統計真的是很深奧的學門，尤其是整個資料分析的過程所需要的思緒邏輯！下面這句由知名社會學家Hubert M. Blalock, Jr.說的就格外顯得真切，就算我們能“舞弄一堆統計算式”，也無法取代在一開頭對於要分析問題的假設和認知，我猜這意思就是開頭的“假設”吧！
The manipulation of statistical formulas is no substitute for knowing what one is doing” — Hubert Blalock., Jr., Social Statistics
在統計假設的核心的觀念，就如同下面這段引言所說的
A clear formulation of the hypothesis to be tested as well as a clear understanding of the basic mathematical phenomena involved are absolutely necessary in order to be able to extract facts from data.
這句話我的理解是當不知道自己的假設是什麼，做再多的進階分析都沒有用，反過來說，資料所產生的“資訊”，要先來自於我們想要從他知道什麼！（有點哲學的感覺）
換句話說，“假設”不是立基於我們從資料探索出來的知識，而是我們在使用這筆資料前對問題的了解。
Hypothesis testing is not centered on the data; it is centered on our a prior beliefs about it.
也就是我們必須建立一個基本的priori belief或者是說assumption, needs to be tested.
緊接者的重點是如何將我們好奇的問題，轉換成“統計可分析的”，在分析基因表現時則是必須知道何謂測出來的基因是“up-regulated”，在我們的資料中可以怎麼去看這件事情。
在建立假設檢定（Hypothesis testing ），可以簡單概括成下面的步驟
第一步驟：清晰的定義想知道的問題（clearly define the problem）
舉例：The expression level c of a gene is measured in a given condition. It is known from the literature that the mean expression level of the given gene in normal conditions is mu. We expect tht gene to be up-regulated in the condition under study, and we would like to test whether the data support this assumption.
第二步驟：從這個問題提出兩個mutually exclusive and all inclusive的假設（statistic hypotheses）
第三步驟：在進行分析前，先選擇可以接受的p value，而p value就是“你願意忍受結果有多少不確定性”，也就是有多少機率是“錯的”
p-value is the probability of drawing the wrong conclusion by rejecting a true null hypothesis. the significant level is the amount of uncertainty we are prepared to accept in out studies。
第四步驟：選擇合適的統計方法並且算出可用的statistic值
第五步驟：看算出來的p-value其significant level是多少
第六步驟：最後依據計算出來的數值，看能否對null hypothesis推翻，接受alternative hypothesis，或是not reject null hypothesis.
我們的基因體時代 Our "Gene"ration 