ch5 统计推断.ppt

第五章 假设检验 张豪 博士 第一节 引言 一、基本知识 统计推断（statistical inference） 假设（hypothesis） 关于总体的某些未知或不完全知道性质的待证明的声明（assertion） 两类 研究假设(research hypothesis)是研究人员根据以前的研究结果、科学文献或者经验而提出的假设， 统计假设(statistical hypothesis)往往是根据研究假设提出的，描述了根据研究假设进行试验结果的两种统计选择 统计假设 原假设（null hypothesis, H0）通常为不变情况的假设。 备择假设（alternative hypothesis, HA）则通常声明一种改变的状态，如两个群体间存在差异。 研究假设可以为两种可能之一，即没有差异和有差异。通常情况下，备择假设和研究假设相同，因此，原假设与研究者的期望相反。 假设检验 假设检验的定义 假定原假设正确，检验某个样本是否来自某个总体，它可以使研究者把根据样本得出的结果推广到总体 根据样本进行的假设检验有两种结果 拒绝H0，因为发现其是错误的 不能拒绝H0，因为没有足够的证据使我们拒绝它 原假设和备择假设总是互斥，而且包括了所有的可能，因此，拒绝H0则HA正确 例子1 一个刚工作的大学生在某饲料厂工作，负责购买原料。购买复合维生素时，销售商声称每袋装10 kg。结果可能有4种可能， 他很诚实，即? = 10 kg； 他很保守，即? 10 kg； 他是个骗子，即? 10 kg； 他也是个新手，不知道每袋到底有多少，即? ? 10 kg。 为了进行检验，该大学生测量了25袋内容物的重量，结果平均重10.36 kg，假设已知方差为1 kg2 案例1：检验销售商是否是保守的 假设 H0： ? ? 10 kg，HA： ? 10 kg 显著水平 统计上用来确定或否定原假设为小概率事件的概率标准叫显著性水平 （significance level）或检验水平（size of a test），记作? 显著（significant）：H0发生概率如果小于或等于5%, 拒绝H0 极显著（highly significant）：H0发生的概率小于或等于1%, 拒绝H0 案例1：检验销售商是否保守 统计数 为了确定H0发生的概率，需要找到合适的检验统计数（test statistic），或临界比率（critical ratio），使得在原假设或备择假设成立时，该统计数的值有差异，从而可使我们能够根据这个统计数的值的大小确定H0发生的概率 检验统计量 说明: u为一个标准正态分布离差 这种利用u统计数进行假设检验的方法称为u检验（u test）；如果把u统计数写成z统计数，也称z检验（z test） 上式中称为平均数的标准误（standard error of the mean），为平均数的抽样标准差；它告诉我们的是未来抽样中平均数的期望变异性 计算 案例2：测验销售商是否是一个骗子 假设为： H0： ? ? 10 kg，HA： ? 10 kg 检验统计数u = 1.8 案例3: 销售商不知道每袋含量到底有多少 假设为 H0：? ＝ 10 kg，HA：? ? 10 kg 统计数u = 1.8 二、假设检验的基本步骤 根据题义定义H0和HA 在原假设正确的前提下，确定检验统计数并计算统计数的估计值 计算P值，或确定临界值，并比较临界值与统计数值的大小；根据“小概率不可能原理”得出结论 三、假设检验的两类错误 统计推断错误原因 统计推断的样本为总体的一个或数个随机样本 抽样时的抽样误差 样本对总体的统计推断有时会产生关于总体的错误结论 两类错误 如果H0正确，则HA是错误的 如果这时的假设检验结果为接受H0，则结论正确 如果假设检验结果为拒绝H0，结论就是错误的 这类错误称为第一类错误，用?表示 显著水平为0.05，即如果H0正确，对20个样本进行假设检验，如果有1次结果为拒绝H0，我们就怀疑H0的正确性，拒绝H0，这时我们犯I类错误的概率为5% P（第一类错误） = 拒绝一个正确原假设的概率 两类错误 如果 H0 是错误的，则 HA 是正确的 如果为拒绝H0, 则结论正确 接受 H0，则结论错误 这类错误称第二类错误（type II error），用?表示 P（第二类错误）=接受一个错误原假设的概率 两类错误的关系 H0是错误的而结果为拒绝它的概率为 1 – ?，称为检验功效（power of a test） 显著水平的选择 如果接受H0，则或者得出正确结论，或者犯概率为?的第二类错误 如果结论为拒绝H0，则可能得出正确结论，也可能犯概率为 ? 的第一类错误。 当假设检验结果为拒绝H0时，我们知道犯