卡方检验
又称Chi-Squared Test. 属于非参检验，没有具体参数和总体正态分布的假设，也成为自由分布检验。
- 零假设： 观测值和理论值的差异是由随机误差所致
- 确定数据见的实际差异，求出卡方值
- 如果卡方值大于某特定概率标注(如显著性差异)，那么可以拒绝零假说。
皮尔逊卡方检验
“皮尔逊卡方检验”可用于两种情境的变项比较：适配度检验（英语：Goodness of Fit test）和独立性检验。
- “适配度检验”验证一组观察值的次数分配是否异于理论上的分配。
- “独立性检验”验证从两个变量抽出的配对观察值组是否互相独立（例如：每次都从A国和B国各抽一个人，看他们的反应是否与国籍无关）。
T检验
用来检验一组数据B对比另一组数据A，是否有显著性差异。对两个样本均值差异进行显著性测试。
譬如两个班的学生，一组采用普通教学法，另一组采用实验教学法，要分析实验教学法是否有效。
假设普通教学法的学生平均成绩是90分，如果从实验教学法中抽取5名学生，这5名学生的平均成绩是95分，那么是否可以下结论说，实验教学法更好。
提出一个假设检验：
- 假设：实验教学法没有提高成绩
- 检验：看看在此假设下，成绩为95分的概率高不高
假设原来学生的成绩服从u = 90，标准差未知的正态分布。而实验组的样本均值为95，采样了5个学生。不同标准差对应的正态分布图像如下：
如果样本的方差很大，那么实验组样本均值等于95的概率并不低，所以需要除以标准差消除方差/跨度的影响
同时样本数也会影响结果，样本越大，说明可信度就越高。所以可以综合考虑样本均值，样本方差和样本个数，给出一个统计量t:
这个统计量越大，认为越有可能提高产量。
F检验
又称方差分析，
NULL假设(虚无假设)：假设混合肥料没有效果，也就是产量均值相同。
检验：设计组间方差 / 组内方差这个统计量，数据使这个统计量足够大时，可以推翻这个假设。
假设有A,B,C三组马铃薯，每组施用不同的肥料，在每组中各选五株，记录重量，得到表格：
计算组间方差(也就是三组平均值的方差)：
组内方差(把各个实验组的方差加起来)：
在满足某些条件的情况下，统计量组间方差/组内方差服从F分布，当该统计量足够大，落到F分布的右边区域时(也成拒绝域)时，就可以说着三组是不同的。
F-Statistic is a ratio of two variance.
用处
检验一个回归模型的overall significance
ref
知乎总结
https://matongxue.blog.csdn.net/article/details/109769628?spm=1001.2014.3001.5502
如何理解假设检验和P值
Statistics How To
https://wiki.mbalib.com/wiki/%E5%8D%A1%E6%96%B9%E6%A3%80%E9%AA%8C
https://www.shuxuele.com/data/chi-square-test.html
https://www.tongli.ink/%E4%B8%80%E7%AF%87%E6%96%87%E7%AB%A0%E5%88%9D%E6%AD%A5%E4%BA%86%E8%A7%A3%E5%8D%A1%E6%96%B9%E6%A3%80%E9%AA%8C
https://wiki.mbalib.com/wiki/%E5%8D%A1%E6%96%B9%E6%A3%80%E9%AA%8C
