第7章铭假设检验.pptVIP

第7章 假设检验 孔丹莉 单侧与双侧检验 单侧检验：研究设计阶段根据专业知识 ，某总 体均数不可能比另一总体均数高或低 双侧检验：研究设计阶段不能根据专业知识判断 两总体均数的高低 选用后者较为稳妥，也 较为常用；选用前者需作 说明。例如： H0 ：μ1=μ2 （无效假设或零假设） H1 ：μ1＞μ2 （备择假设） 单侧 ?=0.05 若检验统计量≥现有统计量，则P≤?，结论为按所取的 检验水准 ? ，拒绝 H 0，接受H1，有统计学意义(统计结论)。可认为不同或不等(专业结论) 若检验统计量＜现有统计量，则P＞?，结论为按 检验水准 ? ，不拒绝 H 0，无统计学意义(统计结论)。尚不能认为不同或不等(专业结论) 假设检验中两类错误 那么，如何处理这一问题呢？ 事实上，在处理实际问题中，对原假设H0，我们都是经过充分考虑的情况下建立的，或者认为犯弃真错误会造成严重的后果。在H0与H1之间，我们主观上往往倾向于保护H0，即H0确实成立时，作出拒绝H0的概率应是一个很小的正数 当n固定时， ? 增大，? 减小；反之亦然 若欲同时减小?与? ，则只有增大样本含量 单侧检验与双侧检验 用单侧检验还是双侧检验，使用左侧检验还是右侧检验，决定于备选假设中的不等式形式与方向。与“不相等”对应的是双侧检验，与“小于”相对应的是左侧检验，与“大于”相对应的是右侧检验。 建立检验假设，确定检验水准 确定P值 计算检验统计量 作推断结论 假设检验步骤 不拒绝H0 Pα 拒绝H0，接受H1 P≤α 假设检验的基本步骤 建立检验假设，确定检验水准 ① 原假设（零假设，记为H0） ② 备择假设（记为H1） Hypothesis Testing ? = 0.05 Hypothesis Testing 检验假设针对总体，而非针对样本 H0 和 H1 是相互联系、对立的假设，缺一不可 H0通常为：总体服从于某种分布、两个或多个总体参数相等、两个或多个总体分布相同等 H1通常为：总体不服从于某种分布、两个或多个总体参数不等或不全相等、两个或多个总体分布不同或不全相同等 H1 的内容反映了检验的单双侧。若 H1 为? ? ?0 或 ? ?0，则为单侧检验(one-sided test)。若 H1 为 ? ? ?0，则为双侧检验(two-sided test) Hypothesis Testing Hypothesis Testing Health Statistics 双侧检验 单侧检验 是否 是否 是否 检验水准(size of a test) ： 又称? 水准，是预先规定的概率值，它确定了小概率事件的标准。实际工作中常取? = 0.05,是判断拒绝或不拒绝H0的水准，也是允许犯Ⅰ型错误的概率，必要时，可用0.01或0.10或0.20。 Hypothesis Testing ? = 0.05 选择检验方法、计算检验统计量 根据分析目的、资料类型、设计类型、样本大小、方法的适用条件等选择相应的检验方法并计算检验统计量 所有检验统计量都是在假设 H0 成立的条件下计算出来的，它是用于决定是否拒绝 H0 的统计量，其统计分布在统计推断中至关重要 Hypothesis Testing 确定 P 值，作出推断结论 根据算出的检验统计量如 t、z 值，查相应的界值表，即可得到概率 P，然后将P值与事先规定的?检验水准进行比较而得出结论 Hypothesis Testing Health Statistics 查表 t 0.05,24=1.711 (现有统计量） (检验统计量） P值是指从H 0 规定的总体中作随机抽样 获得等于及大于(或等于及小于)现有统计 量(如 t0.05（υ） 值)的概率 ①当P≤α时，表示在H0成立的条件下，出现等于及大于现有统计量的概率是小概率，根据小概率事件原理，现有样本信息不支持H0，因而拒绝H0，结论为按所取检验水准拒绝H0，接受H1，即差异有统计学意义，②当Pα时，表示在H0成立的条件下，出现等于及大于现有统计量的概率不是小概率，现有样本信息还不能拒绝H0，结论为按所取检验水准不拒绝H0，差异无统计意义 一般来说，推断结论应包括统计结论与