假设检验-统计之都.ppt

第五章 假设检验Hypothesis Testing 数理统计课题组 本章大纲 假设检验的基本概念 Neyman-Pearson范式 和假设检验有关的两个问题 广义似然比检验 单样本检验的几个实例 两个样本的比较 实验设计 学习目标 理解假设检验的直观概念和Neyman-Pearson范式 了解假设检验方法的可能缺陷 掌握广义似然比检验 掌握正态、多项、泊松总体的假设检验 掌握Hanging Rootogram和概率图 掌握两个独立样本的比较 理解实验设计 本章详细大纲 假设检验的基本概念 Neyman-Pearson范式 Neyman-Pearson引理 显著性水平的确定和p-值 一致最优检验 和假设检验有关的两个问题 置信区间和假设检验的对偶关系 如何选择原假设 广义似然比检验 广义似然比方法 多项分布的广义似然比检验 泊松分布的广义似然比检验 单样本检验的几个实例 两个样本的比较 1.假设检验的基本概念(Hypothesis Testing) 硬币猜测游戏 用似然比likelihood ratio和贝叶斯方法处理这个问题 猜硬币中的似然比 如果你在10次抛掷中看到2次正面朝上。则P0(2)/P1(2)=30。这就是似然比。 硬币0出现这个结果的机会是硬币1的30倍 猜硬币中的似然比 根据抛掷结果计算出的后验概率成为评判标准 猜硬币中的错判概率 假定c=1。则判别规则如下： 因为结果有随机性，这个规则导致错判 错误分成两类：H0为真的时候拒绝H0， H0为假的时候接受H0 临界值c对错判概率的影响 假定c=0.1，即先验概率有差异 2.Neyman-Pearson范式 不用贝叶斯方法 规避了先验概率的决定 对两个假设区别对待，一个成为原假设H0(null hypotheses)，另一个成为备择假设H1(alternative hypotheses) 由此导致在有些场合下选择原假设的困难 Neyman-Pearson范式中的术语 第I类错误(Type I Error)，H0为真的时候拒绝H0 检验的显著性水平(significance level)，第I类错误的概率，通常记为 第II类错误(Type I Error)，H0为假的时候接受H0，其概率记为 检验的功效(power)， H0为假的时候拒绝H0，其概率记为 检验统计量(test statistics) 拒绝域(rejection region)和接受域(acceptance region) 原分布(null distribution)，在原假设为真的条件检验统计量所服从的分布 Neyman-Pearson引理(lemma) 方差已知的正态 方差已知的正态 置信区间和假设检验的对偶关系 置信区间和假设检验的对偶关系：引理A 置信区间和假设检验：引理A证明 置信区间和假设检验的对偶关系：引理B 广义似然比检验（Generalized Likelihood Ratio Test） 广义似然比检验 广义似然比检验：方差未知正态总体的均值检验 广义似然比检验：方差未知正态总体的均值检验 广义似然比检验：方差未知正态总体的均值检验 多项分布的广义似然比检验 多项分布的广义似然比检验 Pearson卡方统计量和似然比 Pearson卡方统计量和似然比 Handy-Weinberg均衡 在参数估计的例子中引入了Handy-Weinberg均衡 Bacterial Clump 用显微镜检查0.01毫升牛奶中的细菌群的数量.计量方法是每个方格子里的数量 看起来用泊松分布是不错的 以下数据来自Bliss and Fisher (1953) Bacterial Clump Fisher重新检验孟德尔(Mendel)的数据 泊松散布度检验(dispersion test) 泊松散布度检验(dispersion test) 泊松散布度检验(dispersion test) 泊松散布度检验：石棉纤维 泊松散布度检验：细菌菌落 更多的评估拟合优度的方法 Hanging rootograms Probability plots 正态性检验 Hanging rootograms 原理：用图象展示观测值和拟合值的直方图之间的差异 演示数据：来自Martin, Gudzinowicz and Fanger 1975，共152 通常会用正态分布来拟合所得到的数据 Hanging rootograms Hanging rootograms Probability plots Probability plots Probability plots 概率图 概率图：概率积分变换probability integral transformation 概率图：特定的F(x)