第四章 参数估计与假设检验..pptVIP

* 其中，关键是找到一个“合适的检验统计量”。那么，什么样的统计量才算合适呢？1、要能够知道其概率分布；2、要能够根据现有条件算出统计量的值。在这个意义上，p-值又称为观测的显著性水平（observed significant level）。在统计软件输出p-值的位置，有的用“p-value”，有的用significant的缩写“Sig”就是这个道理。 * * * * 与其人为地把显著性水平固定在某一个值，不如干脆选取检验统计量的p值。 * * * * * * * * * * 三、正态总体方差的假设检验 1、总体均值μ已知时的方差检验 2、总体均值μ未知时的方差检验 第四节 总体指标的假设检验 例 已知生产线上生产出来的零件直径服从正态分布，长期以来直径的方差σ2=0.09，进行工艺改革后，随机抽取9个样本，样本修正方差Sn-12=0.352。检验工艺改革后方差是否显著增大（显著性水平0.05）。 解 假设：H0：σ2=σ02=0.09； H1：σ2σ02=0.09 计算得：W=10.8889。显著性水平为0.05，n-1=8。查表得k1=2.1797，k2=17.5346。 可见，W的值处于接受域，不能认为方差显著增大。 第四节 总体指标的假设检验 讨论： 1、从假设检验看经典统计思维：总体与样本； 2、从西游记之孙悟空、唐僧识别妖怪谈假设检验方法的功效。 第四节 总体指标的假设检验 * 在实际工作中，我们一般都能大致判断出总体分布的类型，1933年，W.Glivenko进一步研究证明，当样本数量趋于无穷大时，样本分布依概率1均匀地收敛于总体分布（后人称之为格利文科定理）。但是，尽管如此，我们一般却难以直观地判断总体的参数，而这些参数对于我们认识总体的基本情况、把握总体的发展趋势却不可或缺。试想，我们能够确定总体的分布类型，如果我们再能够确定总体的几个关键参数，那么就可以把握住总体的离散、集中趋势了。为此，我们需要用样本参数来估计和推断总体参数，这就是参数估计。 * * * * * * * * 如果一个估计量具有无偏性，那么虽然利用每个样本得到的估计值不一定等于参数，但当抽取大量样本时，这些样本产生的估计量的均值会接近真正要估计的参数。实际上，一般情况下，由于人们仅仅抽取一个样本，并且用该样本的这个估计量的实现来估计对应的参数，所以人们并不知道这个估计值和要估计的参数差多少。因此，无偏性仅仅是非常多次重复抽样时的一个渐近概念。 * 如果一个估计量具有无偏性，那么虽然利用每个样本得到的估计值不一定等于参数，但当抽取大量样本时，这些样本产生的估计量的均值会接近真正要估计的参数。实际上，一般情况下，由于人们仅仅抽取一个样本，并且用该样本的这个估计量的实现来估计对应的参数，所以人们并不知道这个估计值和要估计的参数差多少。因此，无偏性仅仅是非常多次重复抽样时的一个渐近概念。 * * 和无偏性不一样的是，无偏性是估计量在给定样本大小之下的一个特征，而一致性描述的是当样本大小变大时估计量的抽样分布的性态。一致性准则是指当样本量越来越大的时候，估计值离真实值的差异越来越小。试想，如果一个估计量不具备一致性，那么即使我们再扩大样本容量，即使我们有再多的数据，也无助于获得被估计量的真值。形象地说，无偏指的是颤抖中的准确，即统计量的期望值等于参数的真值，或者，不存在系统性偏差。一个臭手去打靶，如果打完一万枪，所有弹着点会形成一个半径很大的圆形区域，其圆心与靶心重叠。一致性其实可以理解为“多劳多得”，就是你的样本越大，平均的误差越小。虽然无偏估计量不一定具有一致性，但那些随样本数量增大而方差缩减到0的无偏估计量一定具有一致性。 * * 有效性是对估计量方差的度量，考察的是估计量的稳定性。当比较两个无偏估计量时，方差越小的估计量越有效、越好。 * 点估计，即使是无偏的点估计，在一次估计中，都与总体参数的真值有偏差。所谓“无偏”，是指在大量反复抽样基础上的均值，是无偏的。因此，我们不仅要进行点估计，还需要根据估计量的分布，在一定概率下，给出总体参数的可能范围。 * 置信区间总是与置信度相联系的，置信区间是对参数给出的一个范围，置信度为其可信程度(大样本意义)。 * * * * * * * * * 其前提假设是总体服从正态分布。 * * 在这里，S分别为两个样本的方差（未修正方差）。 * * 这里n=100，是大样本，所以对总体的概率分布没有进行设定和限制。在现实生活中，其长度一般应服从正态分布。 同理，在大样本条件下， 。因此，总体比例也可参照总体均值的方法进行估计。 第二节 总体指标的