3. 假设检验与统计显著性：原假设与备择假设、P值、置信区间、统计功效（Power）在风控中的意义

在风控A/B测试中，统计显著性不是“看起来有差异”，而是“差异在数学上可信”。本章将拆解假设检验的四大核心概念，并说明它们在风控策略决策中的具体含义。

3.1 原假设与备择假设：风控决策的“无罪推定”

假设检验的本质是“先假设无效，再用数据推翻它”。

• 原假设（H₀）：策略变更没有效果。例如：“新规则与旧规则的逾期率相同”。
• 备择假设（H₁）：策略变更有效果。例如：“新规则的逾期率低于旧规则”。

3.2 P值：证据强度的“温度计”

P值是在H₀为真的前提下，观察到当前结果（或更极端结果）的概率。P值越小，说明数据与H₀的矛盾越大。

3.3 置信区间：效果大小的“范围估计”

置信区间给出了策略效果的可能范围，比P值提供更多信息。95%置信区间意味着：如果重复实验100次，大约95次会包含真实效果值。

# 风控示例：新策略降低逾期率的置信区间计算（Python伪代码）
import numpy as np
from scipy import stats

# 对照组逾期率
control = np.array([0]*950 + [1]*50)  # 5%逾期
# 实验组逾期率
treatment = np.array([0]*970 + [1]*30)  # 3%逾期

# 计算差值及95%置信区间
diff = treatment.mean() - control.mean()
se = np.sqrt(control.var()/len(control) + treatment.var()/len(treatment))
ci_low = diff - 1.96 * se
ci_high = diff + 1.96 * se

print(f"逾期率降低: {diff:.3f}")
print(f"95%置信区间: [{ci_low:.3f}, {ci_high:.3f}]")
# 输出: 逾期率降低: -0.020
# 95%置信区间: [-0.031, -0.009]

3.4 统计功效（Power）：避免“漏掉好策略”

统计功效是当策略真实有效时，假设检验能正确拒绝H₀的概率。功效不足会导致“假阴性”——明明是好策略，却被判定为无效。

3.5 四大概念的关系：假设检验决策框架

3.6 风控场景中的实际应用：一个完整案例

某消费金融平台测试“增加收入证明验证”策略对逾期率的影响：

• 样本量：对照组50,000笔，实验组50,000笔
• 对照组逾期率：4.2%
• 实验组逾期率：3.5%
• 绝对降低：0.7个百分点

3.7 常见陷阱与避坑指南