统计检验原理与正态性检验(简化版)及答案.ppt

统计检验原理与分布正态性检验 第一节 假设检验概述 一、假设检验的基本原理 1.什么是统计学中的假设? 假设是对总体的某种推断 例： 上市公司2005年平均利润率≥10% 上市公司2005年资产负债率服从正态分布 什么是假设检验？ 假设检验——利用样本推断总体 1.提出一对假设， 一个称为零假设或原假设（The Null Hypothesis），记为H0 另一个称为对立假设、备择假设（The Alternative Hypothesis），记为H1 2.从总体中抽取少数个体（一组样本） 3.根据样本判断接受H0还是接受H1（此说法有些不严格，后面进一步解释！） 所提出的一对假设，何者为零假设？ 出于数学上的需要，原假设总是包含等号“=” ，例如： H0: ??? 3 H0: ?? 3 H1: ?? 3 H1: ??? 3 又如： H0:总体服从正态分布 H0:总体不服从正态分布 H1:总体不服从正态分布 H1:总体服从正态分布 假设检验的两类错误 1. 第一类错误 否真错误(针对原假设)——本来原假设是正确的，却被拒绝。 出现第一类错误的概率记为 ? 等于显著性水平 Level of Significance 2. 第二类错误 存伪错误(针对原假设)——本来原假设是错误的，却被接受。 出现第二类错误的概率为 ?? 统计推断结果的四种情形 两类此错误（? 与 ?） 的逆向关系 假设检验在科学研究方法中的关键作用 会计研究中的假设举例 此处所说的“研究”不限于学术研究或理论研究，也适用于解决会计实务界出现的问题。 注意： 研究假设与统计假设不是一回事！ 例1 在研究“资本结构的影响因素”时，可提出以下研究假设： 假设1：资本结构与企业绩效显著相关 假设2：资本结构与企业规模显著相关 假设3：资本结构与企业成长性显著相关 例2： 研究硕士毕业生在企业工作绩效方面与本科毕业生是否有显著差异，可提出如下研究假设： 假设1：硕士毕业生与本科毕业生在工作绩效方面存在显著差异 此类研究通常需要通过问卷方式测量“绩效” 例3： 在研究股权激励对绩效的影响时，提出以下研究假设： 假设1：高管持股越多，工作绩效越高。 假设2：………… 假设3：………… 例4： 研究现金股利偏好的影响因素时，提出以下研究假设： 假设1：股权集中度越高，公司越倾向发放现金股利。 假设2：获利能力越强，公司越倾向发放现金股利。 假设3：………… 3.如何运用软件进行统计检验？ 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。 在SPSS软件中， p-值是以“sig”表示。 p-值=0.06的含义是：“如果我们作出拒绝H0，接受H1的推断，该推断出错的概率即为0.06”。特别需要注意的是，如果我们作出拒绝H1，接受H0的相反推断，该推断出错的概率不是0.06，究竟出错的概率有多大，我们是不知道的!!! 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！ 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。 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(前者更具有说服力)： 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。 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