第六章 假检验.ppt

第六章 假设检验 第一节 假设检验的基本逻辑 例：通过以往大规模调查，已知某地新生儿头围均值为34.50cm，标准差为1.99cm。为研究该地某矿区新生儿发育状况，从该矿区随机抽取新生儿55人，测得其头围均值为33.89cm。问该矿区新生儿头围均值是否小于一般新生儿头围均值？ 一、分析差异来源 根据题意， Xbar =33.89， μ0=34.50，两者差值为0.61cm。该差异来源有两种可能性： 1、该矿区的自然社会条件并不影响新生儿发育，矿区新生儿总体的头围均值μ1与一般新生儿（总体）头围均值μ0相等（ μ1 = μ0 ），样本均值与总体均值的差异来源于抽样误差，也就是说我们抽到了一个头围偏小的样本，由此造成的差异不具有显著性（significance）,即没有统计学意义。 2、差异不仅仅由抽样误差造成，矿区新生儿总体头围均值小于一般新生儿总体头围均值（ μ1 μ0 ），这种差异被认为具有显著性，亦即有统计学意义。 在这两者之间如何抉择呢？关键在于两个均值的差异能否用抽样误差来解释。 二、成立假设： 在统计学里，上述问题是用反证法的方式来解决的，首先假设差异可由抽样误差解释，两总体均值相等，然后再来分析在μ1 = μ0的总体中随机抽样，得到头围均值小到Xbar=33.89这个程度的可能性有多大。如果这个可能性很小，则拒绝这一假设，而采纳相反的假设。 所以，我们首先要成立两个相互对立的假设：虚无假设H0和备择假设H1。虚无假设（null hypothesis，或译为无效假设，）主张，差异可以由抽样误差来解释，也就是说差异在总体中不存在或无效。备择假设与虚无假设对立，主张样本数据表现出的差异来源于总体差异。在假设检验中，直接检验的是虚无假设，所以虚无假设又称检验假设（hypothesis to be tested）。 在本例中，我们可成立如下假设： H0： μ1 = μ0 H1： μ1 μ0 三、在H0条件下计算检验统计量。 如果H0成立，根据中心极限定理，均值的抽样分布服从正态分布，从研究总体中随机抽取样本量为55的样本，其均值会落在正态曲线横轴的任一位置，但大多数会落在总体均值μ1 = μ0附近，远离中心点的可能性较小。样本均值偏离中心点的距离可由其标准值来衡量。 本例中，n=55，σ =1.99，在H0： μ1 =34.50条件下，将观测值Xbar标准化，即Xbar=33.89与中心点之间的距离（以标准差为单位来衡量）为： z=（33.89-34.50）/（1.99/n1/2 ）=-2.273 由此可见Xbar=33.89落在距中心点较远的位置。 四、计算概率值（p值），做出决策。 在这个情况下，我们是否接受无效假设H0呢？我们先计算在H0成立的条件下，抽到头围均值小到Xbar=33.89这个程度的样本的可能性。 查表可知，p（z-2.273）=0.0116。 这样，如果接受H0，则说明我们抽到了一个均值严重偏小的样本，抽到这么偏的样本的可能性只有1.16%。 决策的风险 两种选择： 1、接受H0，我们的运气太差，抽到了一个很偏的样本； 2、拒绝H0，犯错误的概率为1.16%。 P值的含义 在本例中，p=0.0116意味着在H0条件下，抽到如此偏小的样本的可能性只有0.0116。 一般来说， 1、概值意味着在H0条件下，抽到比实有样本更偏的样本的可能性； 2、或者表述为，p值意味着样本数据对虚无假设的支持程度（或两者之间的一致性程度）； 3、在假设检验过程中，如果p值较小，我们拒绝H0，p就是我们要冒的风险。 结论： P值反映了拒绝原假设时所犯错误的可能性，在进行假设检验时，我们通常要设定一个我们所能接受的犯这种错误的风险水平α值 ，称为检验水准或显著性水平。 pα,拒绝原假设； pα,不拒绝原假设。 第二节 进一步的讨论 一、检验的方向 二、两类错误 三、假设检验的统计意义 第三节 均值比较的Z检验 两个均值的比较 这里讨论的是从两个总体中分别抽取随机样本，通过对样本数据的分析来推断总体均值差异的方法，亦即两个均值差异的比较问题。多均值比较在方差分析中另行介绍。 基本思路： 设两总体均值分别为U1和U2，成立虚无假设H0:U1-U2=0,或U1=U2；在H0条件下，两样本是从总体中随机抽取的，其均值差异X1-X2可以等于零，也可以不等于零，是一个围绕零值波动的随机分布。 统计研究表明，样本均值差值X1-X