统计检验原理与正态性检验.ppt

* 如果按照上面的思路，我们必须从头重新做一遍分析。 如果我们得到下一张幻灯片的信息，那么我们就可以直接作出回答。 * 样本统计量的t值 t 0 -1.705 0.052 当原假设成立时t统计量分布 p-值 * p-值 提供了更详细的信息 本例中， p-值为0.052,表明：如果显著水平取0.10检验结果为显著，如果显著水平取0.05则检验结果为不显著。当然，如果显著水平取1%，检验更不显著。 * 如何运用计算机软件进行检验？ 所有类型的检验，计算机软件会输出P-值。我们完全依靠P-值进行检验。 通常当P-值较接近0时（通常以10%为界限），我们应拒绝H0，接受H1。否则我们不能拒绝H0。 * p-值 在SPSS输出结果通常以“sig.”表示。 利用SPSS的“sig.”输出结果我们可以方便地进行各种类型的检验，而不需要掌握统计量的定义和拒绝域的形式，而且不需要通过查表确定临界值。统计检验变得异常简单！ * 例如：某检验，SPSS输出的P-值为0.03，则我们应拒绝H0，接受H1。 尽管此推断可能出错，但错误的概率不超过3%。 * 例如：某检验，SPSS输出的P-值为0.16，则我们不应拒绝H0 注意：有些统计学家主张，这种情况下，不要说“接受H0”，原因是如果说“接受H0”，会使人们误以为推断H0成立的错误概率很低，但实际上此概率有多大不详，而且通常比人们想象的要大得多！ 因为此时面临的是第二类错误。 * P-值为0.16，只是说明，如果我们做出“拒绝H0，接受H1” 这种推断，其错误的概率不超过16%，但是并没说我们做出“接受H0，拒绝H1” 这种推断错误的概率不超过16%！ 有时在这种情况下，我们也说，可以认为H0成立，但切记，此推论是苍白无力的！ * 最有说服力的情形是：P-值非常接近0，例如，sig=0.001，我们可以作出接受H1的结论，此结论错误的概率不足0.1%！ 由此也可以看出，原假设与对立假设的地位是不对等的。 * 检验结论的表述方法 如果sig=0.063，下面的说法都是恰当的： 在10%的水平下，检验是显著的。 在5%的水平下，检验是不显著的。 在1%的水平下，检验是不显著的。 * 几点应牢记的重要结论 必须弄清原假设与对立假设的内容 检验结果为“显著”是指原假设显著不成立。 结论的说服力强弱主要取决于显著水平高低 当作出拒绝零假设 (即接受对立假设)结论时，显著水平α越低效果越好，因为它表明该结论为错误结论的概率不超过α。 * 如果我们希望作出接受原假设的结论， 则显著水平α越低效果越差。因为此结论如果是错误结论，则属于第二类错误，其错误概率为β（我们不知道它有多大！），而β与α的关系是此消彼长的。 * 4.分布正态性检验 柯尔莫戈洛夫-斯米诺夫检验 夏皮罗-威尔克检验 正态Q-Q图法 直方图 偏度与峰度 * 柯尔莫戈洛夫-斯米诺夫检验 H0∶总体服从正态分布，H1∶总体不服从正态分布 输出结果中最为重要的是p-值大小。 p-值越低(例如小于0.05)，表明总体越显著偏离正态分布 显著水平越高(例如大于0.2)，表明总体越符合正态分布输 出结果∶ * 本例中，我们可以做以下结论： 变量NORM在10%的水平下，检验不显著，不能否定该变量服从正态分布。 变量UNI在5%的水平下，检验是显著的，应认为该变量不服从正态分布。 * 夏皮罗-威尔克检验 该检验与柯尔莫戈洛夫-斯米诺夫检验用法大体相同。 当样本容量较大时，系统只给出柯尔莫戈洛夫-斯米诺夫检验结果。 输出结果举例∶ * 正态Q-Q图法 (通常称为概率纸检验法) 该方法是一种粗略的正态性检验法 如果图中散点大体处于一条直线上 则可判定该组数据服从正态分布 否则可判定不服从正态分布 * 例∶正态分布的正态Q-Q图 该图是服从正态分布变量值的“正态Q-Q图”。 图中散点基本处于一条直线上，表明上述变量服从正态分布。 变量NORM是利用函数normal( )由软件自动生成的正态分布随机数。 * 例∶均匀分布的正态Q-Q图 该图是服从均匀分布变量值的“正态Q-Q图”。 图中散点构成一条曲线，表明上述变量不服从正态分布。 变量UNI是利用函数uniform( )由软件自动生成均匀分布随机数。 * (三) 基本操作方法 单击Analyze菜单 选择Summarize 中的Explore项 对Explore对话框进行设置 选择待分析变量，进入Dependent 框中 如果需要将数据按“性别”或“地区”等进行分类 后进行分析，则需要将分类变量选入 Factor 框中 * 打开Explore:Plots对话框 Boxplots--