假設檢定的核心是 p-value：假設『沒差異』時，純靠運氣也看到這種結果的機率。
p 很小 → 不像巧合 → 認定有顯著差異。但顯著 ≠ 重要。
假設檢定是統計的核心，但 p-value 最常被誤解。白話說：先假設「沒差異」（虛無假設 H₀），p-value 是「如果真的沒差異，卻看到這麼大差異的機率」。p 很小（通常<0.05）→「巧合機率太低」→ 推翻「沒差異」，認定有顯著差異。
p-value 不是「假設為真的機率」。它是：假設沒差異時，純靠運氣也能看到這種結果的機率。p 越小，越不像是運氣。
門檻 α（顯著水準，常設 0.05）是事先講好的界線。p < α → 拒絕 H₀（有顯著差異）；p ≥ α → 證據不足，無法拒絕。
調整兩組的差異和樣本數，看 p-value 如何變化。差異越大、樣本越多，p 越小、越「顯著」。體會「顯著」是怎麼來的。
注意陷阱：樣本超大時，連「微不足道的差異」也會變顯著（p<0.05）。所以除了 p-value，還要看「效果量」——差異大到有實務意義嗎？
| 概念 | 意思 |
|---|---|
| 虛無假設 H0 | 預設沒有效果／沒有差異 |
| p 值 | H0 為真下、看到此或更極端結果的機率 |
| 顯著水準 α | 拒絕 H0 的門檻(常 0.05) |
| 型一錯誤 | 假陽性:H0 真卻拒絕 |
| 型二錯誤 | 假陰性:H0 假卻沒拒絕 |
假設檢定判斷觀察到的差異是否並非偶然,iPAS 中級科目二考點。重點:設虛無假設(H0,無差異)與對立假設,用 p 值與顯著水準(常 0.05)決定是否拒絕 H0。易混點:p 值小代表顯著、但不等於效果大(要看效果量);型一錯誤(冤枉好人)與型二錯誤(放走壞人)要分清;不顯著不等於沒差異。情境:A/B 測試判斷新版是否真的更好。
想練情境題與詳解 → AI 學習與考證地圖
用樣本判斷關於母體的假設是否成立；設虛無假設 H0(通常為沒差異)與對立假設 H1，看資料是否有足夠證據拒絕 H0。
p 值是「假設 H0 為真時，觀察到目前或更極端結果的機率」；誤解：它不是 H0 為真的機率，也不代表效果大小。
α(常 0.05)是允許的型一錯誤率(H0 真卻誤拒、假陽性)；型二錯誤是 H0 假卻沒拒(假陰性)，兩者需權衡。
不等於。大樣本下微小差異也可能顯著但無實務意義；要同時看效果量(effect size)與信賴區間。
t 檢定(比較平均)、卡方檢定(類別關聯)、ANOVA(多組平均)、相關檢定等，依資料型態與問題選擇。