Wald检验计算器 - 统计显著性
进行Wald检验，判断参数估计是否具有统计显著性——输入β̂、β₀、SE和α即可立即得到结果。
输入参数估计、假设值、标准误和显著性水平。计算器会返回Wald统计量、z值、p值和结论。
Wald检验计算器 - 统计显著性
进行Wald检验，判断参数估计是否具有统计显著性——输入β̂、β₀、SE和α即可立即得到结果。
关于Wald检验计算器
Wald检验是一种参数统计检验，以统计学家Abraham Wald命名。它是极大似然估计中三种经典假设检验之一，另外两种是似然比检验和得分检验（拉格朗日乘子检验）。Wald检验之所以最常见，是因为它只需要估计值本身及其标准误——这两者通常都会由统计软件直接报告——而不需要完整的似然函数。
Wald检验的思想很简单。如果参数估计β̂相对于其精度（由标准误SE衡量）来说，离假设值β₀很远，那么原假设H₀: β = β₀不太可能成立。Wald统计量为W = ((β̂ − β₀) / SE)²，也就是z值的平方。在原假设成立且样本足够大时，W服从自由度为1的卡方分布。等价地，带符号的z值z = (β̂ − β₀) / SE服从标准正态分布，因此双侧p值为2 · (1 − Φ(|z|))，其中Φ是标准正态分布的累积分布函数。
p值回答的问题是：如果原假设为真，观察到当前这样或更极端统计量的概率是多少？较小的p值（通常低于显著性水平α，常设为0.05或0.01）提供了反对H₀的证据。当p < α时，结果称为具有统计显著性，我们拒绝原假设。当p ≥ α时，我们不拒绝它——这并不意味着H₀为真，只是证据不足，无法得出参数不同于β₀的结论。
Wald检验在应用统计中非常普遍。在线性回归和逻辑回归中，每个系数报告的t统计量本质上就是Wald z值，对应的p值用于检验该系数是否显著不同于零。在计量经济学中，Wald检验用于同时检验多个系数的联合假设（借助矩阵代数扩展）。在生存分析中，它用于检验某个协变量是否能显著预测风险率。在遗传学中，全基因组关联研究会使用Wald型统计量检验数百万个单核苷酸多态性位点。
Wald检验的一个已知局限是，它可能因参数化方式不同而给出不同结果，因为该检验依赖于对似然函数的局部二次近似。在小样本下，通常更推荐似然比检验，因为它更准确。Wald检验在样本量较大、估计值近似服从正态分布（即满足渐近条件）且标准误估计可靠时最为稳健。
Wald检验示例
来自经济学、医学和一般统计学的三个真实场景，展示Wald检验的实际应用。
| 输入 | 结论 | 详情 |
|---|---|---|
| β̂=2.5, β₀=0, SE=1.1, α=0.05 | 拒绝H₀ | z = 2.27，W = 5.17，p ≈ 0.023。该估计值距0超过2个标准误，因此在α = 0.05时拒绝原假设。 |
| β̂=0.08, β₀=0, SE=0.02, α=0.05 | 拒绝H₀ | 教育系数：z = 4.0，p < 0.001。教育年限每增加1年，对工资的非零影响都高度显著。 |
| β̂=−0.5, β₀=0, SE=0.2, α=0.01 | 不拒绝H₀ | 在更严格的α=0.01下评估药物疗效：z = −2.5，p ≈ 0.012。该效应在α = 0.05时显著，但在更严格的1%阈值下不显著。 |
如何使用Wald检验计算器
- 输入回归结果或统计模型中的参数估计β̂。
- 输入假设值β₀——通常在检验系数是否不为零时取0。
- 输入估计的标准误SE，该值会在同一统计输出中给出。
- 设置显著性水平α——常用0.05表示5%的常规阈值，或0.01表示更严格的1%阈值。
- 点击“计算”，即可得到Wald统计量、z值、双侧p值以及拒绝/不拒绝的结论。
Wald检验常见问题
Wald检验衡量什么？
Wald检验衡量参数估计与假设值之间相差多远，并以标准误单位表示。它检验这种距离是否足够大，从而能在给定显著性水平下得出真实参数不同于假设值的结论。
Wald检验和t检验有什么区别？
在大样本下，两者本质上等价——都是把估计值与原假设值进行标准误单位的比较。主要区别在于，t检验使用t分布（考虑方差估计的不确定性），而Wald检验使用正态分布，因此它是一个渐近检验，更适合大样本。
为什么原假设通常是β₀ = 0？
与0比较是在检验某个预测变量是否完全没有影响。在回归中，系数为0意味着该变量没有作用。设定β₀ = 0是最常见的用法，但你也可以检验任意值——例如检查参数是否等于理论预期值1或−0.5。
不拒绝H₀是什么意思？
不拒绝H₀意味着数据不足以证明参数与假设值不同。这并不能证明H₀为真。该结果可能表示效应确实为0，也可能只是因为样本太小或标准误太大，导致统计功效不足。
什么时候应该改用似然比检验？
当样本量较小、参数接近其允许范围边界，或者Wald检验结果对所选参数化方式非常敏感时，通常更适合使用似然比检验。对于大样本且估计值平滑分布的情况，Wald检验和似然比检验给出的p值几乎相同。
应该使用什么显著性水平？
常规阈值是α = 0.05（5%），表示你接受5%的概率去错误拒绝一个真实的原假设。对于更严格的要求——如医疗器械审批、基因组学或物理学——会使用α = 0.01甚至0.001。探索性研究有时会接受α = 0.10。显著性水平应在看数据之前确定。