第六章多个多元均值向量的比较PPT.pptVIP

第六章 多元正态总体的比较;§6.2 单个总体均值的推断;一、均值向量的检验;2. Σ未知 检验统计量为 称之为霍特林（Hotelling）T2 统计量。当 H0 为真时 服从F(p,n?p) ，对给定的显著性水平α，拒绝规则为： 若 ，则拒绝H0 其中 。 ;例62.1 对某地区农村的6名2周岁男婴的身高、胸围、上半臂围进行测量，得样本数据如表4.2.1所示。根据以往资料，该地区城市2周岁男婴的这三个指标的均值μ0=(90,58,16)′，现欲在多元正态性假定下检验该地区农村男婴是否与城市男婴有相同的均值。这是假设检验问题： H0：μ=μ0，H1：μ≠μ0;二、置信区域;;三、联合置信区间;当k很小时，联合T2置信区间 的置信度一般会明显地大于1?α，因而上述区间会显得过宽，即精确度明显偏低。这时，我们可以考虑采用邦弗伦尼 （Bonferroni）联合置信区间： 它的置信度至少为1?α。 若tα/2k(n?1)≤Tα ，则邦弗伦尼区间比T2区间要窄，这时宜采用前者作为联合置信区间；反之，若tα/2k(n?1)Tα，则邦弗伦尼区间比T2 区间宽，宜采用后者作为联合置信区间。 当k=p时，邦弗伦尼区间要比T2 区间窄。故在求μ的所有p个分量μ1, μ2,?, μp的联合置信区间时，应采用邦弗伦尼区间。;例6.2.2 为评估某职业培训中心的教学效果，随机抽取8名受训者，进行甲和乙两个项目的测试，其数据列于表4.2.2。假定x=(x1,x2)′服从二元正态分布。 n=8,p=2，取1?α=0.90，F0.10(2,6)=3.46，于是，T0.10=2.841。;μ的0.90置信区域为 即 0.0436×(μ1?72.5)2?0.0812×(μ1?72.5)(μ2?79) +0.0475×(μ2?79)2≤1.009 这是一个椭圆区域。μ1和μ2的0.90联合T2置信区间为 即 61.84≤μ1≤83.16，68.80≤μ2≤89.20 这两个区间分别正是椭圆在μ1轴和μ2轴上的投影。;μ1和μ2的0.90邦弗伦尼联合置信区间为（t0.025(7)= 2.3646） 即 63.63≤μ1≤81.37，70.51≤μ2≤87.49 这个联合置信区间在精确度方面要好于T2联合置信区间。由该联合置信区间可得到置信度至少为0.90的矩形置信区域（见图4.2.1中的实线矩形），但其矩形面积要大于椭圆面积。;图4.2.1 置信椭圆和联合置信区间;利用置信区域进行假设???验;§6.3 单个总体均值分量间结构关系的检验; 故CΣC′0。故我们可以用上一节检验假设H0：μ=μ0的方法来检验上述假设。检验统计量为 当原假设H0：Cμ=φ为真时， 对于给定的显著性水平α，拒绝规则为： 若 ，则拒绝H0 其中 。 特别地，若欲检验 H0：Cμ=0，H1：Cμ≠0 则T2可简化为 ;例6.3.1 设x~Np(μ,Σ)，μ=(μ1,μ2,?,μp)′，Σ0，x1,x2,?,xn是取自该总体的一个样本，欲检验 H0：μ1=μ2=?=μp，H1：μi≠μj,至少存在一对i≠j 令 则上面的假设可表达为 H0：Cμ=0，H1：Cμ≠0 检验统计量为 ; 对于给定的显著性水平α，拒绝规则为： 若 ，则拒绝H0 其中 由于C是行满秩的，且每行均为对比向量（即有一个1和一个?1，其余皆为0），故称C为对比矩阵。 该例中对比矩阵C的选择不是惟一的，比如也可以选取对比矩阵为;例6.3.2 在例4.2.1中，假定人类有这样一个一般规律：身高、胸围和上半臂围的平均尺寸比例为6:4:1，我们希望检验表4.2.1中的数据是否符合这一规律，也就是欲检验 H0：μ1/6=μ2/4=μ3，H1：μ1/6, μ2/4, μ3至少有两个不等 令 则上面假设可表达为 H0：Cμ=0，H1：Cμ≠0 经计算 从而; 故 又因 所以拒绝原假设H0，即认为这组数据与人类的一般规律不一致(p=0.008)。 上述的C也可以选择为 检验的结果是不变的。;§6.4 两个总体均值的比较推断;一、两个独立样本的情形; 为两个样本协方差矩阵。 霍特林T2检验统计量 当原假设H0为真时， 对给定的α，拒绝规则为： 若 ，则拒绝H0 其中 ;在实际应用中，一旦H0：μ1=μ2被拒绝了，则可以考虑对所有的i(1≤i≤p)，在相同的显著性水平下再进一步检验H0i：μ1i=μ2i，以判断是否有分量