## 1. 统计假设检验的核心价值与应用场景 假设检验是数据分析师和研究人员最常使用的统计工具之一。在Python生态中，借助SciPy、StatsModels等库，我们可以快速实现各类统计检验。这个"17种统计检验速查表"的价值在于：当面对不同数据类型（连续/离散）、不同比较场景（单样本/双样本/多样本）、不同分布假设时，能够快速选择正确的检验方法。 我在金融风控和A/B测试领域使用假设检验超过8年，最大的痛点是：面对具体业务问题时，需要反复查阅资料确认该用哪种检验。这个速查表就像统计检验的"决策树"，能节省大量试错时间。例如： - 检验用户停留时间是否显著提升（连续变量） - 判断新老版本转化率差异是否真实（比例检验） - 分析三种算法在多个指标上的综合表现（多变量检验） ## 2. 检验方法分类与选择逻辑 ### 2.1 基于数据类型的检验选择 #### 连续变量检验 1. **单样本t检验**：检验样本均值是否等于给定值（如检验平均响应时间是否为200ms） ```python from scipy.stats import ttest_1samp t_stat, p_val = ttest_1samp(data, popmean=200)独立样本t检验：比较两组独立数据的均值（如iOS与Android用户的付费金额）
from scipy.stats import ttest_ind t_stat, p_val = ttest_ind(group1, group2, equal_var=True)配对t检验：同一组对象在不同条件下的比较（如用户使用功能前后的活跃度）
分类变量检验
卡方检验：检验分类变量的独立性（如性别与购买意愿是否相关）
from scipy.stats import chi2_contingency chi2, p, dof, expected = chi2_contingency(contingency_table)Fisher精确检验：小样本情况下的比例检验（样本量<20时更准确）
2.2 基于分布假设的检验选择
参数检验（假设数据服从特定分布）
- t检验族：要求数据近似正态分布
- ANOVA方差分析：要求组内方差齐性
非参数检验（不依赖分布假设）
Mann-Whitney U检验：t检验的非参数替代（比较两组独立数据的中位数）
from scipy.stats import mannwhitneyu u_stat, p_val = mannwhitneyu(group1, group2)Kruskal-Wallis检验：ANOVA的非参数替代（比较三组及以上数据）
经验提示：当样本量>30时，根据中心极限定理，即使原始数据非正态也可使用参数检验。但若存在明显异常值，建议优先选择非参数方法。
3. 关键检验方法深度解析
3.1 方差分析(ANOVA)与事后检验
当需要比较三个及以上组的均值时，使用单因素ANOVA：
from scipy.stats import f_oneway f_stat, p_val = f_oneway(group1, group2, group3)如果ANOVA结果显著（p<0.05），需要进一步做Tukey HSD事后检验确定具体哪些组存在差异：
from statsmodels.stats.multicomp import pairwise_tukeyhsd tukey_results = pairwise_tukeyhsd(data, groups) print(tukey_results.summary())3.2 相关性检验选择指南
Pearson相关系数：衡量线性相关（要求数据正态分布）
from scipy.stats import pearsonr corr, p_val = pearsonr(x, y)Spearman秩相关：衡量单调关系（适用于非线性但有序的关系）
Kendall Tau：适用于小样本或存在大量重复值的数据
常见误区：相关系数显著≠存在因果关系。我曾在电商分析中犯过这个错误——发现"购物车商品数量"与"转化率"负相关，实际是价格因素在背后影响两者。
4. 实际应用案例与避坑指南
4.1 A/B测试中的检验陷阱
案例：比较新旧版本注册转化率（二分类变量）
错误做法：直接使用t检验比较转化率均值
# 错误示范！ ttest_ind(version_a_conversion_rates, version_b_conversion_rates)正确做法：使用比例检验（z检验）
from statsmodels.stats.proportion import proportions_ztest count = [convert_a, convert_b] nobs = [visit_a, visit_b] z_stat, p_val = proportions_ztest(count, nobs)4.2 多重检验问题校正
当同时进行多个假设检验时，误报率（False Positive）会急剧上升。例如同时检验20个指标，即使每个检验的显著性水平为0.05，整体误报率也高达64%。
解决方案：使用Bonferroni校正
adjusted_alpha = 0.05 / number_of_tests if p_val < adjusted_alpha: print("结果显著")或者更优的FDR校正（控制错误发现率而非族错误率）：
from statsmodels.stats.multitest import multipletests reject, pvals_corrected, _, _ = multipletests(p_values, method='fdr_bh')5. 完整速查表与Python实现
5.1 单样本检验场景
| 检验目的 | 参数检验 | 非参数替代 | Python实现 |
|---|---|---|---|
| 均值等于给定值 | 单样本t检验 | Wilcoxon符号秩检验 | ttest_1samp()/wilcoxon() |
| 中位数等于给定值 | - | 符号检验 | binomtest() |
5.2 双样本比较场景
| 数据类型 | 独立样本 | 配对样本 |
|---|---|---|
| 连续变量 | 独立t检验 / Mann-Whitney | 配对t检验 / Wilcoxon符号秩 |
| 二分类变量 | 比例z检验 / Fisher精确 | McNemar检验 |
| 多分类变量 | 卡方检验 | Cochran's Q检验 |
5.3 多样本比较场景
| 检验目的 | 参数方法 | 非参数方法 |
|---|---|---|
| 多组均值比较 | 单因素ANOVA | Kruskal-Wallis检验 |
| 多组方差比较 | Bartlett检验 | Levene检验 |
| 重复测量多组比较 | 重复测量ANOVA | Friedman检验 |
6. 性能优化与实用技巧
6.1 大样本情况下的计算加速
当样本量>10万时，传统检验方法可能变慢。此时可以：
使用蒙特卡洛近似方法：
from scipy.stats import mannwhitneyu u_stat, p_val = mannwhitneyu(large_data1, large_data2, method='asymptotic')对数据进行随机下采样（保持分布不变）：
sample_size = 10000 subsample = np.random.choice(large_data, size=sample_size, replace=False)
6.2 检验力(Power)分析
在实验设计阶段，需要计算所需样本量：
from statsmodels.stats.power import TTestIndPower analysis = TTestIndPower() sample_size = analysis.solve_power(effect_size=0.5, alpha=0.05, power=0.8) print(f'每组需要样本量: {sample_size:.0f}')血泪教训：我曾因忽略检验力分析，导致一次A/B测试运行两周后才发现样本不足，白白浪费了50%的流量。现在会在实验前用上述代码计算最小样本量。
7. 假设检验的完整工作流程
- 明确假设：先定义原假设(H₀)和备择假设(H₁)
- 选择检验方法：根据数据类型、比较类型、分布假设选择
- 验证前提条件：正态性检验、方差齐性检验等
- 执行检验：计算检验统计量和p值
- 结果解读：结合效应量和业务意义分析
正态性检验示例（Shapiro-Wilk检验）：
from scipy.stats import shapiro stat, p = shapiro(data) if p > 0.05: print("符合正态分布")方差齐性检验示例（Levene检验）：
from scipy.stats import levene stat, p = levene(group1, group2) if p > 0.05: print("方差齐性成立")8. 可视化辅助分析
配合统计检验使用的关键可视化方法：
QQ图：检查正态性假设
import statsmodels.api as sm sm.qqplot(data, line='45')箱线图：比较组间分布
import seaborn as sns sns.boxplot(x='group', y='value', data=df)误差条形图：展示均值与置信区间
sns.barplot(x='group', y='value', data=df, ci=95)
9. 特殊场景处理方案
9.1 零膨胀数据检验
当数据中存在大量零值（如用户付费金额）时，常规检验会失效。解决方案：
- 使用两阶段模型：先检验零值比例差异，再检验非零部分差异
- 采用Tobit模型等截断回归方法
9.2 时间序列数据检验
对于时间相关的数据（如日活跃用户数），需要特殊处理：
平稳性检验（ADF检验）
from statsmodels.tsa.stattools import adfuller result = adfuller(time_series)差异检验：使用时间序列专用方法如CUSUM检验
10. 统计检验的局限性认知
p值滥用问题：p<0.05不应作为决策唯一依据，需结合效应量
# 计算Cohen's d效应量 from statistics import mean, stdev cohen_d = (mean(group1) - mean(group2)) / pooled_stdev数据质量优先：垃圾数据进→垃圾结果出，检验前必须清洗数据
业务意义重于统计意义：统计显著≠业务重要，需与领域专家协作解读
最后分享一个我自用的检验选择流程图：
- 是连续变量吗？→ 是：转到2；否：转到5
- 比较几组数据？→ 单组：单样本t检验；两组：转到3；多组：ANOVA
- 是独立样本吗？→ 是：独立t检验；否：配对t检验
- 数据正态吗？→ 否：使用对应非参数检验
- 是分类变量吗？→ 是：卡方检验/Fisher精确检验
