假设检验简介-自己汇总.pptVIP

* * * * * * * * Rejection region does NOT include critical value. * Rejection region does NOT include critical value. * Rejection region does NOT include critical value. * * * * * * * * * 两类错误的控制 一般来说，对于一个给定的样本，判断发生错误的代价高低。如果犯第Ι类错误的代价比犯第Ⅱ类错误的代价相对较高，则将犯第Ⅰ类错误的概率定得低些较为合理；反之，如果犯第Ι类错误的代价比犯第Ⅱ类错误的代价相对较低，则将犯第Ⅰ类错误的概率定得高些 一般来说，发生哪一类错误的后果更为严重，就应该首要控制哪类错误发生的概率。但由于犯第Ι类错误的概率是可以由研究者控制的，因此在假设检验中，人们往往先控制第Ι类错误的发生概率 错误举例 在法庭上，首先假设被告无罪，直到证明他有罪。假设检验类似于： H0：被告无罪 H1：被告有罪 以下情况属于什么类型错误 当被告无罪的时候，陪团得出有罪的结论？ 当被告有罪的时候，陪审团得出无罪的结论？ Ⅰ类错误发生的概率 当零假设真时，否定零假设的错误。 Ⅰ类错误发生的概率叫做显著水平，用a代表 常见设定：a=0.05 检出能力是正确否定错误的零假设的概率 检查能力: p= 1-β 置信度 零假设 决策 正确 错误 不否定零假设 正确决策 p=1-a Ⅱ类错误 p=β 否定零假设 Ⅰ类错误 p=a 正确决策 p= 1-β μ1 Zα β μ2 α H0 H1 显著性水平? (significant level) 事先确定的用于拒绝原假设H0时所必须的证据 能够容忍的犯第Ⅰ类错误的最大概率(上限值) 2. 原假设为真时，拒绝原假设的概率 抽样分布的拒绝域 3. 表示为 ??(alpha) 常用的 ??值有0.01, 0.05, 0.10 4. 由研究者事先确定 依据什么做出决策？ 若假设为H0=500， H1500。样本均值为495，拒绝H0吗？样本均值为502，拒绝H0吗？ 做出拒绝或不拒绝原假设的依据是什么？ 传统上，做出决策所依据的是样本统计量，现代检验中人们直接使用由统计量算出的犯第Ⅰ类错误的概率，即所谓的P值 用统计量决策(双侧检验 ) 抽样分布 H0 临界值 临界值 a/2 a/2 拒绝H0 拒绝H0 1 - ? 置信水平 Region of Rejection Region of Nonrejection Region of Rejection 用统计量决策(左侧检验 ) 抽样分布 H0 临界值 a 拒绝H0 1 - ? 置信水平 Region of Rejection Region of Nonrejection 用统计量决策(右侧检验 ) 抽样分布 H0 临界值 2 拒绝H0 1 - ? 置信水平 Region of Nonrejection Region of Rejection 统计量决策规则-少用 给定显著性水平?，查表得出相应的临界值z? 或z? /2， t? 或t? /2 将检验统计量的值与? 水平的临界值进行比较 作出决策 双侧检验：I统计量I 临界值，拒绝H0 左侧检验：统计量 -临界值，拒绝H0 右侧检验：统计量 临界值，拒绝H0 用P 值决策 (P-value) 如果原假设为真，所得到的样本结果会像实际观测结果那么极端或更极端的概率 P值告诉我们：如果原假设是正确的话，我们得到得到目前这个样本数据的可能性有多大，如果这个可能性很小，就应该拒绝原假设 被称为观察到的(或实测的)显著性水平 决策规则：若p值?, 拒绝 H0 双侧检验的P 值 ? / 2 ? / 2 Z 拒绝H0 拒绝H0 0 临界值 计算出的样本统计量 计算出的样本统计量 临界值 1/2 P 值 1/2 P 值 左侧检验的P 值 ? Z 拒绝H0 0 临界值 计算出的样本统计量 P 值 右侧检验的P 值 ? Z 拒绝H0 0 计算出的样本统计量 临界值 P 值 P值是关于数据的概率 P值原假设的对或错的概率无关 它反映的是在某个总体的许多样本中某一类数据出现的经常程度，它是当原假设正确时，得到目前这个样本数据的概率 值越小，你拒绝原假设的理由就越充分 ? 要证明原假设不正确，P值要多小，才能令人信服呢？ 原假设的可信度有多高？如果H0所代表的假设是人们多年来一直相信的，就需要很强的证据(小的P值)才能说服他们 拒绝的结论是什么？如果拒绝H0而肯定H1 ，你就需要有很强的证据显示要支持H1。比如，H1代表要花很多钱把产品包装改换成另一种包装，你就要有很强的证据显示新