看上面的图片。双尾检验分配一半的Alpha值来测试一个方向的统计显著性，另一半则用于另一方向。这意味着.025位于测试统计量分布的每个尾部。为什么我们都说0.025，因为正态分布是对称的。现在我们得出的结论是，两个尾部检验中零假设的拒绝标准为0.025，并且低于0.05，即双尾检验有更严格的标准来拒绝零假设。
例子Templer和Tomeo（2002）报告说，1994年至1997年参加考试的学生在研究生成绩考试（GRE）通用考试的定量部分的总体平均得分为558±139（μ±σ）。假设我们选择100个参与者的样本（n = 100）。我们记录的样本平均值等于585（M = 585）。计算p值t0，检查是否将0.05的显著性水平（α= .05）保留原假设（μ= 558）。
解：
步骤1：陈述假设。人口平均数是558。
H0：μ= 558H1：μ≠558（双尾检验）
步骤2：设置显著性水平。如问题中所述，为5％（0.05）。在无方向的两尾测试中，我们将alpha值分为两半，这样上下尾部的面积比例相等。因此，两侧的显著性水平计算为：α/ 2 = 0.025。与此相关的z得分（1-0.025 = 0.975）为1.96。由于这是一个双尾检验，因此小于-1.96或大于1.96的z分数（观察到）是拒绝零假设的证据。
步骤3：计算随机概率或z得分
对于此数据集：z =（585-558）/（139 /√100）= 1.94
你可以通过查看z表来查看概率，与1.94关联的p值为0.9738，即，小于585的值的概率为0.9738而大于或等于585的概率为（1-0.9738）= 0.03
步骤4：在这里要做出决定，我们将获得的z值与临界值（ /- 1.96）进行比较。如果获得的值超过临界值，我们将拒绝原假设。此处获得的值（Z obt = 1.94）小于临界值。它不属于拒绝区域。决定是保留零假设。
在本文中，我们研究了在预测建模过程中进行假设检验的完整过程。首先，我们看了假设的概念，接着是假设的类型和验证假设的方式，以便做出明智的决定。我们还学习了重要的假设检验概念比如z值，z表格，p值，中心极限定理。
正如引言中提到的，这是我第一次读到这篇文章时最难改变的心态之一。但这也是最有帮助和意义的改变之一。我可以很容易地说，这种变化让我开始像一个预测建模者那样思考。
