--- title: Методы проверки гипотез seo: description: >- Тема «Методы проверки гипотез» для собеседования Data Analyst. Какие есть другие методы проверки гипотез, кроме A/B теста? title: Методы проверки гипотез — Data Analyst questionDates: q-transfer-0083: '2026-10-01' q-transfer-0084: '2026-10-01' q-transfer-0085: '2026-10-01' q-transfer-0086: '2026-10-01' q-transfer-0201: '2026-10-01' --- [Все темы Data Analyst](/prep/data-analyst) ## Какие есть другие методы проверки гипотез, кроме A/B теста? [#q-14bee738d69b81889ef8dfe596d19658] Помимо A/B тестирования, существует несколько других методов проверки гипотез: 1. Z-тест и t-тест : Эти методы используются для проверки различий между средними значениями в двух выборках. Z-тест применяется, когда известно стандартное отклонение генеральной совокупности, а t-тест — когда стандартное отклонение неизвестно и должно быть оценено по выборке. 1. ANOVA (анализ дисперсии): Используется для проверки различий между средними значениями в более чем двух группах. ANOVA определяет, есть ли статистически значимые различия между группами и позволяет исследовать влияние разных факторов на зависимую переменную. 1. Корреляционный анализ: Исследует статистическую связь между двумя или более переменными. Проверка гипотезы может включать оценку статистической значимости коэффициента корреляции. 1. Логистическая регрессия: Применяется для исследования влияния независимых переменных на вероятность наступления бинарного события. Проверка гипотезы включает анализ статистической значимости коэффициентов регрессии. 1. Непараметрические тесты: Включают различные методы, такие как тесты Манна-Уитни, Уилкоксона и Крускала-Уоллиса, которые применяются в случаях, когда данные не удовлетворяют требованиям параметрических тестов (например, нормальности распределения). :::note[Ссылки для изучения] 1. [t-тесты: одна выборка и сравнение средних](https://pozdniakov.github.io/tidy_stats/320-ttest.html) 1. [Хи-квадрат и точный тест Фишера для категориальных данных](https://pozdniakov.github.io/tidy_stats/325-chisq.html) ::: --- ## Как проверить практическое отсутствие эффекта? [#q-transfer-0083] Незначимый тест превосходства не доказывает отсутствие эффекта. Сначала задают минимально важный интервал эквивалентности, например от `-delta` до `delta`, исходя из решения. Затем проводят TOST или проверяют, что подходящий доверительный интервал целиком лежит внутри этих границ. Для такого вывода нужна достаточная мощность именно на границе эквивалентности. Если интервал широкий и пересекает как ноль, так и практически важные эффекты, результат остается неопределенным. :::note[Ссылки для изучения] 1. [TOST и проверка эквивалентности: пример биоэквивалентности](https://remedium.ru/state/Svoystva_protsedury_dvukh_odnostoronnikh_testov_dlya_priznaniya_bioekvivalentnosti_lekarstvennykh_pr/) ::: --- ## Как связанность наблюдений меняет выбор статистического критерия? [#q-transfer-0084] Если одни и те же объекты измерены до и после, наблюдения внутри пары зависимы. Анализируют разности внутри объекта: парный t-тест проверяет среднюю разность, Wilcoxon signed-rank работает с рангами модулей разностей и требует симметрии распределения разностей для обычной интерпретации. Для matched pairs логика та же. Применение теста для независимых групп теряет информацию о связи и неверно оценивает стандартную ошибку. При повторных измерениях сложнее двух моментов используют mixed models или GEE. :::note[Ссылки для изучения] 1. [A/B-тест на Python: независимые и связанные выборки](https://habr.com/ru/articles/561180/) ::: --- ## Когда t-тест допустим при ненормальных данных? [#q-transfer-0085] t-тест проверяет средние и требует независимости, но не строгой нормальности каждого наблюдения при любой выборке. Благодаря ЦПТ среднее часто близко к нормальному при достаточно большом `n`, особенно у умеренных распределений и сбалансированных групп. Тяжелые хвосты, сильная асимметрия, выбросы и малая выборка остаются проблемой. Для двух групп обычно используют Welch t-test. Дополнительно смотрят графики, robust или permutation методы и оценивают разницу средних с доверительным интервалом. :::note[Ссылки для изучения] 1. [A/B-тесты Авито: T-test, ЦПТ и проверка критерия на своих данных](https://habr.com/ru/companies/avito/articles/571094/) ::: --- ## Что проверяет тест Шапиро-Уилка и как читать его результат? [#q-transfer-0086] Шапиро-Уилк проверяет нулевую гипотезу, что данные получены из нормального распределения. Малое `p-value` дает основание отвергнуть нормальность, большое не доказывает ее. На малой выборке тест может не заметить существенное отклонение, на большой обнаруживает неважные детали. Поэтому вместе с `W` и `p-value` смотрят QQ-plot, выбросы и последствия для выбранного метода. Для t-теста важнее распределение среднего или разностей и устойчивость вывода, а не механическое прохождение Шапиро. :::note[Ссылки для изучения] 1. [Руководство СтатСофт: Шапиро–Уилк и QQ-график, с. 77–78](https://statsoftai.ru/uploads/docs/%D0%9A%D1%80%D0%B0%D1%82%D0%BA%D0%BE%D0%B5%20%D1%80%D1%83%D0%BA%D0%BE%D0%B2%D0%BE%D0%B4%D1%81%D1%82%D0%B2%D0%BE%20%D0%9F%D0%9E%20%D0%A1%D1%82%D0%B0%D1%82%D0%A1%D0%BE%D1%84%D1%82.pdf#page=77) ::: --- ## Проверяет ли Манна-Уитни равенство медиан? [#q-transfer-0201] Нет, в общем случае критерий Манна-Уитни не проверяет равенство медиан. Он основан на рангах и при непрерывных распределениях связан с вероятностью того, что случайное наблюдение одной группы больше наблюдения другой, с учетом ties. Если распределения имеют одинаковую форму и отличаются только сдвигом, результат можно интерпретировать как различие положения, в том числе медиан. При разной асимметрии или дисперсии значимость может возникнуть при равных медианах. Медианы и их интервал тогда анализируют отдельно. :::note[Ссылки для изучения] 1. [Критерий Манна—Уитни: что он проверяет и когда допустима интерпретация сдвига](https://habr.com/ru/companies/avito/articles/709596/) :::