(第6章假设检验.docVIP

第6章 假设检验 本章的主要目的： 已知一个看法，识别出零假设和备择假设，并将这两者用符号形式表示； 已知一个显著性水平，算出临界值； 已知一个假设和样本数据，计算检验统计量的值； 用简单的、非技术性的术语表达一个假设检验的结论； 识别检验一个已知假设可能出现的第Ⅰ类和第Ⅱ类错误。 6.1 假设检验的一般问题 所谓假设检验就是事先对总体参数或总体分布形式作出一个假设，然后利用样本信息来判断原假设是否合理，即判断样本信息与原假设是否有显著差异，从而决定应不拒绝或拒绝原假设。 统计学中，假设是指关于一个总体的性质的看法或陈述。如： 医学研究者认为，健康成年人的平均体温不等于98.6℉（关于总体均值的看法）。 使用手机的司机，其车祸发生率比没有使用手机的司机车祸发生率高13%（关于总体比例的看法）。 当使用新设备制造飞机高度计时，误差中的变异减少了，这使得读数更加一致（关于总体方差的看法）。 复习我们多次提到的小概率事件法则：在一个已知假设下，如果一个特定观测事件的概率格外小，我们就认为，这个假设可能是不对的。 实例一：某公司曾经提供了一种称之为“性别选择”的产品，根据广告上的说法，这种产品可以使夫妇“将生一个男孩的概率增加到85%，生一个女孩的概率增加到80%。”假设我们对100对想要生女孩的夫妇进行一项实验，他们都遵照该公司产品说明行动。请你使用常识和非正规统计学方法来判断，如果100个婴儿中包含以下数量的女孩，我们应该对“性别选择”的有效性得出什么结论？ ①52个女孩？②97个女孩？ 只有当我们得到的女孩数明显多于正常情况下平均得到的数量时，我们才应该认为这种产品是有效的！虽然52个女孩和97个女孩的结果都大于“平均值”，但52个女孩的结果并不是显著的，而97个女孩的确是一个显著的结果。 1. 假设检验的基本思想 我们看一个实例，这个例子很好地阐述了假设检验的基本方法。多读几次！ 实例二：人体体温。同第五章的数据，关键的问题是：这些样本数据（它们的xˉ=98.20℉）是否提供了足够的证据，确保我们可以放弃μ=98.6℉这一共识？ 我们认为，有充足的证据放弃通常所认为的μ=98.6℉，因为如果均值真的是98.6℉，得到样本均值98.20℉的概率大约是0.0002，这个概率太小了！ 看图和计算！ 这里的关键之处是： 一般认为μ=98.6℉。 从样本中可以得到xˉ=98.20℉。 考虑样本均值的分布、样本容量以及98.48和98.72之间的差异程度，我们发现，如果μ真的是98.6℉，那么98.20℉的样本均值是不可能（因为可能性低于5%）发生的。 对于样本均值98.20℉，有两个合理的解释：要么是非常罕见的事件发生了，要么μ实际上并不是98.6℉。因为得到98.20℉这样一个样本均值的概率是那样的低，我们认为更合理的解释是：μ的值不像是一般所相信的98.6℉。 这个例子告诉我们的核心思想是：虽然我们通常的观念是μ=98.6℉，但样本均值为xˉ=98.20℉，通过使用中心极限定理，我们发现如果均值真是的98.6℉，那么得到一个均值为98.20℉的样本的概率是非常小的，这就说明μ=98.6℉的想法应该被放弃。 假设检验的核心思想是带有概率性质的反证法，具体说来，假设检验主要有以下两个特点： 假设检验所采用的逻辑推理方法是反证法。为了检验某个假设是否成立，先假定它是正确的，然后根据抽样理论和样本信息，观察由此假设而导致的结果是否合理，从而判断是否接受原假设。 这里的合理与否，所依据的是“小概率事件实际不可能发生的原理”。即在一次观察中小概率事件发生了，则认为原假设是不合理的；反之，小概率事件没有出现，则认为原假设是合理的。 因此假设检验并非严格的逻辑证明，只是带有概率性质的反证法，因为假设检验是基于样本资料来推断总体特征的，且这种推断是在一定置信概率下进行的。这个例子中，拒绝原假设这一推断结果是在α=0.05的置信水平下得出的，也就是说这一推断结果有99%的把握程度。 2. 一个正规的假设检验的组成部分 零假设和备择假设（null hypothesis and alternative hypothesis） 零假设（用H0表示）是关于一个总体参数值的陈述，它必须包含相等的条件，并且必须写成=，≤或≥（当实际做检验时，我们就在这个参数等于某个特定值的假设下运算）。如对均值来说，零假设将表述为下面这三种形式之一： H0：μ=某个值 H0：μ≤某个值 H0：μ≥某个值 如上例对应于通常人们所认为的平均体温为98.6℉，就表达为H0：μ=98.6℉。我们在假设它是正确的含义下直接检验这个零假设，并得到一个结论，要么拒绝H0，要么不拒绝H0。 备择假设（用H1表示）是如果零假设错误则必然正确的陈述。如对均值来说，零假设将表述为下面这三