第四章统计假设检验与参数估计.ppt

第四章 统计假设检验与参数估计 统计推断是根据样本分布规律和概率理论，由样本结果去推断总体特征。它主要包括假设检验 （ test of hypothesis） 和参数估计（parametric estimation）两部分内容。 假 设 检 验 又叫 显著性 检验 （test of significance）。显著性检验的方法很多 ，常用的有u检验、t检验、F检验和?2检验等。尽管这些检验方法的用途及使用条件不同，但其检验的基本原理是相同的。 参数估计有点估计（point estimation）和区 间 估计（interval estimation）。 1 统计假设检验概述 通过试验测定得到的每个观测值 ，既由被测个体所属总体的特征决定，又受其它诸多无法控制的随机因素的影响。所以观测值 由两部分组成，即 = + 总体平均数 反映了总体特征， 表示试验误差。 若 样本含量 为n ，则 可 得 到 n 个 观 测值： ， ， ， 。于是样本平均数 同理，对于接受不同处理的两个样本来说，则有： = + ， = + 这说明两个样本平均数之差（ - ）也包括了两部分： 一部分是两个总体平均数的差（ - ），叫 做 试 验 的 处 理 效 应 （treatment effect）；另一部分是试验误差（ - ）。 也就是说样本平均数之差（ - ）包含有试验误差，它只是试验的表面效应。因此，仅凭（ - ）就对总体平均数 、 是否相同下结论是不可靠的。只有 通过 显著性检验 才能从（ - ）中提取结论。 对（ - ）进行显著性检验就是要分析： 试验的表面效应（ - ）主要由处理效应（ - ）引起的 ，还是主要由试验误差所造成。 处理效应（ - ）未知，但试验的表面效应是可以计算的，借助数理统计方法可以对试验误差作出估计。所以，可从试验的表面效应与试验误差的权衡比较中间接地推断处理效应是否存在。 与H0对应的假设，只有是在无效假设被否定后才可接受的假设。无充分理由是不能轻率接受的。 2. 在无效假设成立的前提下，构造合适的统计量，并由该统计量的抽样分布计算样本统计量的概率。 在统计学上 ，把小概率事件在一次试验中看成是实际上不可能发生的事件，称为小概率事件实际不可能原理。根据这一原理，当试验的表面效应是试验误差的概率小于0.05时 ，可以认为在一次试 验中试验表面效应是试验误差实际上是不可能的，因而否定原先所作的无效假设H0，接受备择假设HA，即认为试验的处理效应是存在的。当试验的表面效应是试验误差的概率大于0.05时， 则说明无效假设成立的可能性大 ，不能被否定，因而也就不能接受备择假设。 对于来自两个总体的样本，研究在无效假设 ： = 成立的前提下，统计量（ - ）的抽样分布。经统计学研究，得到一个统计量t： 根据两个样本的数据，计算得： - =11-9.2=1.8； 进一步估计|t|≥2.426的两尾概率，即 估计P（|t|≥2.426）是多少？ 查附表3，在df =（n1-1）+ (n2-1) =18时， 两尾概率为0.05的临界值： 两尾概率为0.01的临界t值： 由两样本数据计算所得的t值为2.426，介于两个临界t值之间，即： t0.052.426t0.01 所以，| t |≥2.426的概率P介于0.01和0.05之间，即：0.01 P 0.05。 如图所示，| t |≥2.426的两尾概率，说明无效假设成立的可能性， 即试验的表面效应为试验误差引起的可能性在0.01─ 0.05之间。 按所建立的 ： = ，试验的表面效应是试验误差的概率在 0.01 ─ 0.05 之间，小于0.05，故有理由否定 ： = ，从而接受 ： ≠ 。可以认为两个总体平均数 和 不相同。 综上所述，显著性检验，从提出无效假设与备择假设到根据小概率事件实际不可能性原理来否定或接受无效假设，这一过程实际上是应用