数理统计_假设检验概要1.ppt

贝叶斯方法 补充例题 比较配对样本comparing paired samples 许多实验中使用的不是独立样本，而是配对样本。 医学实验。受试可能按照年龄、体重或者患病程度 配对，然后每个对中的一个成员会被随机分到处理组 ，另一个进入对照组。 或者，对是由同一位受试在计量“之前”和“之后”构成 关键问题是如何处理“不独立”样本的相关性 比较配对样本 比较配对样本 配对实验的优势在于，如果X和Y的相关系数大于0， 则估计值的方差更小 比较配对样本：正态分布 比较配对样本：正态分布，例A 数据： Levine(1973)研究 比较配对样本：正态分布 比较配对样本非参数方法，符号秩检验signed rank text 求最大值：似然比的分母部分 似然比的计算结果 分子部分的变换 如果方差不相等 以它为t统计量的分母，所得到的统计量不再服从t分布， 但近似服从自由度为下述结果取整之后的结果的t分布 教材例11.2.1.1[待处理] 教材例11.2.1.1 下面是对数变换的模型 变异系数(coefficient of variation) 一个分布的标准差和均值的比率称为变异系数 (coefficient of variation) 对于变换后的数据，t统计量为.917，p-值为.37。 没有理由拒绝原假设。95%置信区间是(-.61,.23) 功效(power) 计算功效对于在规划实验时确定样本量的大小具有重要意义。 检验的功效是在原假设为假的时候拒绝原假设的概率。 影响两样本t检验的四个要素包括： 功效的计算 例A。两样本比较。样本量均为18，来自正态总体， 标准差都是5，显著性水平.05。 非参数方法：Mann-Whitney检验 这个检验也叫Wilcoxon秩和检验(Wilcoxon Rank Sum Test) 将m+n次实验分配给处理组和对照组， 随机抽取n个分配给对照组，剩下的m个给处理组 要检验的原假设是处理没有效应。 如果原假设通过检验，就说明结果中的差异是由随机化造成的 统计量的计算方法如下 1、将m+n个观测值放在一起，按照升序排列。 （为简化问题，假定没有并列名次。实际上，出现并列 名次并不影响我们的计算）。 2、计算来自对照组的观测值的秩的和 3、如果秩和太大或者太小就可以拒绝原假设 Mann-Whitney检验的简单例子 4位受试，随机抽取其中两名进入处理组，剩下两名在对照组 表中的数据是实验结果（响应值），括号中出现的是这个值的秩 对照组的秩和等于7，处理组的秩和等于3 这个差异足以让我们相信在处理组和对照组的结果之间 存在系统的差别吗？让我们来做一个概率计算。 Mann-Whitney检验的简单例子 Mann-Whitney检验的关键思想是： 我们可以用显式公式计算原假设下的秩和分布。 在原假设下，所有观测值的秩的组合 都是等概率的。这样一共有4!=24种结果。 特别地，处理组的结果的秩 有6种，也应该是等概率出现的。 Mann-Whitney检验 实际中的检验问题不可能有这么小的m和n Mann-Whitney检验：例A 数据来自教材423页，例A 排序结果，有并列排名 并列排名的处理方式： 比如有4个值都等于79.97。它们 占据的名次为3,4,5和6，则每个 数的秩都等于 (3+4+5+6)/4=4.5 Mann-Whitney检验：例A Mann-Whitney检验：定理A 证明提示： 利用教材7.3.1的定理A和B Mann-Whitney检验：定理A的证明 Mann-Whitney检验 Mann-Whitney检验不依赖正态假设 用排序名次取代实际数字，对离群值不敏感 可以证明，如果正态假设成立，则Mann-Whitney检验和t分布的功效几乎相等 下面我们用另一种观点看待Mann-Whitney检验 Mann-Whitney检验 Mann-Whitney检验 Mann-Whitney检验 Mann-Whitney检验 贝叶斯方法 贝叶斯方法 贝叶斯方法 解释是完全不一样的 泊松散布度检验(dispersion test) 泊松分布的特点是均值和方差相等 泊松散布度检验(dispersion test) 泊松散布度检验(dispersion test) 近似公式可以有如下解释：等于方差估计值除以 均值估计值的比率的n倍 泊松分布的方差和均值相等，但一般情况下的数据 的方差大于均值。因此这个检验称为散布度检验 比如负二项分布和泊松分布相比就具有 更大的散布程度 泊松散布度检验：石棉纤维 泊松散布度检验：细菌菌落 更多的评估拟合优度的方法 Hanging rootograms Probability plots 正态性检验 Hanging rootograms 原理：用图象展示观测值和拟