〈精品〉Unit-4分析4.4假设检验.ppt

为何使用假设检验？ 当无法确定是否存在真实差异时使用假设检验。 例如，分层点图显示子群平均值之间没有明显差异： 您想知道平均值的微小差异是由于随机变化还是反映了真实差异。 假设检验比分层点图提供更明确的结果（如果假设满足的话）。 假设检验的前提假设 如果数据是连续的，我们假设基本分布是正态。 您可能需要转换非正态数据（如周期）。 当比较不同总体的子群时，我们假设： 独立样本。 通过随机抽样实现。 样本是总体的代表（没有偏差）。 当比较不同过程的子群时，我们假设： 每个过程都是稳定的。 没有特殊原因或随时间的变化（没有与时间相关的差异）。 样本是过程的代表（没有偏差）。 假设检验中的两种错误 我们基于假设检验所做的任何决定都有四种可能结果：我们可决定这些子群是相同还是不同，以及我们可能是对或错。 Ⅰ类错误和Ⅱ类错误的实际含义 两种类型的错误都重要。 过于防范一个错误将增大另一个错误发生的风险。 增大样本大小： 降低Ⅰ类错误的风险。 允许您检测到更小的差异。 重要差异与显著差异 显著但不重要的差异 有时，您检测到一个统计上显著的差异—但它小到 对您的企业没有实际的重要性。 示例：安装机器的两种方法 新方法明显要比标准方法快大约 10 分钟。 要证明实施新方法的成本是适当的，有必要减少 30 分钟。 重要差异与显著差异（续） 重要但不显著的差异 有时，一个差异在统计上不能说是显著的，但该观测差异对于 您的企业而言却很重要。 示例：密封容器的两种方法 在实验时观测到每班增加 1000 个容器。 增加 1000 个对企业很重要。 新技术有更高的平均值，但在统计上却不能宣称有显著的差异 （因为 P ? .05）。 观测差异由于随机变化而产生且不存在真正的差异，或者变化太大（或样本大小太小）不能检测到差异。 企业领导者需要决定是否值得冒险实施新方法。 如果存在真正的差异，您最好实施新方法。 但是如果新方法产生相同的结果，则只会徒劳无功。 P 值定义 假设检验比较观测到的各子群之间的差异。 假设真实差异为 0（= 零假设），P 值等于获得观测差异的概率。 P 值范围从 0.0 到 1.0（0% 可能性到 100% 可能性）。 按照惯例，通常将 P .05 视作是差异明显的象征。 如果 P .05，则可推断真实差异为 0 的概率很小。 讨论：解释 P 值 有多种方法来陈述根据 P 值得到的结论。您认为下面哪些最容易理解？ P 值用于判断观测到的各子群之间差异是否明显大于普通原因（随机）变化（如果 P .05，结论是肯定的）。 如果 P .05，则拒绝 H0 而决定使用 Ha。 P .05 意味着子群来自相同分布的概率小于 5%。 P 值确定观测到的差异是否在统计上看较显著（如果 P .05，结论是肯定的）。 假设真实差异为 0，P 值等于获得观测差异的概率。 如果 P 值很小 ( .05)，我们说观测差异必须显著，因为如果没有真实差异，我们从样本中观测到这类差异的概率就较小。 P 值用于判断抛弃零假设是否有足够的统计证据（如果 P .05，结论是肯定的）。 假设检验的类型 不同数据类型的适当分析方法 当输入 (X) 变量是离散变量时，使用假设检验。 将离散 X 当作“分子群”或由分层变量来看 X。 示例：如果您希望按产品比较周期，那么不同产品类型就是离散 X。 如果 X 数据是连续的，则使用回归分析判断它们是否与输出 (Y) 变量相关。 我使用哪种分析方法？ 在假设检验中处理非正态连续数据 方法 找到一种使数据近似为正态的转换方法。 对转换的数据进行“假设检验”。 假设检验阶段 9.作抽样计划 10.选择样本 11.做实验和收集数据 12.从所收集的数据中计算检验统计量(z, t, 或 F) 13.决定计算出来的检验统计量随机发生概率 14.如果这个概率小于α，则推翻 Ho 而接受 Ha。如果 这个概率大于α，不要推翻 Ho. 15.返回结果，把统计结论翻译成实际解决方法。 假设检验应用 假设检验 : 怎样进行? 收集数据后，我们计算以下两种参数： 检验统计量 (形如信噪比[SNR]，如Z- 或 T-值), 和 “P-值”. “P-值” 是 “Ho 正确” 发生的概率。 P-值基于假设的或实际参考的分布(正态分布, T-分布, Chi-平方分布, F-分布, 等.) 小的 “P-值” 大的 “Z” 或 “T”, 等 Ho 被推翻 大的 “P-值” 小的 “Z” 或 “T”, 等 Ho 不被推翻 1 . 7 1 . 2 0 . 7 9 5 % C o n f i d e n c e I n t e r v a l s