ПРОВЕРКА ГИПОТЕЗЫ
ПРОВЕРКА ГИПОТЕЗЫ
экспериментальная реальная проверка на опыте предварительно принятого, сделанного предположения.
ПРОВЕРКА ГИПОТЕЗЫ
(hypothesis testing) Проверка того, имеются ли статистические основания не доверять какому-либо утверждению. Обычно экономические выводы основываются на фактах, которые могут быть неточными, и на выборках, которые могут быть не полностью репрезентативными. Ни одна статистическая проверка не может доказать, что выводы, базирующиеся на этих данных, верны только потому, что нет никаких причин им не верить. При проверке гипотезы необходимо избегать двух видов ошибок: принять утверждения, когда есть веские основания сомневаться в их истинности, и отвергнуть, когда в действительности они верны. Проверка гипотезы состоит в ответе на вопрос: при определенной дисперсии данных какова вероятность получения каких-либо результатов просто вследствие статистической ошибки? Чем менее вероятен результат вследствие такой ошибки, тем меньше причин ему не верить. Оценка убедительности данных позволяет уменьшить вероятность последующих ошибок. Целесообразность опереться на величину той или иной ошибки при выводах, зависит от серьезности соответствующих последствий. Например, кредиторы могут рискнуть небольшой потерей возможного дохода, если отвергнут честного и компетентного заемщика, и избежать полной потери всех своих денег, если они заключают соглашение с заемщиком, который может оказаться нечестным и некомпетентным.
Источник: Экономика. Оксфордский толковый словарь
ПРОВЕРКА ГИПОТЕЗЫ
(hypothesis testing) — разработка и использование статистических критериев с целью принятия решения об обоснованности ГИПОТЕЗЫ в условиях неопределённости. В любом решении об обоснованности гипотезы есть шанс сделать верный выбор и риск сделать выбор неверный. Проверка гипотезы заключается в оценке этих шансов и выработке критериев, минимизирующих вероятность появления неверных решений.
Допустим, мы хотим узнать, влияет ли размер компании на оплату труда управляющих, и выдвигаем гипотезу, что в среднем чем крупнее компания, тем выше оплата услуг управляющих. Эта гипотеза может быть истинной или ложной, может быть принята или отвергнута. Эти варианты показаны в следующей матрице:
Если гипотеза верна и мы её принимаем, и если гипотеза неверна и мы её отвергаем, наше решение будет правильным. С другой стороны, мы можем отвергнуть гипотезу, когда надо её принять (ошибка первого рода), или признать гипотезу, которую надо отклонить (ошибка второго рода). Риск таких ошибок при проверке гипотезы с использованием выборочных данных может быть минимизирован. Чтобы уменьшить риск ошибки второго рода и установить точное значение вероятности появления ошибки первого рода, необходимо тщательно сформулировать гипотезу. Часто это требует выдвижения нулевой гипотезы, которая предполагает диаметрально противоположное тому, что мы хотим доказать. Например, вместо предыдущей гипотезы, что размер оплаты управляющих в среднем выше в более крупных компаниях, мы выдвигаем нулевую гипотезу: в среднем оплата управляющих одинакова и в крупных, и в мелких фирмах. Опровержение нулевой гипотезы эквивалентно принятию исходной гипотезы. Нулевая гипотеза может быть проверена с помощью выборочных данных.
Выборку из совокупности фирм можно использовать для оценки вероятности ошибки первого рода. Вероятность ошибки первого рода называется уровнем значимости гипотезы (обычно 0.01, 0.05 или 0.10). Уровень значимости всегда выбирается перед началом проверки гипотезы.
Последний этап — это проверка значимости: средняя оплата управляющих рассчитывается по выборкам из крупных и мелких фирм и сравнивается с ожидаемой оплатой, которая, согласно нулевой гипотезе, должна быть одинаковой и в мелких, и в крупных компаниях. Если разница между тем, что мы ожидали (средняя оплата одинакова), и тем, что получили, настолько велика, что её нельзя отнести на счёт случайности, то мы отклоняем нулевую гипотезу, на которой основывались ожидания. Если же эта разница настолько мала, что её можно объяснить случайностью, то результат не является статистически значимым. В первом случае мы бы отвергли нулевую гипотезу и приняли бы противоположную ей, гласящую, что вознаграждение управляющих в крупных компаниях выше. Во втором случае мы бы сочли невозможным сделать какой-либо вывод о наличии связи между размером компании и величиной оплаты управляющих.
Статистические методы проверки гипотез широко используются в эмпирических экономических исследованиях.
Допустим, мы хотим узнать, влияет ли размер компании на оплату труда управляющих, и выдвигаем гипотезу, что в среднем чем крупнее компания, тем выше оплата услуг управляющих. Эта гипотеза может быть истинной или ложной, может быть принята или отвергнута. Эти варианты показаны в следующей матрице:
Если гипотеза верна и мы её принимаем, и если гипотеза неверна и мы её отвергаем, наше решение будет правильным. С другой стороны, мы можем отвергнуть гипотезу, когда надо её принять (ошибка первого рода), или признать гипотезу, которую надо отклонить (ошибка второго рода). Риск таких ошибок при проверке гипотезы с использованием выборочных данных может быть минимизирован. Чтобы уменьшить риск ошибки второго рода и установить точное значение вероятности появления ошибки первого рода, необходимо тщательно сформулировать гипотезу. Часто это требует выдвижения нулевой гипотезы, которая предполагает диаметрально противоположное тому, что мы хотим доказать. Например, вместо предыдущей гипотезы, что размер оплаты управляющих в среднем выше в более крупных компаниях, мы выдвигаем нулевую гипотезу: в среднем оплата управляющих одинакова и в крупных, и в мелких фирмах. Опровержение нулевой гипотезы эквивалентно принятию исходной гипотезы. Нулевая гипотеза может быть проверена с помощью выборочных данных.
Выборку из совокупности фирм можно использовать для оценки вероятности ошибки первого рода. Вероятность ошибки первого рода называется уровнем значимости гипотезы (обычно 0.01, 0.05 или 0.10). Уровень значимости всегда выбирается перед началом проверки гипотезы.
Последний этап — это проверка значимости: средняя оплата управляющих рассчитывается по выборкам из крупных и мелких фирм и сравнивается с ожидаемой оплатой, которая, согласно нулевой гипотезе, должна быть одинаковой и в мелких, и в крупных компаниях. Если разница между тем, что мы ожидали (средняя оплата одинакова), и тем, что получили, настолько велика, что её нельзя отнести на счёт случайности, то мы отклоняем нулевую гипотезу, на которой основывались ожидания. Если же эта разница настолько мала, что её можно объяснить случайностью, то результат не является статистически значимым. В первом случае мы бы отвергли нулевую гипотезу и приняли бы противоположную ей, гласящую, что вознаграждение управляющих в крупных компаниях выше. Во втором случае мы бы сочли невозможным сделать какой-либо вывод о наличии связи между размером компании и величиной оплаты управляющих.
Статистические методы проверки гипотез широко используются в эмпирических экономических исследованиях.
Источник: Словарь по экономике (пер. с англ. П.А. Ватника). Colins. 1988