การทดสอบสมมติฐานคือม้างานของการอนุมานเชิงสถิติ ใช้กันทุกที่ตั้งแต่การทดลองทางคลินิกไปจนถึงการทดสอบ A/B บนเว็บไซต์ ทว่ามันก็เป็นหัวข้อที่ เข้าใจผิดมากที่สุด ในสถิติด้วย คู่มือนี้พาเดินตลอดกระบวนการครบหนึ่งรอบ — อย่างชัดเจน — เพื่อให้คุณเข้าใจว่าค่า p หมายความว่าอย่างไรจริง ๆ

ห้าขั้นตอน

ระบุ $H_0$ และ $H_1$ : สมมติฐานว่าง (สภาพปัจจุบัน) และสมมติฐานทางเลือก (ข้ออ้างที่คุณต้องการสนับสนุน)
เลือกระดับนัยสำคัญ $\alpha$ : โดยทั่วไป 0.05 หรือ 0.01
คำนวณสถิติทดสอบ จากข้อมูลของคุณ ( $z$ , $t$ , $\chi^2$ ฯลฯ)
หาค่า p: ความน่าจะเป็นที่จะเห็นข้อมูลสุดขั้วเท่านี้ ถ้า $H_0$ เป็นจริง
ตัดสินใจ: ถ้า $p < \alpha$ ปฏิเสธ $H_0$ มิฉะนั้นไม่อาจปฏิเสธได้

หมายเหตุ: "ไม่อาจปฏิเสธ" ≠ "ยอมรับ $H_0$ " คุณเพียงแค่ยังไม่มีหลักฐานเพียงพอที่จะคัดค้านมัน

การทดสอบ z แบบหนึ่งตัวอย่าง (ตัวอย่างที่แก้ไว้)

โรงงานแห่งหนึ่งอ้างว่าหลอดไฟของตนใช้ได้นานเฉลี่ย 1000 ชั่วโมง ( $\sigma = 50$ ) คุณทดสอบหลอดไฟ 25 หลอดและวัดได้ $\bar x = 980$ ข้ออ้างนี้ถูกหักล้างที่ $\alpha = 0.05$ หรือไม่?

$H_0: \mu = 1000$ , $H_1: \mu \ne 1000$
$\alpha = 0.05$ สองหาง
สถิติทดสอบ: $z = \frac{\bar x - \mu_0}{\sigma / \sqrt{n}} = \frac{980 - 1000}{50/\sqrt{25}} = \frac{-20}{10} = -2$
ค่า p: $2 \cdot P(Z < -2) \approx 2 \cdot 0.0228 = 0.0456$
เนื่องจาก $0.0456 < 0.05$ ปฏิเสธ $H_0$ อายุการใช้งานเฉลี่ยแตกต่างจาก 1000 ชั่วโมงอย่างมีนัยสำคัญ

การเลือกการทดสอบที่ถูกต้อง

สถานการณ์	การทดสอบ
ค่าเฉลี่ยหนึ่งตัว, ทราบ $\sigma$	การทดสอบ z แบบหนึ่งตัวอย่าง
ค่าเฉลี่ยหนึ่งตัว, ไม่ทราบ $\sigma$ , n เล็ก	การทดสอบ t แบบหนึ่งตัวอย่าง
ค่าเฉลี่ยสองตัว, ตัวอย่างอิสระ	การทดสอบ t แบบสองตัวอย่าง
ค่าเฉลี่ยจับคู่สองตัว	การทดสอบ t แบบจับคู่
สัดส่วน	การทดสอบ z สำหรับสัดส่วน
ความเหมาะสมของการกระจาย / ตารางการณ์ร่วม	ไคสแควร์

ความผิดพลาดแบบที่ 1 vs แบบที่ 2

แบบที่ 1: ปฏิเสธ $H_0$ ที่เป็นจริง ความน่าจะเป็น = $\alpha$
แบบที่ 2: ไม่อาจปฏิเสธ $H_0$ ที่เป็นเท็จ ความน่าจะเป็น = $\beta$
กำลังการทดสอบ = $1 - \beta$ : ความน่าจะเป็นที่จะตรวจพบผลกระทบที่มีอยู่จริงได้อย่างถูกต้อง

สามค่านี้เคลื่อนไหวไปด้วยกัน: การลด $\alpha$ จะเพิ่ม $\beta$ เมื่อขนาดตัวอย่างคงที่ การเพิ่มขนาดตัวอย่างจะลดทั้งสองค่า

ความผิดพลาดที่พบบ่อย

"ค่า p = ความน่าจะเป็นที่ $H_0$ เป็นจริง" — ผิด ค่า p คือ $P(\text{data} \mid H_0)$ ไม่ใช่ $P(H_0 \mid \text{data})$
การเปรียบเทียบหลายครั้ง — การทดสอบ 20 ครั้งที่ $\alpha = 0.05$ รับประกันว่ามีผลบวกลวงโดยเฉลี่ย ≈1 ครั้ง ใช้การปรับแก้
สับสนระหว่างนัยสำคัญกับความสำคัญ — ผลกระทบเล็กจิ๋วที่มี $n$ มหาศาลอาจมีนัยสำคัญสูงมากแต่ในทางปฏิบัติแทบไม่เกี่ยวข้อง

ลองใช้กับเครื่องมือทดสอบสมมติฐานด้วย AI

ใช้ เครื่องมือทดสอบสมมติฐาน เพื่อใส่ข้อมูลของคุณและรับสถิติทดสอบ ค่า p และคำตัดสิน

แหล่งอ้างอิงที่เกี่ยวข้อง:

เครื่องคำนวณคะแนน z — หน่วยพื้นฐานของการทดสอบ z ทุกแบบ
เครื่องคำนวณส่วนเบี่ยงเบนมาตรฐาน — ข้อมูลนำเข้าด้านความแปรปรวน
เครื่องคำนวณการแจกแจงปกติ — สิ่งที่การทดสอบ z สมมติไว้

การทดสอบสมมติฐานทีละขั้นตอน: จาก H0 ถึงค่า p