05-假设检验基础(2015研).ppt

* * * * * * Β的大小一般很难确切的估计，只有和特定的H1结合起来才有意义， * Β的大小一般很难确切的估计，只有和特定的H1结合起来才有意义， * * * * * * * * * * * * * * 检验统计量是利用样本数据计算得到的一个值，是把样本的信息以统计量的形式表现出来；因为一个样本的信息有很多，实际上统计量是信息的一个综合指标；它可以反应该样本可能存在抽样误差的大小，是用来决定是否可以拒绝H0的证据。 检验统计量：属于样本指标，用来反应样本信息，用于计算“H0 成立”的概率P，从而抉择是否要拒绝H0。 * 如果样本统计量对应的P值≤α，说明你这个样本属于已知总体，或者说H0的存在是个小概率事件，你对你的H0就要怀疑，怀疑它你就拒绝它。 如果你算出的P值α，说明这种样本还是在你的总体当听，拿到这样一个样本是附合常理的，你没有理由去拒绝它。而且现在有了统计软件，我们可以很容易的得到一个很精确的P值，所以你只要知道这种原理，去下一个拒绝或不拒绝的结论就可以了。 * * * * 1.单凭一个样本不可能去证明哪一个假设正确，哪一个正确的；只能从样本提供的信息去推断哪一个假设成立的可能性较大。 2.H0比较明确且单一，H1却包含种种情形，故人们着重考虑H0成立的概率。 * 1.单凭一个样本不可能去证明哪一个假设正确，哪一个正确的；只能从样本提供的信息去推断哪一个假设成立的可能性较大。 2.H0比较明确且单一，H1却包含种种情形，故人们着重考虑H0成立的概率。 * * * * * * * * * * * * * * * * * 两者个考察样本量不一样SAS中规定:当样本含量n ≤2000时,结果以Shapiro – Wilk(W 检验)为准,当样本含量n2000SPSS中则这样规定:(1)如果指定的是非整数权重,则在加权样本大小位于3和50之间时,,计算 Shapiro-Wilk 统计量。对于无权重或整数权重,在加权样本大小位于3 和 5000 * * * * * * Rejection region does NOT include critical value. 假设检验所建立的假设主要是控制犯I类错误的概率。 Β的大小一般很难确切的估计，只有和特定的H1结合起来才有意义， * 两类错误的的概率是个未知的，Β的大小一般很难确切的估计，只有和特定的H1结合起来才有意义， * 假设检验中的两类错误： 两类错误的意义 真实情况 根据样本，作假设检验下的结论 不拒绝H0 拒绝H0 H0为真 推断正确 I 类错误 犯错误的概率是a，即检验水准 H0为假 II类错误 犯错误的概率是b 推断正确 正确的概率是1-b，即检验功效 1. 第一类错误（弃真错误） 拒绝了实际上存在的H0 第一类错误的概率为? ? 2. 第二类错误（纳伪错误） 不拒绝实际上不存在的H0 第二类错误的概率为 ? 定义：通常把1-β，即拒绝不正确H0的概率称为检验功效，也称把握度。 意义是：当两个总体确有差别时，按所规定的检验水准α的水平，能发现这种差异的能力。 如1-β=0.80，理论上100次抽样检验中，平均有80次能够得出差别有统计学意义的结论。 一般情况下要求1-β在0.80以上。 5.4.3 检验功效（power of test） 由于所建立的检验主要是控制犯I类错误α的概率，而对犯II类错误的概率β却无法直接控制，即对一个检验犯II类错误的概率究竟怎样无所而知。 要谨慎对待 “不拒绝H0”的结论 — 即“阴性结果” 因此，Power值的大小已成为某些国际会议审查论文设计内容之一；有的已明确规定，若研究者根据P0.05下阴性结论时，必须提供Power值。 检验水准α定的越大 总体参数间的差异越大 个体差异（标准差）越小 样本含量越大 5.4.4 影响检验功效的因素： 检验功效越大 1. ? 越大， ? 越小，则Power越大 ? ? 只有通过增加样本含量，你才可能同时减少两类错误! 样本含量一定时，?和?的关系就像翘翘板，?小?就大， ?大? 就小。 当样本量取定时,要减小 b ，应把a 取大一些 a m 0 H1：m m 0 β 病人1-β m 1 2. 总体参数间的差异越大，Power越大 a m 0 β 1-β m 1 3. 个体差异越小，Power越大 a m 0 β m 1 1-β 若两样本总体确有差异时， 在一定范 围内，样本含量n 越大，Power越大。 通过增大n的方法，达到增大Power的目的 检验功效/样本含量估算常用软件： SAS nQuery Advisor EGRET SIZ Sample power SASA PASS