假设检定：单一样本的假设检定.ppt

Alpha 雙尾臨界區域Z(critical)起始值 0.10 ±1.65 0.05 ±1.96 0.01 ±2.58 0.001 ±3.29 型一錯誤 alpha水準也是決定拒絕虛無假設的機率 然而有可能誤判，而錯誤的將檢定統計量落入拒絕區域。在假設檢定中，不正確地拒絕虛無假設或拒絕一個真實的虛無假設稱為型一錯誤或alpha錯誤。為了減少此一類型錯誤，須使用較小的alpha值。 型二錯誤 沒有拒絕虛無假設，但實際上，虛無假設是錯誤的，稱為型二錯誤或beta錯誤。 當alpha值變小，降低了犯型一錯誤的機率，但是，卻增加了犯型二錯誤的機率。因此，這二種錯誤是反向關聯，且不可能在相同的檢定中同時降低犯這二種錯誤的可能性。 當犯一種錯誤的可能性降低時，則增加了犯另一種錯誤的可能性，反之亦然。 針對中共軍事演習，我方必須嚴陣以待，以防其假戲真做。假設有一位雷達監視員，當雷達上有不明飛行物體，他必須在下面兩項中做一決定： 「錯誤警報」為何種誤差？ （Type I ）；其機率表示為（ α ） 「疏忽而未放警報」為何種誤差？ Type II 「寧可錯放警報」為 α 增加而 β 減少（填α or β ） 參加推薦甄試式進入大學的管道之一。當參與甄試的教授群看過一個學生的申請文件並進行過口試後，就必須在下面兩項選擇中做一個決定： 「錄取該生，但日後發現他的學業表現不佳」(接受假的 β ) 「未錄取該生，但日後發現他在其他學校的學業表現優異」(拒絕真的 α) 決定 拒絕 無法拒絕 真實 型一錯誤或 α 錯誤 OK 虛假 （錯誤） OK 型二錯誤或β 錯誤 Student’s t 分配 到此為止，我們只專注於單一樣本平均數的假設檢定，且其母體標準差（σ）已知。但在多數的研究情境中，σ值卻都是未知。我們應如何獲得一個值來作為母體標準差呢？ 我們可以用S，即樣本標準差，來推估σ，S是σ的一個偏差推估值，但當樣本規模增加時，偏差程度會減少。是以，對於大樣本（樣本含有100或以上個案），樣本標準差將是σ的一個適當估計值。因此，對於大樣本，我們只要簡單地以S來替代σ即可。 然而，對於小樣本，當σ未知時，我們必須使用一種另類的分配（alternative distribution），稱為Student’s t分配，以發現抽樣分配下的面積及設立臨界區域。 對於小樣本，t分配相較於Z分配更為扁平，但是，當樣本規模增加時，t分配愈來愈像Z分配，直到樣本規模大於120時，二者將會變得完全一致。 當N增加時，樣本標準差（S）會愈來愈成為母體標準差（σ）的一個適當的推估值，且t分配變得愈來愈像Z分配。 Student’s t 分配 t分配表在許多方面與Z分配表有所差異。首先，在t分配表左邊欄df表示「自由度」（degrees of freedom）。我們必須計算自由度，其在一個單一樣本平均數的狀況下，等於N-1。 其次，alpha水準的排列在附錄B上端分為二列，一列是單尾檢定用，另一列則是雙尾檢定用。使用此表時，需在適當的列中找到所選擇的alpha水準。 第三個差異是，表中的真實數值稱為t（critical），其表示臨界區域的起始值。 t分配的特徵：首先，t（critical）其值比Z （critical）的值來得大。此一關係反映了t分配比Z分配來得更為扁平的事實。是以，當使用t分配時，臨界區域將更遠離抽樣分配的平均數，因此，虛無假設更難被拒絕。 注意到雙尾檢定，alpha為0.05那一欄，可注意到自由度1，t（critical）= ±12.706，當自由度增加時，t（critical）值會變小。當自由度大於120時， t（critical）值與Z（critical）值相同，或±1.96。 全體學生 通勤學生 步驟一： Model：隨機抽樣 等距-比率尺度 抽樣分配為常態 步驟二： 步驟三： 抽樣分配=t分配 α=0.01, 雙尾檢定 df=(N-1)=29 t（critical）= ±2.756 步驟四： 步驟五： 檢定統計量並未落入臨界區域中。因此，無法拒絕虛無假設。樣本平均數與母體平均數無顯著差異。 單一樣本（大樣本）比例的假設檢定 在許多狀況下，我們所感興趣的變項並不是以滿足等距-比率尺度的預設所測量的。在這種情境下，另類的選擇是使用一種樣本比例 而非一種樣本平均數。 在步驟一中，當使用樣本比例時，我們預設變項是以類名尺度所測量。 單一樣本比例檢定實例 步驟一：