# ============================================ # 仮説検定の基本的な流れ # ============================================ # ビジネスシナリオ： # 「新しい広告を出した後、売上は本当に増えたのか？」 # → 単なる偶然の変動かもしれない # → 仮説検定で統計的に判断する import pandas as pd import numpy as np from scipy import stats # ============================================ # サンプルデータ：新しい広告の前後での売上 # ============================================ # 同じ10店舗の広告前後のデータ（対応のあるデータ） 広告前 = [120, 115, 130, 125, 118, 122, 128, 121, 119, 126] # 単位：万円 広告後 = [135, 142, 138, 145, 140, 136, 144, 139, 141, 143] # 単位：万円 print(“【データの概要】”) print(f”広告前の平均売上: {np.mean(広告前):.1f}万円”) print(f”広告後の平均売上: {np.mean(広告後):.1f}万円”) print(f”差: {np.mean(広告後) – np.mean(広告前):.1f}万円”) # ============================================ # 仮説の設定 # ============================================ # 帰無仮説（H₀）: 証明したいことの「逆」 # 対立仮説（H₁）: 証明したいこと print(“\n【仮説の設定】”) print(“帰無仮説(H₀)：広告は売上に影響しない（平均に差がない）”) print(“対立仮説(H₁)：広告は売上を増加させる（平均に差がある）”) # ============================================ # stats.ttest_rel(): 対応のあるt検定 # ============================================ # なぜttest_relを使うか？ # → 同じ店舗の「前」と「後」を比較（対応のあるデータ） # → _rel = related（関連のある）の略 # # もし別々のグループを比較するなら → ttest_ind（独立） # # 戻り値: # t_stat: t統計量（差の大きさを標準化した値） # p_value: p値（この差が偶然である確率） t_stat, p_value = stats.ttest_rel(広告後, 広告前) print(“\n【検定結果】”) print(f”t統計量: {t_stat:.4f}（大きいほど差が顕著）”) print(f”p値: {p_value:.4f}（この差が偶然である確率）”) # ============================================ # 判定（有意水準α=0.05） # ============================================ # 有意水準α: 「偶然と判断する確率の閾値」 # → α=0.05が一般的（5%） # → p < α なら「偶然ではない」と判断 alpha = 0.05 print(f"\n【判定】（有意水準α={alpha}）") if p_value < alpha: print(f"p値({p_value:.4f}) < α({alpha})") print("→ 帰無仮説を棄却") print("→ 広告の効果あり！（統計的に有意）") else: print(f"p値({p_value:.4f}) ≥ α({alpha})") print("→ 帰無仮説を棄却できない") print("→ 広告の効果があるとは言えない")

# ============================================ # 仮説検定を関数化（再利用しやすく） # ============================================ # なぜ関数化するか？ # → 同じ検定を何度も実行する場合に便利 # → コードの重複を避けられる # → 結果を統一フォーマットで出力 def hypothesis_test(data1, data2, alpha=0.05, paired=False, name1=”グループ1″, name2=”グループ2″): “”” 仮説検定を実行し、結果を出力する関数 Parameters: ———– data1, data2: 比較するデータ（リストまたは配列） alpha: 有意水準（デフォルト0.05） paired: 対応のある検定かどうか True: 同じ対象の前後比較（ttest_rel） False: 異なるグループの比較（ttest_ind） name1, name2: グループの名前（表示用） Returns: ——– dict: t統計量、p値、有意かどうかを含む辞書 “”” print(“=” * 50) print(“仮説検定レポート”) print(“=” * 50) # データの概要 print(f”\n【データの概要】”) print(f”{name1}: 平均={np.mean(data1):.2f}, 標準偏差={np.std(data1):.2f}, n={len(data1)}”) print(f”{name2}: 平均={np.mean(data2):.2f}, 標準偏差={np.std(data2):.2f}, n={len(data2)}”) print(f”平均の差: {np.mean(data2) – np.mean(data1):.2f}”) # ============================================ # t検定の選択と実行 # ============================================ # paired=True: 対応のあるt検定（同じ対象の前後比較） # paired=False: 独立2標本t検定（異なるグループの比較） if paired: t_stat, p_value = stats.ttest_rel(data2, data1) test_type = “対応のあるt検定（paired t-test）” else: t_stat, p_value = stats.ttest_ind(data2, data1) test_type = “独立2標本t検定（independent t-test）” print(f”\n【検定】{test_type}”) print(f”t統計量: {t_stat:.4f}”) print(f”p値: {p_value:.4f}”) # 判定 print(f”\n【判定】（有意水準α={alpha}）”) if p_value < alpha: print(f"★ 統計的に有意（p={p_value:.4f} < α={alpha}）") print(f"→ {name1}と{name2}に有意な差あり") else: print(f"☆ 統計的に有意でない（p={p_value:.4f} ≥ α={alpha}）") print(f"→ {name1}と{name2}に有意な差があるとは言えない") return {'t_stat': t_stat, 'p_value': p_value, 'significant': p_value < alpha} # ============================================ # 使用例 # ============================================ result = hypothesis_test(広告前, 広告後, paired=True, name1="広告前", name2="広告後") print(f"\n【結果をプログラムで使う場合】") print(f"result['significant'] = {result['significant']}") print(f"→ if文などで判定に使用可能")