最近Prompt工程很火爆，如何更好的让GPT帮你解决问题，值得研究。

今天贴一个实际工作中和GPT的QA。

概念的介绍：显著性检验和等效检验

Q1：显著性检验 和 等效检验的区别

A1：

显著性检验（significance test）和等效检验（equivalence test）都是假设检验的方法，但它们的目的和假设方向不同。

显著性检验的目的是判断一个样本数据是否有显著的差异，即检验原假设是否成立。原假设通常是指两个或多个样本的统计量之间不存在显著差异。通过计算样本统计量的p值，可以根据一定的显著性水平（例如0.05）来决定是否拒绝原假设。如果p值小于显著性水平，通常认为差异是显著的。

等效检验的目的是判断两个样本是否有相似的结果，即检验原假设是否成立。原假设通常是指两个或多个样本的统计量之间存在等效。通过计算样本统计量的区间估计，可以根据一定的等效范围（例如在区间估计的下限和上限之间）来决定是否接受原假设。如果区间估计完全落在等效范围内，通常认为两个样本是等效的。

因此，显著性检验和等效检验的区别在于它们的目的和假设方向。显著性检验主要关注样本之间的差异是否显著，而等效检验主要关注样本之间的相似性是否达到了一定程度。

追问概念的实现

Q2：实际检验计算时有什么差别，可以通过一个例子说明下

A2：

下面通过一个例子来说明显著性检验和等效检验的计算方法和差别。

假设我们有两个班级的成绩数据，分别为班级A和班级B，每个班级有30个学生，我们想检验两个班级的平均成绩是否有显著差异和是否等效。

首先进行显著性检验，我们可以假设班级A和班级B的平均成绩相等，即H0: μA = μB，其中μA表示班级A的平均成绩，μB表示班级B的平均成绩。我们可以使用双样本t检验来检验两个班级平均成绩的差异。假设我们计算得到t值为2.2，自由度为58，p值为0.03。这里的p值是指，在班级A和班级B平均成绩相等的情况下，我们得到当前t值或更极端的t值的概率。由于p值小于显著性水平0.05，我们可以拒绝原假设，即认为班级A和班级B的平均成绩存在显著差异。

接下来进行等效性检验，我们可以假设班级A和班级B的平均成绩相差不超过2分，即H0: μA - μB < 2，其中μA表示班级A的平均成绩，μB表示班级B的平均成绩。我们可以使用置信区间来检验两个班级平均成绩的等效性。假设我们计算得到班级A和班级B的平均成绩之差的95%置信区间为（-1.5, 3.0），即班级A的平均成绩比班级B低1.5分到高3.0分的概率为95%。由于2分在这个置信区间内，我们可以接受原假设，即认为班级A和班级B的平均成绩存在等效性。

综上所述，显著性检验和等效性检验的差别在于它们的目的和假设方向不同，显著性检验是判断两个样本是否有显著差异，等效性检验是判断两个样本是否存在等效性。在具体的计算过程中，显著性检验需要计算p值，而等效性检验需要计算置信区间，并根据等效范围来判断原假设是否成立。

GPT火爆的时候知乎问答股价一度大涨，因为知乎是很好的语料库，但是从目前问题解决的效率来看，最终知乎这样的问答社区一定会被GPT完全取代。

另外合理、有效利用GPT的原则还是EE （exploration exploitation）原则：探索和穷尽，你尽可以凡事都问GPT，也尽可追问，目前看GPT是问不倒的。