2.

檢定統計方法及其應用
欲了解統計檢定之概念，我們先從一個簡單的例子開始。假若我們希望知道兩個學校(分別為 A 校
與 B 校，學生人數分別為 1200 人與 1500 人)學生之平均身高是否有差異，我們從兩校學生各抽樣 10
人，計算其平均身高，分別為 170 公分與 169 公分，那麼，我們可以有多少「信心」說 A 校同學比 B
校同學高 ?欲從不到 1%的樣本，及一公分的差距「論斷」，顯然「證據」薄弱了些。進一步，若我們各
抽樣 800 名同學計算出的平均身高為 170 公分與 165 公分，則顯然，即使我們不能百分百保證 A 校
高於 B 校，｢信心｣也會高出許多。但「信心」到底有多高?這就是統計檢定要解決的問題。我們先介紹關
於統計檢定的相關名詞與定義，再說明如何用 Excel 的分析工具箱來作統計檢定。
統計檢定與估計均為統計推論(以有限樣本推估母體統計特性)的形式，估計乃利用抽樣的樣本結
果推論單一母體特性；而統計檢定必須先對母體特性作假設(即假想的答案)，然後根據母體隨機抽
樣的樣本特性，檢驗此假設是否可以被接受。
統計假設(Statistical hypothesis)是指有關母體特性之敘述，其真(True)假(False)可由此母體抽樣所
得之樣本訊息判斷。統計假設有兩種形式彼此互補，分別為「虛無假設」與「對立假設」，「虛無假設」以
H0 表示，為我們希望透過統計檢定加以否定的，而「對立假設」以 H1 表示，為「虛無假設」的反面。
統計假設檢定的精神是—「除非有足 的證據可以否定 H0，否則只好接受 H0」。但接 受H0 並不表
示 H0 絕對為真，只是由樣本資料中我們沒有「足夠」證據否定它(即無法通過「顯著性檢定」)。由此，
我們可以了解，統計檢定的結果可能出現兩種誤差，稱之為「型 I 誤差」與「型 II 誤差」 「 型 I 誤差」意
。
指其實 H0 是真的，但統計檢定的結果，我們卻拒 接受 H0；「型 II 誤差」意指其實 H0 是假的，但
統計檢定的結果我們卻接受了 H0。
「型 I 誤差」是我們不希望發生的，我們當然希望它發生的機率越小越好，「型 I 誤差」發生之機率
稱為「顯著水準( α )」，通常我們會取「顯著水準( α )」為 0.05 或 0.01，端視我們不希望「型 I 誤差」發生
機率高低而定。
假設檢定根據虛無假設的形式，可分為「單尾檢定」與「雙尾檢定」；「單尾檢定」用於虛無假設為「
≥ 」或「 ≤ 」者；「雙尾檢定」用於虛無假設為「=」者。
Excel 分析工具箱中提供的統計檢定方法包括(共五種)：

(1) F 檢定：用以檢定兩常態母體變異數是否相等。
(2) Z 檢定：假設兩母體變異數已知，檢定兩常態母體平均數是否相等，但樣本必須大於或等於
30(即大樣本之均 檢定)。
(3) t 檢定：為針對小樣本，檢定兩常態母體平均數是否相等。又可分為三種：分別為「成對母體平均
數差異檢定」、「假設變異數相等情況下，兩母體平均數差異檢定」以及「假設變異數不相等情況 下，
兩母體平均數差異檢定」 。

上述五種檢定方法，如何判定使用時機呢?圖 8.1.6 為一分析適用之統計檢定方法之決策樹。

變異數檢定 F 檢定

判斷作「均值
檢定」或「變異 Z 檢定
數檢定」 大樣本

均值檢定 大樣本或
小樣本 成對 t 檢定
是
 小樣本
樣本是
否成對

變異數相等
否 是
之 t 檢定
變異數是
否相等
否
變異數不相
等之 t 檢定

圖 8.1.6 分析適用之統計檢定方法之決策樹

在圖 8.1.6 中，「均值檢定」或「變異數檢定」之判別，乃依據問題而定，以前述兩校身高比較為例；
若是比較身高之平均差異，則屬於「均值檢定」，若是想知道，兩校學生身高之變異狀況(分散狀況)
是否有差異，則屬於「變異數檢定」。至於大樣本與小樣本之判斷通常會 以 30 為界。成對與否之判斷，
則根據兩兩樣本資料是否相關，例如，我們希望比較兩種評價模型，在過去兩年，每個月的績效(月
報酬，共 24 筆)，則樣本資料不能互調，即模型 I 的一月績效不能與模型 II 的二月績效比較，此狀況
則為「成對比較」；最後「變異數是否相等」之判定則需先針對樣本進行「F 檢定」 。
統計檢定在程式交易應用領域中，可用於對不同交易策略模型回測實證結果進行分析，以確認
不同的方法在實證上有無差異(例如新的評價模型之績效表現，是否顯著優於原有模型)。
上述不同的檢定方法，在 Excel 分析工具箱中的操作介面均類似(除了 Z 檢定必須提供兩比較群
體之變異數外，均相同。在 Z 檢定中，由於必須提供變異數資料，可使用 Excel 之 VAR 函數計算樣本
資料之變異數代替母體變異數)，在此我們僅以「成對 t 檢定」說明使用方式。
我們使用的範例資料如圖 8.1.7 所示，圖 8.1.7 中，我們使用兩種不同之操作模型，評價 10 隻股
票在過去一段時間之操作績效，每一個樣本為操作模型之報酬率，由於欲進行均值檢定、為小樣本，
且資料具成對特性(因 A 股票操作績效與 B 股票操作績效比沒有意義，故成對)；由圖 8.1.6 知，應使
用「t 檢定：成對母體平均數差異檢定」 。
圖 8.1.8 為「成對 t 檢定」分析範例之工具箱設定，在其中必須設定兩輸入變數的範圍、假設的均數
差(在此例中為 0，意指希望比較兩操作模型之績效差異是否為 0)、輸入資料是否包含標記，以及前述
的顯著水準( α )。設定輸出範圍後按「確定」鍵，即可得到如圖 8.1.9 的輸出結果。
由於此例中，乃作「雙尾檢定」，因此在圖 8.1.9 中，我們可觀察「P-Value」(即「P(T<=t)雙尾」)與
「臨界 ：(雙尾)」，判斷原則如下：

(1) 若 t 統計量界於雙尾臨界 之內，或 P-Value 大於 α (0.05)，則接受 H0；

(2) 否則，拒絕 H0。
 圖 8.1.7「成對 t 檢定」分析範例之輸入資料

圖 8.1.8「成對 t 檢定」分析範例之工具箱設定

圖 8.1.9「成對 t 檢定」分析範例之結果輸出

3. 變異數分析方法及其應用
假若，我們希望檢定的是兩個以上母體之均值，又應如何呢?
這就要用到「變異數分析」了。變異數分析是實驗設計(Experimental design)的基本工具，而實驗設
計是科學研究的基礎，由此可知變異數分析的重要性。實驗設計之目的在於檢定一種或多種統計假設；
實驗設計所衡量的基本對象是實驗單位，實驗單位可在不同條件下被衡量，這些條件稱為「因子」
(Factor)，因子表現程度稱為「水準」(Level)，而不同因子的特定水準組合稱為「處理方式」(Treatment)。
影響實驗單位表現的因子可能包括一個以上，多因子間可能不完全獨立，亦即會產生交互作用
(綜效或綜損)，到底哪一單一因子或因子間的交互作用會影響實驗結果，變異數分析可以告訴我們
答案。但變異數分析包含以下幾個基本假設：(1)每個變數的母體均為常態分布；(2)每個母體變異數
均相等；以及(3)各組隨機樣本互為獨立。
在 Excel 的分析工具箱提供的變異數分析工具包括以下三種：

(1) 單因子變異數分析：針對兩組以上由單一因子影響之實驗(樣本)資料，進行分析，檢定其平均數
是否相等。
(2) 不重複實驗之雙因子變異數分析：針對兩組以上由兩因子影響之實驗(樣本)資料，進行分析，檢
定其平均數是否相等，並了解不同因子對實驗結果之影響。
(3) 重複實驗之雙因子變異數分析：針對兩組以上由兩因子影響之「重複」實驗(樣本)資料，進行分析，
檢定其平均數是否相等，並了解不同因子對實驗結果之影響。

以上三種變異數分析，以「重複實驗之雙因子變異數分析」較為複雜，以下以此舉例。
若我們希望檢定特定操作模型之績效表現，受到不同市場狀況(此為因子一，包括上漲、盤整與下
跌三種狀況)或不同類股(電子類股、金融類股、石化類股、水泥股等)之影響，以確認此操作模型適用於
哪一種市場狀況以及哪一種類股。對每一類股在不同市場狀況中，我們以不同時期(測試連續三個期
間之績效表現)重複實驗，所得到的實驗數據如圖 8.1.10 所示，其為「雙因子變異數分析：重複實驗」
之輸入數據。圖 8.1.11 為「雙因子變異數分析：重複實驗」工具箱設定，包括輸入範圍，每一樣本列數
(此即重複實驗次數)，與顯著水準( α )。繼而設定輸出範圍後，按「確定」鍵，即可得到如圖 8.1.12 的
輸出，在圖 8.1.12 中，我們可由不同因子之 F 統計量與 F 臨界值之比較，了解個別因子或交互作用
是否會影響實驗結果，判斷原則如下：

(1) 若 F 統計量大於 F 臨界值，則拒絕 H0 之假設；即該因子(或交互作用)「會」影響實驗結果。

(2) 若 F 統計量小於 F 臨界 ，則接受 H0 之假設；即該因子(或交互作用)「不會」影響實驗結果。

圖 8.1.10「雙因子變異數分析：重複實驗」分析範例之輸入資料
圖 8.1.11「雙因子變異數分析：重複實驗」分析範例之工具箱設定

圖 8.1.12「雙因子變異數分析：重複實驗」分析範例之結果輸出