假设测定Ι一个样本之假设测定.DOC

　　第八章　　假設測定Ι：一個樣本之假設測定 本單元目標 說明假設測定（hypothesis testing）的邏輯。 定義並解釋假設測定所涉及之關鍵概念，特別是虛無假設（the null hypothesis）、抽樣分配、顯著水準（the α level）、測定統計（the test statistic）。 解釋何謂「拒絕虛無假設」或「無法拒絕虛無假設」。 說明何時適用一個樣本的假設測定。 以5個步驟來測定一個樣本平均數及比例之顯著度，並說明測定結果的意義。 說明一尾及兩尾測定之不同，並解釋兩者各自適用的時機。 定義並解釋Type I及Type II錯誤，並連結這些概念與α level的關係。 貳、導論 　　上個單元介紹以樣本統計值估計母數的一些基本技巧。自本單元起，則開始談推論統計的另一個大任務，即假設測定(hypothesis testing)或顯著測定(significance testing)。在此，先就和一個樣本有關之假設測定加以討論。何種情況會用到一個樣本的假設測定呢？以下是三個適用此類假設測定例子： 1、一個研究者想要知道老人成為犯罪被害人的比例，是比一般人多或少。如果研究者抽樣得到一個老人樣本，也從政府得到去年全部人口中犯罪被害人的比例時，就可以進行一個樣本的假設測定。 2、住宿生的平均成績是否與整體學生的平均成績不同？研究者可以對住宿生進行樣本，然後與學校提供的整體學生的成績資料做比較。 3、研究者想要知道某市一項協助酗酒者的方案是否有效時，此研究者可以對此方案服務的所有案主進行抽樣，並詢問其包括工作情況在內的各項資料。如果此研究者發現參與此方案的案主與全市工作人口相比，其全年沒有去工作的天數比較少時，研究者可以用一個樣本的假設測定的推論統計，來看是否經過方案協助的酗酒者，在工作上是否與一般人一樣可靠。 上述的例子，都是研究者在成本或時間等因素的限制下，以隨機抽樣方式得到一個樣本後，就此樣本的某一特性，進行與母群體的特性做比較。要注意的是，我們所關心的，並不是樣本本身，而是此樣本所來自的團體（老人、住宿生、參與方案的酗酒者）。我們想知道的是，此樣本所來自的團體的某一特性，是否與母群體在同一特性（犯罪受害比例、平均成績、全年工作天數）上有所不同。 假設測定的邏輯 簡言之，一個樣本假設測定的推論任務，是根據一個來自某一更大團體的隨機樣本與一個母群體間比較的結果，來推論此團體是否與母群體在某一特性上不同。例如，如果研究者以假設測定的作法，發現抽樣得到之127位參與協助酗酒者方案的全年工作缺席平均天數為6.8天，而整個城市工作人口的平均工作缺席天數（μ）是7.2天，標準差（σ）是1.43。則此研究者可以推論，整個參與協助方案者的平均缺席天數是「顯著」比整個人口來的少。 圖1 一個樣本平均數的假設測定 這裡所謂的「顯著」（significant）是一個統計觀念，其意思是我們樣本與全市工作人口間在平均缺席天數上的差異，並不可能是隨機（random chance）造成的。之所以有此說法，是因為我們得到的樣本只是所有可能樣本中的一個。我們得到的樣本即使是以EPSEM程序抽樣而得的，也並不能絕對保證代表性。因此，我們以一個樣本來做任何推論時，都有些不確定性。推論統計的好處，就是可以讓我們針對推論結果，估計出我們可能犯錯的機率。 以圖1所示意的為例，當樣本得到的平均缺席天數與母群體不同時，研究者要問的是：這個差異是真的嗎？還是因為random chance所造成的？換言之，我們有兩個可能的解釋（或假設）： 解釋1：樣本平均數與全市工作者平均數的差異真的是反映了全部參與方案者與全市工作者間的差異。也可以說，樣本所來自的母群體並不是來自一個平均缺席天數為7.2天的母群體。 解釋2：我們觀察到的差異是random chance所造成的。換言之，我們看到的差異並不大。有此可能性，是因為只要依照同樣的抽樣過程而得到的樣本，就相當可能會得到這種大小的差異。因此，全部參與方案者與全市工作者在平均缺席天數是一樣的。 以上兩個解釋，何者為正確的？在假設測定的過程中，我們是以「解釋2」為正確的，做為假設測定的起點。也就是說，我們是假設參與方案者的全年平均缺席天數是7.2天（亦即μ＝7.2；事實上這也是目前對於母群體唯一能掌握的訊息）。在此假設下，我們就可進一步的計算出，從這樣的一個母群體中，得到一個平均數是6.8之樣本的機率有多大。 在判定是否要拒絕「解釋2」以前，我們要先立下做客觀判斷的規則。這個規則就是要先決定當得到這種樣本的機率是多大時，我們就會拒絕或不拒絕「解釋2」。從保守的角度出發，如果我們要拒絕「解釋2」的話，那就應該在將此樣本發生的機率定的偏低，如低過百分之5（p≦0.05）的情況下，才會拒絕「解釋2」。換言之，在做假設測定