推断性统计分析.pptVIP

3.3 两个总体的假设检验 两个总体均值的比较检验 原假设： （两个总体均值没有差异） 备择假设： ? 两个总体均值的比较检验 独立大样本 两个独立总体方差和已知 两个独立总体方差和未知 独立小样本： 两个独立总体方差和已知 两个独立总体方差和未知 两个相关总体均值的比较 ? 大样本时对总体分布没有要求，可以为任意分布。 小样本时，要求总体服从正态分布 两个总体均值的比较检验 总体1： ?样本1： 总体2： ?样本2： 总体均值差 的点估计为： ? 两个独立总体均值差（大样本） Case 1: 总体方差和已知 两个样本均值差 的抽样分布近似服从正态分布： 检验统计量是： ? 两个独立总体均值差（大样本） Case 2: 总体方差和未知 由于是大样本，可以用样本方差总体方差和直接替代总体方差和 检验统计量仍为： ? 两个独立总体均值差—小样本 注意：不仅要求两个总体是独立的，而且要求两个样本均来自正态分布的总体！ Case 3: 总体方差和已知 检验统计量是： ? 两个独立总体均值差—小样本 Case 4: 总体方差和未知，但 由于，可以将两个样本数据合并，用两个样本方差的加权平均来估计总体方差： 检验统计量为： ? 两个独立总体均值差—小样本 Case 4: 总体方差和未知，但 检验统计量为： ? 检验统计量仍然服从分布，但自由度为调整后的。 ? 点估计的评判标准（一致性） 一致性(consistency)：随着样本容量的增大，估计量越来越接近被估计的总体参数的真实值。 ? 区间估计(interval estimation) 区间估计：根据样本计算出一个取值范围来对总体的未知参数进行估计，并给出置信度。 定义：如果用 作为总体参数的估计值，那么参数的置信区间(confidence interval) 与的关系为： 显著性水平(significance level)，表示置信区间不包含真实参数的概率，即估错的概率 置信概率，置信度或置信水平(confidence level)，表示这样的置信区间包含真实参数的概率。 ? 置信区间的计算 置信区间=点估计±临界值*标准误 标准误为点估计抽样分布的标准差 临界值与抽样分布和有关，根据的大小，确定置信区间有多少个标准误的宽度。 ? 置信区间的计算 越大(?)，置信度就变小(?)，从而导致置信区间变小(?)，估计的精确度提高(?)，但估错的可能性增加了！ 增加样本量，标准误减小(?)，从而导致置信区间减小(?) ，估计的精确度提高(?)。 ? 理解置信区间 理解置信区间 注意： 是未知参数，对于确定总体，它是唯一的，固定的； 而样本统计量是随着样本不同而变化的随机变量。 所以，根据不同的样本，计算出来的CI也是变化的。因此，确切地说，CI是一个随机区间。 对于一次抽样，它的CI可能包含Q也可能不包含Q。 设α=0.05，那么1-α=0.95 95%CI就表示：如果重复抽取100个样本，根据每个样本建立一个CI，共100个CI，这100个CI中有95(95%)个CI将包含待估参数，有5(5%)个CI将不包含待估参数。 ? 总体均值μ的置信区间—已知 ? 假定条件： 总体服从正态分布，且总体方差已知 总体不服从正态分布，但样本量较大 样本均值的抽样分布为正态分布： 转换为正态分布统计量： 总体均值的的置信区间： ? ? 总体均值μ的置信区间—已知 ? 当时，对应95%CI： 当时，对应99%CI： ? 由公式可以看出，CI的宽度受两个因素的影响： （1）总体分布的离散程度 （2）样本量 （3）置信度 ? 总体均值μ的置信区间—未知 ? 假定条件： 总体方差未知 总体必须服从正态分布 样本均值对应的统计量为统计量： 总体均值的的置信区间： ? ? 总体比例的的置信区间 ? 样本比例是总体的点估计 在大样本条件下，样本统计量的抽样分布近似为正态分布： 总体参数未知，所以用来估计标准误： ? 大样本总体比例 ?的(1-?)的置信区间： ? 3. 假设检验 3.1 假设检验的基本概念 什么是假设检验？ 假设检验：事先对总体参数提出一个假设，然后通过样本信息来判断这一假设是否成立。 基本思想是“小概率原理”： 首先假设成立，得出样本统计量（点估计）的抽样分布。经过抽样获取一组数据，如果根据该样本得出的估计值在成立的条件下发生的概率非常小，我们就有理由来“拒绝原假设”；反之，如果该值发生的可能性很大，那么就“不拒绝”。 显著性水平?=小概率的标准，由研究者事前确定。 ? 什么是假设检验？ 假设检验的步骤 根据研究问题，决定是做“单边”检验还是“双边”检验；提出原假设和备择假设；