第六章假朋设检验.pptVIP

第六章 假设检验 假设检验是推断统计中的一项重要内容，它是先对研究总体的参数作出某种假设，然后通过样本的观察来决定假设是否成立的一种统计推断方法。 第一节 假设检验的基本原理 实例 从1990年的新生儿中随机抽取30个，测得其平均体重为3210g，而根据1989年的统计资料，新生儿的平均体重为3190g，问1990年的新生儿与1989年相比，体重有无显著差异。 分析 从直观上看，1990年新生儿体重略高，但这种差异可能是由于抽样的随机性带来的，而事实上这两年新生儿的体重也许并没有显著差异。究竟是否存在显著差异，可以先设立一个假设，不妨为“假设这两年新生儿的体重没有显著差异”，然后检验这个假设能否成立。这便是一个假设检验问题。 库珀教授的数学题 “我用5美元打赌，你们中至少有两个人同月同日生。有人敢跟我赌吗？” 一、假设检验的思想 基本思想是根据小概率原理、运用反证法，判断统计量之间的差异是否显著。 首先对总体参数建立一个理论假设（Ho）；然后，根据具体条件选择一个抽样分布理论构造适当的统计检验量计算公式，并依据样本信息进行计算；第三、观察检验量是落入到抽样分布的大概率区，还是小概率区，在一定的概率置信度下判断假设（Ho）的合理性，并作出接受或拒绝Ho的决策。 二、虚无假设与备择假设 统计假设检验中使用的假设有两种，一种称为零假设，一种称为备择假设。零假设又称为原假设、虚无假设，以符号H 0表示，在假设检验中将视作已知条件而应用。 备择假设又称研究假设等，以符号H1表示。备择假设作为虚无假设的对立假设而存在。 三、小概率原理与显著性水平 小概率原理：小概率事件在一次观察中几乎不可能发生。 在统计假设检验中，小概率事件的概率值被称为统计假设检验的显著性水平，记为α。α值常取0.05和0.01两个水平。 显著性水平α是指愿冒多大的犯错风险, 去判断差异值的显著性。据此便在统计量抽样分布的模型上划分出了接受区和拒绝区。 例如 有一个厂商声称其产品的合格品率很高，可以达到99％，那么从一批产品（如100件）中随机抽取1件，这一件恰好是次品的概率就非常小，只有1％。如果厂商的宣称是真的，随机抽取1件是次品的情况就几乎是不可能发生的，但如果这种情况确实发生了，我们就有理由怀疑原来的假设，即产品中只有1％次品的假设是否成立，这时就可以推翻原来的假设，可以作出厂商的宣称是假的这样一个推断，我们进行推断的依据就是小概率原理。当然，推断也可能会犯错误，即这100 件产品中确实只有1件是次品，而恰好在一次抽取中被抽到了。所以这个例子中犯这种错误的概率是1％，也就是说我们在冒1％的风险作出厂商宣称是假的这样一个推断。由此也可以看出，这里的1％正是前面所说的显著性水平。 四、单侧检验和双侧检验 六、统计检验的两类错误 示例 对于法官的判案，法官也必须面对Ho（被告无罪）与H1（被告有罪）的决择，如果被告确实是无辜，却判为有罪，就是法官犯了α错误，如果被告确实有犯罪事实却宣判无罪，则法官犯了β错误。但一般来说，法官们的信条应该是“宁可误判无罪，也不应累及无辜。 七、假设检验的步骤 一个完整的假设检验过程，通常包括以下步骤： 第一，提出原假设和备择假设； 第二，确定适当的检验统计量并计算检验统计量的值； 第三，比较判断，作出统计决策。 利用统计软件进行假设检验 根据统计的任务和数据特点正确选择检验方法 无差假设是默认的，约定俗成的，无需声明 根据检验值出现的概率大小，判断假设的真伪 第二节 总体平均数检验 任务—— 检验样本平均数与总体平均数的差异是否显著 检验两个样本的平均数差异是否显著 一、 Z检验和t检验 在平均数的差异显著性检验中，根据样本信息，可以使用正态分布模型作Z检验，或者使用t分布模型作t检验。 正态总体，σ已知，不论大小样本，使用Z检验； 正态总体，σ未知，不论大小样本，使用t检验； 非正态总体，大样本，使用t检验（近似处理）； Spss中只有t检验，适用范围更广泛。 二、单总体检验和双总体检验 单总体检验——检验一个样本的平均数与某个已知总体的平均数或某个特定值的差异是否显著。 双总体检验——检验两个样本平均数的差异是否显著。(分为两种情形：相关样本的检验和独立样本的检验。) 单总体平均数检验公式 正态总体， σ 已知 σ 未知 独立样本平均数的检验公式 σ 已知， 或σ 未知，大样本 相关样本平均数的检验公式 平均数检验的方差齐性问题 双总体检验时，要求两个总体的方差没有显著差异，呈现齐性，如果不呈齐性，计算公式又不一样。 Spss中对此作了很好的处理，见实例。 T检验小结 统计任务：平均数差异的