假设检定.pptVIP

假設檢定的基本概念 假設檢定(Hypothesis Testing) – 是一種解決不明確的問題的方法之一，須要深入調查及收集資料，然而在尚未蒐集樣本資料及進行推論之前，事先對母體的某種特徵性質作一合理的假設敘述，再隨機抽出樣本及利用抽樣分配，配合機率原理，以判斷此項假設是否為真。 若抽出的樣本資料與所陳述的假設很不一致，檢定的結果必然認為這個假設不對，則否定或拒絕這個假設。 假設檢定步驟 檢定的一般步驟，歸納如下： 1. 首先確定問題，以建立假設。 2. 決定合適的檢定統計量。 3. 選取顯著水準?，並由檢定統計量的機率分配，建立拒絕區域。 4. 由樣本資料，計算統計量的值。 5. 下結論 假設檢定的平常範例 例子1: 在法院的審判過程中，希望能給嫌疑犯正確合 理判决。看右圖。 嫌疑犯 1. 有两種假設: Ho: 沒犯罪 H1: 犯罪 2. 有两種決策: 判沒罪 ( 不拒絕 Ho ) 判有罪 ( 拒絕 Ho ) 3. 過程是收集相関的証據 (資料) 假設檢定的平常範例 例子2:目前買到高檔商品時，須要小心不誠實商人， 可能是假貨。看右圖。 商品 1. 有两種假設: Ho:假貨 H1:真貨 2. 有两種決策: 不買( 不拒絕 Ho ) 購買( 拒絕 Ho ) 3. 過程是收集相関的証據 (資料) 量化的範例 例子3:某商人賣池上米宣稱每包有3公斤，但有顧客 認為每包不足3公斤，今要檢定以下 1. 两種假設: Ho: μ = 3 公斤 H1: μ 3 公斤 2. 過程是收集相関的資料 (抽出10包米檢驗重量得 以上有足够資料做決策嗎 ? ( 不拒絕 Ho ) 或 ( 拒絕 Ho ) 收集樣本資料若證据不足: 若抽出的樣本資料與所陳述的假設不會很不一致，檢定的結果就沒有充分理由斷定這個假設不對，但也不認為這個假設是對的。 (在例子1中) 法官判無罪，是指証據(資料)不足於証明而來拒絕假設Ho 假設檢定的主要目的- 在於尋找證據來拒絕H0而接受H1，所以假設檢定只能檢定H0是否顯著錯誤，而不能判斷其絕對正確， 因此又稱為『顯著性檢定』（significant test）。 型 I 錯誤，型 II 錯誤及關係 1. 型 I 錯誤(type I error) 與型 II 錯誤 (type II error) 下表 檢定結果以及所發生的機率 兩種假設 - 建立兩種互斥且互補的假設: 1. 虛無假設（null hypothesis），以H0表示 - 是希望被否定、放棄的假設。 2. 對立假設（alternative hypothesis），以H1表示 (與 H0 對立 ) - 是希望統計量的可能數值(資料結果)能証實的假設。 如何建立H0或H1假設? 一般皆依下面兩原則處理：(未知母體参數的互斥集合)， 1. 樣本未獲得之前，將預期拒絕或很可能被拒絕的假設放置H0。例如，某人的宣稱(放置於H0)且如果拒絕後，其後果較嚴理者。 2. 樣本獲得之後，則依樣本統計量，將不可能存在的假設放置H0。 其圖形如右： 統計假設有三種型態： 若? 與? 0分別表示某參數及其特定值 (己知的常數） 1. 雙尾檢定（two tailed test）： H0：? = ? 0 H1：? ? ? 0，即? ? 0 或 ? ? 0若發現參數? 的值，有大於或小於? 0的跡象時， 可建立雙尾檢定。 右尾檢定（right tailed test）： H0：? ? ? 0 H1：? ? 0若發現參數? 的值有大於特定值? 0的跡象， 或預期? ? 0時，應建立右尾檢定。 左尾檢定（left tailed test）： H0：? ? ? 0 H1：? ? 0若發現參數? 的值小於特定值? 0的跡象， 或預期? ? 0時，應建立左尾檢定。 簡單假設（simple hypothesis）：假設中母體未知參數只有一個假設值。例如: Ho: ? = ? 0 複合假設（composite hypothesis）：假設中母體未知參數的假設值不僅一個時。 例如: H0：? ? ? 0 此兩種錯誤所發生的機率如下： (1)型I錯誤所發生的機率大小為 P(type I error) = P(拒絕H0｜H0 為真)顯著水準（significant level，? ）