tra sức mạnh của các dự đoán. Một nhà phân tích tài chính Mô tả công việc Nhà phân tích tài chính Mô tả công việc của nhà phân tích tài chính dưới đây đưa ra một ví dụ điển hình về tất cả các kỹ năng, trình độ học vấn và kinh nghiệm cần thiết để được tuyển dụng cho công việc nhà phân tích tại ngân hàng, tổ chức hoặc công ty. Thực hiện dự báo tài chính, báo cáo và theo dõi số liệu hoạt động, phân tích dữ liệu tài chính, tạo các mô hình tài chính, ví dụ: có thể muốn đưa ra dự đoán về giá trị trung bình mà khách hàng sẽ trả cho sản phẩm của công ty mình. Sau đó, cô ấy có thể hình thành một giả thuyết, ví dụ: “Giá trị trung bình mà khách hàng sẽ trả cho sản phẩm của tôi lớn hơn 5 đô la.”Để kiểm tra thống kê câu hỏi này, chủ sở hữu công ty có thể sử dụng thử nghiệm giả thuyết. Ví dụ này được khám phá thêm bên dưới.
Kiểm định giả thuyết là một phần quan trọng của phương pháp khoa học, là một cách tiếp cận có hệ thống để đánh giá các lý thuyết thông qua quan sát. Một lý thuyết tốt là một lý thuyết có thể đưa ra dự đoán chính xác. Đối với một nhà phân tích đưa ra dự đoán, kiểm tra giả thuyết là một cách chặt chẽ để sao lưu dự đoán của anh ta với phân tích thống kê.
Các bước kiểm tra giả thuyết
Dưới đây là các bước để kiểm tra giả thuyết:
- Nêu giả thuyết rỗng ( H 0 ) và giả thuyết thay thế ( H a ).
- Xem xét các giả định thống kê đang được thực hiện. Đánh giá xem những giả định này có nhất quán với dân số cơ bản được đánh giá hay không. Ví dụ: giả sử phân phối cơ bản là phân phối chuẩn có hợp lý không?
- Xác định phân phối xác suất thích hợp và chọn thống kê thử nghiệm thích hợp.
- Chọn mức ý nghĩa thường được ký hiệu bằng chữ cái Hy Lạp alpha (α). Đây là ngưỡng xác suất mà giả thuyết vô hiệu sẽ bị bác bỏ.
- Dựa vào mức ý nghĩa và vào phép thử thích hợp, hãy nêu quy tắc quyết định.
- Thu thập dữ liệu mẫu quan sát và sử dụng nó để tính toán thống kê thử nghiệm.
- Dựa trên kết quả của bạn, bạn nên bác bỏ giả thuyết rỗng hoặc không bác bỏ giả thuyết rỗng. Đây được gọi là quyết định thống kê.
- Xem xét bất kỳ vấn đề kinh tế nào khác được áp dụng cho vấn đề. Đây là những cân nhắc phi thống kê cần được xem xét để đưa ra quyết định. Ví dụ, đôi khi sự thay đổi văn hóa xã hội dẫn đến những thay đổi trong hành vi của người tiêu dùng. Điều này phải được xem xét ngoài quyết định thống kê để có quyết định cuối cùng.
Nêu giả thuyết vô hiệu và giả thuyết thay thế
Giả thuyết Null thường được đặt ra như những gì chúng ta không muốn trở thành sự thật. Đó là giả thuyết cần được kiểm tra. Do đó, Giả thuyết Null được coi là đúng, cho đến khi chúng ta có đủ bằng chứng để bác bỏ nó. Nếu chúng ta bác bỏ giả thuyết vô hiệu, chúng ta sẽ dẫn đến giả thuyết thay thế.
Quay trở lại ví dụ ban đầu của chúng tôi về chủ doanh nghiệp đang tìm kiếm một số thông tin chi tiết về khách hàng. Giả thuyết vô hiệu của cô ấy sẽ là:
H 0 : Giá trị trung bình mà khách hàng sẵn sàng trả cho sản phẩm của tôi nhỏ hơn hoặc bằng $ 5
hoặc là
H 0 : µ ≤ 5
( µ = trung bình dân số)
Giả thuyết thay thế sau đó sẽ là những gì chúng tôi đang đánh giá, vì vậy, trong trường hợp này, nó sẽ là:
H a : Giá trị trung bình mà khách hàng sẵn sàng trả cho sản phẩm lớn hơn 5 đô la
hoặc là
H a : µ> 5
Điều quan trọng cần nhấn mạnh là giả thuyết thay thế sẽ chỉ được xem xét nếu dữ liệu mẫu mà chúng tôi thu thập cung cấp bằng chứng cho nó.
Lỗi Loại I và Loại II là gì?
Bản chất nhị phân của quyết định của chúng ta, bác bỏ hoặc không bác bỏ giả thuyết vô hiệu, dẫn đến hai lỗi có thể xảy ra. Bảng dưới đây minh họa tất cả các kết quả có thể xảy ra. Một Lỗi loại I phát sinh khi một sự thật Null Hypothesis bị từ chối . Xác suất mắc Lỗi Loại I còn được gọi là mức ý nghĩa của thử nghiệm, thường được gọi là alpha (α). Vì vậy, ví dụ: nếu một thử nghiệm có bộ alpha của nó là 0,01, thì sẽ có 1% xác suất bác bỏ giả thuyết rỗng thực sự hoặc 1% xác suất mắc lỗi Loại I.
Một Lỗi Type II nảy sinh khi bạn thất bại để từ chối một False Null giả thuyết . Xác suất mắc lỗi Loại II thường được ký hiệu bằng chữ cái Hy Lạp beta (β). β được sử dụng để định nghĩa Sức mạnh của Phép thử, là xác suất bác bỏ một cách chính xác một giả thuyết rỗng. Các Sức mạnh của một thử nghiệm được định nghĩa là 1-β . Thử nghiệm với nhiều Công suất hơn là mong muốn hơn, vì có xác suất mắc lỗi Loại II thấp hơn. Tuy nhiên, có sự cân bằng giữa xác suất mắc lỗi Loại I và xác suất mắc lỗi Loại II.
Ví dụ kiểm tra giả thuyết
Hãy quay lại ví dụ về chủ sở hữu doanh nghiệp. Chúng ta hãy nhớ câu hỏi mà chúng ta đang cố gắng trả lời:
H: "Liệu khách hàng có trả trung bình hơn $ 5 cho sản phẩm của chúng tôi không?"
1. Chúng tôi đã đặt ở trên cả giả thuyết rỗng và giả thuyết thay thế
H 0 : µ ≤ 5
H a : µ> 5
2. Đối với ví dụ này, chúng ta hãy giả sử rằng công ty bán hộp nước táo hữu cơ. Chúng được tiêu thụ bởi nhiều đối tượng ở mọi lứa tuổi, mức thu nhập và nền tảng văn hóa. Vì vậy, do sản phẩm của chúng tôi được nhiều nhóm người tiêu dùng sử dụng rộng rãi, giả sử rằng việc phân phối bình thường là công bằng.
3. Giả sử rằng lấy mẫu từ người tiêu dùng, chúng ta sẽ thu được hơn 100 quan sát. Do chúng tôi tự tin với giả định về phân phối chuẩn cho tổng thể cơ bản và có số lượng lớn các quan sát, chúng tôi sẽ sử dụng kiểm định z.
4. Chúng tôi muốn tự tin về kết quả của mình, vì vậy hãy chọn mức ý nghĩa của chúng tôi là α = 5%, điều này sẽ cung cấp bằng chứng mạnh mẽ về kết quả của chúng tôi.
5. Chúng tôi đang sử dụng kiểm định z với mức ý nghĩa và giả thuyết rỗng là µ ≤ 5, do đó điểm bác bỏ của chúng tôi sẽ là z 0,05 = 1,645 . Điều này có nghĩa là nếu điểm z được tính từ mẫu của chúng tôi lớn hơn 1.645, chúng tôi bác bỏ giả thuyết rỗng.
6. Bây giờ, giả sử rằng chúng tôi đã thu thập dữ liệu của mình và từ mẫu 100 quan sát của chúng tôi, giá trung bình mà khách hàng sẵn sàng trả cho nước ép của chúng tôi là 5,02 đô la và độ lệch chuẩn mẫu là 0,10 đô la . Bây giờ chúng ta có thể tính điểm z cho mẫu của mình, trong đó chúng ta nhận được giá trị là 2 cho bởi [(5.02 - 5) / (0.1 / √ 100)].
7. Với việc tính toán z của chúng tôi lớn hơn z 0,05 = 1,645, chúng tôi có bằng chứng chắc chắn để bác bỏ giả thuyết vô hiệu với mức ý nghĩa 5%. Sau đó, chúng tôi ủng hộ giả thuyết thay thế, rằng giá trị trung bình mà khách hàng sẵn sàng trả cho sản phẩm lớn hơn 5 đô la.
8. Bây giờ chúng ta cần xem xét bất kỳ vấn đề kinh tế hoặc định tính nào không được giải quyết thông qua quá trình thống kê. Đây thường là những biến số không thể định lượng được cần phải giải quyết khi đưa ra quyết định dựa trên kết quả nghiên cứu. Ví dụ: nếu đối thủ cạnh tranh lớn nhất định giảm giá sản phẩm cạnh tranh một cách đáng kể, điều đó có thể làm giảm giá trị trung bình mà người tiêu dùng sẵn sàng trả cho sản phẩm của bạn.
Nhiêu tai nguyên hơn
Nếu bạn muốn tìm hiểu thêm về các chủ đề liên quan đến Kiểm tra Giả thuyết, hãy xem các tài nguyên trên trang web của Hiệp hội Thống kê Hoàng gia.
Finance cung cấp Chứng chỉ FMVA® cho Nhà phân tích mô hình và định giá tài chính (FMVA) ™ Tham gia cùng hơn 350.600 sinh viên làm việc cho các công ty như Amazon, JP Morgan và chương trình chứng nhận Ferrari dành cho những người muốn nâng cao sự nghiệp của mình. Để tiếp tục học hỏi và thăng tiến trong sự nghiệp, các nguồn Tài chính sau đây cũng sẽ hữu ích:
- Nhà phân tích nghiên cứu Nhà phân tích nghiên cứu Một nhà phân tích nghiên cứu chịu trách nhiệm nghiên cứu, phân tích, diễn giải và trình bày dữ liệu liên quan đến thị trường, hoạt động, tài chính / kế toán, kinh tế và khách hàng.
- Thuật ngữ Toán tài chính Thuật ngữ Toán tài chính Bảng thuật ngữ toán học tài chính này bao gồm các thuật ngữ và định nghĩa quan trọng nhất cần thiết cho sự nghiệp của một nhà phân tích tài chính. Danh sách này được lấy từ Khóa học Toán tài chính của Finance.
- Số Fibonacci Số Fibonacci Số Fibonacci là những số được tìm thấy trong một dãy số nguyên do nhà toán học Leonardo Fibonacci phát hiện / tạo ra. Dãy số là một dãy số
- Hàm AVERAGE Excel Hàm AVERAGE Tính trung bình trong Excel. Hàm AVERAGE được phân loại dưới mục Chức năng thống kê. Nó sẽ trả về giá trị trung bình của các đối số. Nó được sử dụng để tính trung bình cộng của một tập hợp các đối số nhất định. Là một nhà phân tích tài chính, chức năng này rất hữu ích trong việc tìm ra giá trị trung bình của các con số.