统计学假设检验第五章12.pptVIP

【例3】一家研究机构估计，某城市中家庭拥有汽车的比例超过30%。为验证这一估计是否正确，该研究机构随机抽取了一个样本进行检验。试陈述用于检验的原假设与备择假设。 解：研究者想收集证据予以支持的假设是“该城市中家庭拥有汽车的比例超过30%”。 建立的原假设和备择假设为： H0 ： ? ? 30% H1 ： ? ? 30% 抽样分布 H0 临界值 拒绝H0 1 - ? 置信水平 Region of Non rejection Region of Rejection 右侧检验： a 观察到的样本统计量 √ 抽样分布 H0 临界值 拒绝H0 1 - ? 置信水平 Region of Non rejection Region of Rejection 右侧检验： a 观察到的样本统计量 × 1°给定显著性水平?，查表得出相应的临界值Z?或Z?/2 ， tα 或 tα/2 2°将检验统计量的值与? 水平的临界值进行比较 3°作出决策 双侧检验：|统计量| 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 统计量决策规则： 第一类错误（弃真错误） 原假设为真时，拒绝原假设 会产生一系列后果 第一类错误的概率为?，被称为显著性水平 第二类错误（取伪错误） 原假设为假时，接受原假设 第二类错误的概率为? （2）假设检验中的两类错误 假设检验的结果不一定正确！ μ0 α x 原假设抽样分布 μ0 α 原假设抽样分布 x 拒绝域 弃真错误：原假设为真，却落在拒绝域内被拒绝。 扩大拒绝域（α变大），第一类错误可能性变大；反之，为防止弃真错误，就要缩小α。 拒绝域 第一类错误（弃真错误） 接受域 （原假设为真） 原假设： 1-α μ0 接受域 拒绝域 α 备择假设： β 1-β μ1 拒绝域 接受域 研究者总是希望能做出正确的决策，但由于决策是建立在样本信息的基础之上，而样本又是随机的，因而就有可能犯错误； 原假设和备择假设不能同时成立，决策的结果要么拒绝H0 ，要么不拒绝H0 。决策时总是希望当原假设正确时，没有拒绝它；当原假设不正确时拒绝它，但实际上很难保证不犯错误 ? ? H0 ：无罪 假设检验中的两类错误（决策结果） 陪审团审判 裁决 实际情况 无罪 有罪 无罪 正确 错误 有罪 错误 正确 H0 检验 决策 实际情况 H0为真 H0为假 接受H0 正确决策 1 – a 第二类错误 b 拒绝H0 第一类错误 a 正确决策 1-b 假设检验就好像 一场审判过程 统计检验过程 是针对原假设H0 说的！ 冤枉好人 放过坏人 对于一个给定的样本，如果犯第一类错误的代价比犯第二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，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。由于犯第一类错误的概率是可以由研究者控制的，因此在假设检验中，人们往往先控制第一类错误的发生概率 两类错误的控制： ? 错误和 ? 错误的关系： ? ? 你不能同时减少两类错误! ?和?的关系就像翘翘板，?小?就大， ?大?就小 两类错误与显著性水平： 第一类错误：弃真（显著水平α） 第二类错误：取伪 显著 水平 与 两类 错误 生活中如何避免——弃真错误控制得小一些！ 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一类错误的概率，即所谓的P值。 注：假设检验不能证明原假设正确。 ① 假设检验只提供不利于原假设的证据。当拒绝原假设时，表明样本提供的证据证明它是错误的；当没有拒绝原假设时，我们也不说“接受原假设”，因为没法证明原假设是正确的 这与法庭上对被告的定罪类似：先假定被告是无罪的，直到你有足够的证据证明他是有罪的，否则法庭就不能认定被告有罪。当证据不足时，法庭的裁决是“被告无罪”，这里也没有证明被告就是清白的 ② 如果你主观上要想拒绝原假设，那就一定能拒绝它 这类似于我们通常所说的“欲加之罪，何患无词” 只要你无限制扩大样本容量，几乎总能拒绝原假设 1°用于假设检验问题的统计量 2°选择统计量的方法与参数估计相同，需考虑： 是大样本 or 小样本 总体方差已知 or 未知 回顾上节课以下内容—— 2. 确定适当的检验统计量 1°是一个概率值 2°原假设为真时，拒绝原假设的概率 3°表示为 ?? 常用的 ??值有0.01，0.05，0.10 3. 规定显著性水平（significant level）? 1°根据样本观测结果，计算出对原假设和备择假设做出决策的某个样本统计量 2°对样本估计量的标准化结果 原假设H0为真 点估计量的抽样分布 3°检验统计量的基本形式为（以正态分布为例）：