第四讲 连续变量参数检验：均值比较检验.pptVIP

第四讲 连续变量的统计推断（一）：均值比较的t检验 第一节、假设检验概述 第二节、单样本的T检验 第三节、两独立样本的T检验 第四节、两配对样本的T检验 第一节 假设检验概述 一、推断统计与假设检验 推断统计是根据样本数据推断总体数量特征的统计分析方法。 根据样本来推断总体的原因： 总体数据不可能全部收集到。如：质量检测问题 收集到总体全部数据要耗费大量的人力和财力 推断统计通常包括以下两个内容： 假设总体的分布已知---参数检验 假设总体的分布未知---非参数检验。 参数检验：事先对总体参数或分布形式作出某种假设，然后利用样本信息来判断原假设是否成立； 非参数检验：是指在总体不服从正态分布且分布情况不明时，用来检验数据资料是否来自同一个总体假设的一类检验方法。由于这些方法一般不涉及总体参数故得名。 参数检验方法和非参数检验方法比较 非参数检验总是比传统检验安全。 在总体分布形式已知时，非参数检验就不如传统方法效率高。这是因为非参数方法利用的信息要少些。往往在传统方法可以拒绝零假设的情况，非参数检验无法拒绝。 非参数统计在总体未知时效率要比传统方法要高，有时要高很多。是否用非参数统计方法，要根据对总体分布的了解程度来确定。? 二、假设检验的基本思想 1、假设检验采用的逻辑推理方法是反证法 为了检某假设是否成立，先假定它正确，然后根据样本信息，观察由此假设而导致的结果是否合理，从而判断是否接受原假设； 2、判断结果合理与否，是基于“小概率事件不易发生”这一原理的 即在一次抽样中，小概率事件不可能发生。如果在原假设下发生了小概率事件，则认为原假设是不合理的；反之，小概率事件没有发生，则认为原假设是合理的。 如：对居民平均取款金额进行推断 H0：总体平均金额2000 样本平均金额为4000，由于存在抽样误差，不能直接拒绝H0。而需要考虑：在H0成立的条件下，一次抽样得到平均金额为4000的可能性有多大。如果可能性较大，是个大概率事件，则认为H0正确。否则，如果可能性较小，是个小概率事件，但确实发生了，则只能认为H0不正确。 三、假设检验的步骤 (1)提出原假设H0。 即根据检验的目标，对待推断的总体参数或分布作一个基本假设 (2)选择检验统计量。 构造检验统计量,且该统计量一定服从某种已知分布. (3)计算检验统计量值发生的概率P值 利用收集到的样本数据和基本假设计算检验统计量的值，并得到相应的相伴概率，即：检验统计量在某个特定的极端区域取值在H0成立时的概率. (4)给定显著性水平α； (5)作出统计决策。 如果相伴概率小于用户给定的显著性水平a，则拒绝H0.否则，不能拒绝H0. 什么是P 值? 是一个概率值； 如果原假设为真，P-值是抽样分布中大于或小于样本统计量的概率； 被称为观察到的(或实测的)显著性水平。 双侧检验的P 值 左侧检验的P 值 右侧检验的P 值 利用 P 值进行检验 (决策准则) 若p-值 ?,不拒绝 H0 若p-值 ?, 拒绝 H0 四、假设检验的两类错误 假设检验中的两类错误是指在假设检验中，由于样本信息的局限性，势必会产生错误，错误无非只有两种情况，在统计学中，我们一般称为Ⅰ类错误，Ⅱ类错误。 第一类错误（Ⅰ类错误）也称为 α错误：拒真，是指当虚无假设(H0)正确时，而拒绝H0所犯的错误。这意味着研究者的结论并不正确，即观察到了实际上并不存在的处理效应。 第二类错误（Ⅱ类错误）也称为β错误：纳伪，是指虚无假设错误时，反而接受虚无假设的情况，即没有观察到存在的处理效应。 四、均值比较检验的SPSS实现 【比较均值】子菜单 案例：在CCSS项目中，以项目启动时的2007年4月的数据为指数基线，基线期指数值为100，随后各期所计算出的指数则代表当期数值相对于“基线”调查数值的变动比例。CCSS_Sample.sav中提供了北京、上海、广州3个一线城市的调查数据，现有如下目的： 对2007年4月北京、上海、广州3个一线城市的消费者信心指数值的均值进行描述。 对2007年4月3个城市消费者信心指数均值进行分组描述的分析步骤： 第一步：选择待分析的个案 第二步：均值描述过程 点击选项（Options）… 结果解读： 1、数据摘要与基本分组信息 4、选取不同分层变量对结果的影响 （1）分组变量设置为一层，则输出两个独立的表格。 如上图， 将两个分组变量“城市”和“学历”定义在同一层内，即二者是平等的关系，所以会分别按照性别和地区分组输出两张基本信息表。 （2）分组变量设置为两层，则输出一个交叉表格。 如前图，将“城市”作为第一层分组变量，“学历”作为第二层分组变量，二者之间是有层次关系的，所以最后输出的