交通数据处理假设检验.pptxVIP

假设检验 假设检验的逻辑步骤为： 1. 写出零假设和备选假设； 2. 确定检验统计量； 3. 确定显著性水平a； 4. 根据数据计算检验统计量的实现值； 5. 根据这个实现值计算p-值； 6. 进行判断：如果p-值小于或等于a，就拒绝零假设，这时犯（第一类）错误的概率最多为a；如果p-值大于a，就不拒绝零假设，因为证据不足。 回顾 原假设与对立假设 检验统计量与临界值 由临界值的确定方法可以发现，假设检验是以小概率事件作为推断原则。但是小概率事件并不一定不发生。 在假设检验中可能会犯两种错误。第一类错误时：原假设H0是正确的，但是被拒绝了，所以又称为“拒真”错误（其概率就是选取的小概率α） 第二类错误时：原假设H0是错误的，但被接受了，所以又称为“受伪”错误 两类错误和显著性水平 在统计学和许多统计分析软件中，常应用“p”值与显著性水平α做比较的方法进行统计推断。 p 值定义为检验统计量大于其取值（由样本观测值计算）的概率。 对给定的显著性水平α，当p α时拒绝原假设，否则接受原假设 例如，假设U服从标准正态分布，显著性水平α对应的上分位数为uα,则当u0 uα时，由小概率事件原则，应拒绝原假设。而此时 p=P(U u0 ) P(U uα)= α p值与显著性水平α 在交通研究中，t检验主要用于解决以下问题： （1）总体均值与样本均值相等的检验 （2）两正态总体均值相等的检验 （3）回归系数显著性检验。 t检验 t检验方法是应用服从t分布的统计量检验给定的统计假设问题，其适用于正态总体方差未知的情形。例如，对于正态总体 ，方差未知时，检验总体均值μ是否等于某个一直的常数u0，可以构造假设检验： H0：u=u0; H1: u ≠u0 在原假设H0为真的情况下，统计量 服从自由度为n-1的t分布 当给定样本观测值后，计算检验统计量t，当 拒绝原假设H0。 在样本量较大时（n30），可用正态分布代替t分布。 t检验 例：根据20世纪80年代北京工业大学对北京市范围内多处行人设施行人步行速度调查，发现男性步行速度平均值为1.25m/s。现在为了分析某行人设施行人的步行速度特征，调查了525个男性，测得平均速度为1.29m/s,样本标准差为0.27。是否可以根据调查结果认为该行人设施的行人步行速度与之前调查结果有明显不同。 例题的问题是：总体均值μ0 = 1.25是否发生了显著性变化。由于总体样本方差未知，应用t检验方法。 t检验 （1）确立假设检验问题 H0： u = u0 （2）构造t检验统计量 （3）计算统计量 （4）查分位数表，确定临界值 由于n足够大（n=525），t（524）可用正态分布近似，取α=0.05，查正态分布表： u0.025 = 1.96 （5）下结论 因为t = 4.17 1.96，所以不能接受原假设，即可以得到该行人设施的行人步行速度与已有经验不同的论断。 上述检验方法还可以用于配对数据检验。例如，为了分析试验条件或环境对驾驶人的交通行为的影响，在不同的环境下测量了同一组驾驶人的某项生理-心理指标，则可以分析同一个驾驶人在两种环境下的测量指标差。问题归结为检验“测量指标差”的均值是否为0。 在实践中，往往还会遇到比较两个研究总体均值是否相等的问题。例如，研究行人通过信号交叉口人行横道的交通行为特性时，需要分析男性和女性步行速度是否存在显著差异；在分析驾驶人反应时间特性时，需要考虑性别的影响。由于比较的两个对象之间，任何一个总体分布均值都是不知道的，在这种情况下，应考虑两总体均值相等的检验方法。由于两个总体均值是未知的，实际比较的是样本均值，所以有时又称两样本均值比较的检验。 t检验：两正态总体均值相等的检验 设x1，x2,…, xn1 来自总体N(μ1,σ1)的一个样本，y1, y2, … , yn2来自总体N(μ2,σ2)的一个样本，假设检验问题是 H0：u1 = u2； H1： u1 ≠ u2 在两者总体方差相等的情况下，检验统计量 例：为了分析行人在穿越人行横道时，性别对步行速度的影响。分别调查了140名青少年男性和165名青少年女性。测得平均步行速度分别为1.76m/s和1.58m/s，标准差分别为0.55和0.26.分析性别是否对步行速度有显著影响 假设男、女青少年在穿越人行横道时，步行速度方差没有显著性差异。则由统计结果可知 将上述数据代入检验统计量中，求得 t = 3.73 由于样本量足够大，t分布可用正态分布近似。取α=0.05，则有分布表可查得临界值为1.96.故因t1.96，故不接受原假设，即性别对步行速度有显著影响。 例：化肥厂用自动包装机包装化肥，某日测得9包化肥的质量（单位：kg）如下： 49.4；50.5；50.7；51.7；49.8；47.9；49.2；51.4；