Power BI DAX实现二项假设检验显著性检验的正确性咨询

现有实现的合理部分 #

你采用两独立组比例差异的正态近似检验的大方向是符合统计逻辑的：当两组样本量满足大样本条件（每组的事件数、非事件数均≥5）时，用Z检验比较二分类结局的发生率差异是行业常规方法，没有本质上的方法选型错误。小样本下正态近似结果会有偏差，建议后续搭配费希尔精确检验做校验。

现存的核心问题 #

1. 代码语法层面的硬伤 #

你当前的伪代码存在多处括号未闭合的问题，直接运行会触发报错：

• 计算controlStandardError时，pControl * (1-pControl) 缺少右括号
• 计算Z值的分母时，SQRT(...) 整体缺少右括号

2. 假设检验的标准误用错场景 #

你当前计算Z值时，使用了两组各自观测比例的方差和来计算差值的标准误——这个算法是计算差值置信区间时的标准误算法，并不适配假设检验的零假设场景。

• 我们做两比例差异检验时，零假设H0是“两组真实发生率完全相等”，此时应该用合并的 pooled 总发生率来计算标准误，也就是把两组的事件数、测试数合并后算整体的p值，再代入标准误公式，这样得到的Z值才是无偏的。
• 你当前的算法没有利用H0的相等假设，在两组发生率接近的时候结果偏差不大，但当两组差异较大时，Z值会出现明显偏移。

3. p值计算逻辑完全错误 #

你写的 1 - ABS(NORM.DIST(Zscore, 0, 1, TRUE)) 公式完全不符合p值的定义：

• 标准正态分布的累积概率函数Φ(Z)表示从负无穷到Z值的总概率，双侧检验的p值是“当前观测到的Z值偏离程度下，比当前更极端的概率总和”，正确计算方式是 2 * (1 - Φ(ABS(Z)))
• 你当前的公式存在两个致命缺陷：
  • 当Z为负值时，Φ(Z) 会小于0.5，ABS(Φ(Z)) 之后算出来的结果会接近1，完全偏离真实p值（比如Z=-1.28时，真实双侧p=0.2，你算出来的结果是0.9，完全反向）
  • 当Z为正值时，你算出来的p值刚好是真实p值的一半，导致显著性判断被人为放大

4. 显著性筛选阈值匹配错误 #

你目标是做80%置信度的双侧检验，对应的显著性水平α=1-0.8=0.2，双侧检验的p值是两侧尾部的概率总和，因此应该筛选 p < 0.2 的结果。你当前用的p<0.1的阈值，实际对应的是90%置信度的双侧检验标准，和你的目标不匹配。

正确的实现逻辑 #

双侧检验版本 #

1. 基础参数计算
   • pControl = 对照组事件数 / 对照组总测试数
   • pTest = 测试组事件数 / 测试组总测试数
   • pPooled = (对照组事件数 + 测试组事件数) / (对照组总测试数 + 测试组总测试数)
2. Z值计算
   • SE = SQRT( pPooled * (1 - pPooled) * (1/对照组总测试数 + 1/测试组总测试数) )
   • Zscore = (pTest - pControl) / SE
3. p值计算
   • pValue = 2 * (1 - NORM.S.DIST(ABS(Zscore), TRUE))
4. 筛选规则
   • 80%置信度双侧检验：筛选pValue < 0.2

单侧检验调整 #

如果后续要根据业务方向调整为单侧检验：

• 若业务假设是“测试组发生率高于对照组”，p值直接取正侧尾部概率：pValue = 1 - NORM.S.DIST(Zscore, TRUE)，80%置信度下筛选阈值仍为pValue < 0.2
• 若业务假设是“测试组发生率低于对照组”，p值直接取负侧尾部概率：pValue = NORM.S.DIST(Zscore, TRUE)，阈值同上

注意：如果需要同时展示发生率的80%置信区间，计算区间上下界时的标准误可以换回你最初写的、用两组各自观测比例计算的版本，不要用合并比例的SE，避免区间估计出现偏差。

内容的提问来源于stack exchange，提问作者Ryan Fry