統計假設檢驗（Hypothesis Test）
統計假設檢驗（Hypothesis Test）：事先對總體的參數或者分佈做一個假設，然後基於已有的樣本數據去判斷這個假設是否合理。即樣本和總體假設之間的不同是純屬機會變異（因爲隨機性誤差導致的不同），還是兩者確實不同。常用的假設檢驗的方法有 t-檢驗法，
基本思想：
假設檢驗的步驟
第一步，根據具體的問題，建立假設：
如果原假設被拒絕（在原假設成立的情況下，計算的到的p值—成立的概率，小於了顯著性檢驗水平，也就是原假設不可能發生），說明備擇假設成立，而原假設沒被拒絕（在原假設成立的情況下，計算的到的p值—成立的概率，大於了顯著性檢驗水平，只是說明原假設可能發生），說明需要更多的證據來支持原假設是否成立。
第二步，確定檢驗水準（顯著性水平）：
第三步，構造統計量：
根據資料類型，研究設計方案和統計推斷的目的，選用適當檢驗方法和計算相應的統計量。
常用檢驗方法：
選擇依據：
第四步，計算P值（概率）：
轉存失敗對於P值，當P > a 時，只能說明不能拒絕原假設，但是也不能說明原假設是否就成立（需要收集更多的資料證據）
通過p值判斷結論：
我們回顧一下擲硬幣的問題，擲n次都是正面是已經發生的事實，實際上我們是希望硬幣有問題（也就是我們是想拒絕的假設是硬幣沒有問題），而通過計算，統計量爲 二項分佈，計算出來的p值當連續5次就已經小於顯著性水平a = 0.05，因此，我們可以在n >= 5 的情況下拒絕原假設。
假設檢驗的栗子：二項式檢驗
某工廠的一批產品，某次品率u 未知，按規定 如果 u <= 0.01，則該批產品就可以接受。隨機取樣100個，發現有3件次品，該批次產品是否達標？
得到結論：P 值大於顯著性水平 a,不能拒絕原假設。即通過本次採樣得到的樣本數據，並不能證明原假設Ho成立。不能證明原假設成立，也不能證明它不成立。總之目前次品率到底是低於0.01還是如何，在沒有更多證據的情況下，沒有任何結論。
假設檢驗的栗子：T檢驗
得到結論：p值大於顯著性水平a，不能拒絕原假設（活動無影響），即現有證據無法證明活動是否有影響。
假設檢驗在模型比較中的應用
以一元線性迴歸爲例，可以使用假設檢驗作如下比較和推斷：
對於一元迴歸，方程顯著性檢驗和迴歸係數的顯著性檢驗的原假設/備擇假設是一樣的，還有就是，在假設檢驗中，如果不拒絕原假設，即接受原假設而拒絕備擇假設，意味着沒有證據證明原假設是錯誤的，但是並不能肯定原假設一定是正確的。