了解假设检验为何有用，并按步骤完成一次单样本比例检验。在此过程中，您将接触 z 分数、p 值，以及假阴性与假阳性等重要概念。还将介绍 Stack Overflow 调查与医疗物资延迟发货这两个数据集。

假设检验与 z 分数

A/B 测试的用途

计算样本均值

计算 z 分数

p 值

刑事审判与假设检验

左尾、右尾、双尾

计算 p 值

统计显著性

根据 p 值做决策

计算置信区间

I 类与 II 类错误

假设检验入门

学习如何使用 t 检验比较两组之间的均值差异，并将其扩展到两组以上，使用 ANOVA 与两两 t 检验。

执行 t 检验

假设检验工作流程

双样本均值检验统计量

由 t 统计量计算 p 值

为什么需要 t？

t 分布

从 t 到 p

配对 t 检验

是否需要配对？

可视化差异

使用 t.test()

ANOVA 检验

可视化多个类别

进行 ANOVA 检验

两两 t 检验

双样本与 ANOVA 检验

学习如何使用比例检验比较两组之间的比例差异，将其扩展到多于两组时使用卡方独立性检验，并回到单样本场景使用卡方适合度检验。

单样本比例检验

比例用 t 吗？

单一样本比例检验

两样本比例检验

两样本的 prop_test()

卡方独立性检验

卡方分布

卡方检验是几尾检验？

执行卡方检验

卡方拟合优度检验

可视化适配度检验

执行适合度检验

比例检验

了解参数化假设检验所依赖的假设，并学习当这些假设不满足时，如何使用基于模拟与基于秩的非参数检验。

假设检验中的前提条件

假设检验的常见前提

检验样本量

"只有一个检验"框架

There is only one test

指定与假设

继续使用 infer 流程

生成与计算

观测统计量与 p 值

非参数 ANOVA 与非配对 t 检验

基于模拟的 t 检验

秩和检验

恭喜您！

非参数检验

Late Shipments w/ Freight Cost Group

StackOverflow Survey

Democratic Presidential Candidates by County

Late shipments Bootstrap Distribution

Late Shipments

假设检验能让您以严谨的统计方式对数据集提出问题并作出回答。本课程将带您学习何时以及如何使用常见检验，如 t 检验、比例检验和卡方检验。您会深入理解这些方法的工作原理及其背后的假设。您还将通过"There is only one test"框架了解不同假设检验之间的联系，并使用非参数检验来规避传统假设检验的前提要求。整个课程中，您将探索 Stack Overflow 用户调研数据，以及医疗物资延迟发货的数据集。

<h2>在 R 中探索假设检验 </h2>
假设检验让你能够对数据集提出问题，并以统计上严谨的方式回答这些问题。 在本课程中，你将学习如何以及何时使用常见检验，如 t 检验、比例检验和卡方检验。 
<br><br>
你将深入了解它们的工作原理以及其背后的假设。 你还将学习如何使用“只有一种检验”框架来理解不同假设检验之间的关联，并使用非参数检验来绕开传统假设检验的要求。
<br><br>
<h2>了解 T 检验和卡方检验</h2>
你将首先了解为什么在 R 中进行假设检验很有用，同时在学习过程中逐步掌握一些关键概念。 你还将学习 t 检验如何帮助你检验两组均值之间的差异，以及卡方检验如何帮助你将观测结果与预期结果进行比较。  
<br><br>
<h2>理解 R 假设检验之间的关系</h2>
随着学习的深入，你将了解不同检验之间的关系，探索随机性、观测独立性和样本量等要素。 
<br><br>
在完成这门课程时，你将更深入地理解 R 中的假设检验，以及何时应在你的数据上使用特定的检验。 
<br><br>
在整个课程中，你将探索一份 Stack Overflow 用户调查以及一份医疗用品延迟发货的数据集。

Sampling in R

了解R中的假设检验，包括何时及如何使用t检验、比例检验和卡方检验。

R 中的假设检验

了解如何以及何时在 R 中使用假设检验，包括 t 检验、比例检验和卡方检验。 

非参数 ANOVA 与非配对 t 检验

Create Your Free Account