critical value|临界值

临界值 (Critical Value)

临界值 (Critical Value) 是假设检验 (Hypothesis Testing) 框架中的核心概念。它是一个基于显著性水平 ($\alpha$) 从抽样分布中导出的阈值，用于将抽样分布划分为拒绝域 (Rejection Region) 和非拒绝域 (Non-rejection Region)。当检验统计量 (Test Statistic) 落入拒绝域时，我们拒绝原假设 ($H_0$)，认为样本结果具有统计显著性 (Statistical Significance)。

决定临界值的因素

临界值的具体数值由三个因素共同决定：

1. 显著性水平 ($\alpha$)：这是犯第一类错误 (Type I Error) 的最大概率，即原假设为真时错误拒绝的概率。常用的 $\alpha$ 值为 0.10、0.05 和 0.01。$\alpha$ 越小，临界值越极端，拒绝原假设的标准越严格。
2. 检验类型：由备择假设 ($H_a$) 决定。 \begin{itemize}
3. 双尾检验：$H_a: \mu \neq \mu_0$，拒绝域分布在两侧尾部，各占 $\alpha/2$，临界值为 $\pm z_{\alpha/2}$ 或 $\pm t_{\alpha/2}$。
4. 右尾检验：$H_a: \mu > \mu_0$，拒绝域在右尾，面积为 $\alpha$，临界值为正值。
5. 左尾检验：$H_a: \mu < \mu_0$，拒绝域在左尾，面积为 $\alpha$，临界值为负值。 \end{itemize}
6. 检验统计量的分布与自由度：不同检验使用不同分布。 \begin{itemize}
7. Z分布：总体方差已知或样本量较大 ($n \ge 30$) 时使用。
8. t分布：总体方差未知且数据近似正态分布时使用，形态由自由度 (df) 决定。
9. 卡方分布 ($\chi^2$)：用于方差检验和拟合优度检验。
10. F分布：用于比较两个总体方差和方差分析 (ANOVA)。 \end{itemize}

临界值法与p值法的比较

假设检验中存在两种等价的决策方法：

• 临界值法：将检验统计量与临界值直接比较。若 $|Z_{stat}| > z_{\alpha/2}$，或 $t_{stat} > t_{\alpha}$ (右尾)，则拒绝 $H_0$。
• p值法：计算p值 (p-value)，即原假设为真时观察到当前或更极端结果的概率。若 $p < \alpha$，则拒绝 $H_0$。

两种方法始终得出相同结论。若检验统计量超过临界值，则对应的 p 值必然小于 $\alpha$。然而 p 值法提供了更多关于证据强度的信息，在实践中被更广泛使用。

示例：双尾Z检验

设某工厂声称其产品净重为 500g。我们抽取 $n=36$ 个样本，总体标准差 $\sigma = 15\text{g}$。显著性水平 $\alpha = 0.05$。

1. $H_0: \mu = 500$，$H_a: \mu \neq 500$（双尾检验）
2. 左右尾面积各为 $\alpha/2 = 0.025$
3. 查标准正态分布表：$P(Z < z) = 0.975$ 对应的 $z = 1.96$
4. 临界值为 $\pm 1.96$
5. 若样本均值 $\bar{x} = 507\text{g}$，则 $Z_{stat} = (507 - 500) / (15 / \sqrt{36}) = 2.8 > 1.96$，落入拒绝域，拒绝 $H_0$。

临界值的统计意义

临界值不仅仅是一个决策阈值，它直接体现了奈曼-皮尔逊引理 (Neyman-Pearson Lemma) 的核心思想：在给定显著性水平下，寻找最有效的检验边界。临界值在经济、金融和医学等领域的实际应用广泛，例如在风险管理中确定风险价值 (VaR) 的阈值，以及在质量控制中设定控制上限和控制下限 (UCL/LCL)。理解临界值为深入掌握统计推断的基本逻辑奠定了基础。