spss课件第四讲统计绘图、t检验、单因素方差分析.pptVIP

第四讲 统计绘图、t检验、单因素方差分析 统计图的分类 统计图的分类方法有许多种，但和统计学体系最为贴近的分类方法是首先按照其呈现变量的数量，从而可以将统计图大致分为单变量图、双变量图、多变量图等，随后再根据相应变量的测量尺度进行更细的区分。 单变量图 双变量图 连续因变量 线图 散点图 简单条图 分类因变量 复式条图 直方图和茎叶图 箱图 饼图 条图与误差图 线图、多线图与垂线图 散点图 PP图和QQ图 控制图与Pareto图 高低图 ROC曲线 均数间的比较--t检验 均数间的比较 假设检验原理入门 单样本t检验 两样本t检验 配对t检验 Analyze?Compare Means?means 为什么要做检验 通过获得随机样本来实施抽样研究的例子很多，但此时研究中直接获取的只是样本的情况，而研究者关心的并不仅仅是样本，更希望了解相应的总体特征。 参数估计：推估样本所在的总体特征 假设检验：对提出的一些总体假设进行分析判断，做出统计决策。 假设检验原理 现有的样本均数和已知总体均数不同，其差别可能有两个方面的原因造成。 样本来自已知总体，现有差别为抽样误差 样本所来自的总体与已知总体不同，存在本质差异 为识别这两种可能，应当对其做假设检验 假设检验原理 基础：小概率原理，即一般认为小概率事件在一次随机抽样中不会发生。 基本思想：先建立一个关于样本所属总体的假设，考察在假设条件下随机样本的特征信息是否属小概率事件，若为小概率事件，则怀疑假设成立有悖于该样本所提供特征信息，因此拒绝假设 事实上，小概率事件在随机抽样中还是可能发生的，只是发生的概率很小。若正好碰上了，则假设检验的结论就是错误的。当然，犯这种错误的概率很小 假设检验的基本步骤：建立假设 根据统计推断的目的而提出的对总体特征的假设。统计学中的假设有两方面的内容： 一是检验假设(hypothesis to be tested),亦称原假设或无效假设(null hypothesis)，记为H0 ； 二是与H0相对立的备择假设(alternative hypothesis)，记为H1 。后者的意义在于当H0 被拒绝时供采用。两者是互斥的，非此即彼。 H0：? =?0， H1：?≠?0； 假设检验的基本步骤：确定检验水准 实际上就是确定拒绝H0时的最大允许误差的概率。检验水准(size of test)，常用?表示，是指检验假设H0本来是成立的，而根据样本信息拒绝H0的可能性大小的度量，换言之，?是拒绝了实际上成立的H0的概率。 常用的检验水准为? = 0.05，其意义是：在所设H0的总体中随机抽得一个样本，其均数比手头样本均数更偏离总体均数的概率不超过5% 假设检验的基本步骤：计算检验统计量和P值 统计量只是工具，概率值才是目的，它可以客观衡量样本对假设总体偏离程度 从H0假设的总体中抽出现有样本（及更极端情况）的概率，即P值 例如600次赢100次是H0假设的情况，只赢1次就是现有样本情况，更极端的情况就是连一次也没有赢 假设检验的基本步骤：得出推断结论 按照事先确定的检验水准?界定上面得到的P值，并按小概率原理认定对H0的取舍，作出推断结论 若P ≤? 基于H0假设的总体情况出现了小概率事件 则拒绝H0，接受H1，可以认为样本与总体的差别不仅仅是抽样误差造成的，可能存在本质上的差别，属“非偶然的(significant)”，因此，可以认为两者的差别有统计学意义。 进一步根据样本信息引申，得出实用性的结论 若P＞? 基于H0出现了很常见的事件 则样本与总体间的差别尚不能排除纯粹由抽样误差造成，可能的确属“偶然的(non-significant)”，故尚不能拒绝H0 因此，认为两者的差别无统计学意义，但这并不意味着可以接受H0。 统计理论 推断样本是否来自某已知总体，即要检验样本所在总体的均数是否等于已知的总体均数 为了回答该问题，统计学上采用了小概率反证法的原理：我们有如下两种假设： H0：样本均数与总体均数的差异完全是抽样误差造成 H1：样本均数与总体均数的差异除由抽样误差造成外，也反映了两个总体均数确实存在的差异 单样本t检验 先假设H0成立，即一切都是抽样误差造成的。在这个前提下，我们的样本是从已知均数的大总体中抽出来的。 显然，样本均数和假设总体均数之差就代表了偏离假设的程度 但此差异所对应的概率究竟是大还是小？仅看这一个数字很难做出判断。因为这还和数据的离散程度有关，为此我们需要找到某种方式对这一差值进行标准化 显然，标准化的基本方式就是将差值除以表示样本均数离散程度的指标 在单样本的情况下，样本的均数服从t分布 这个被标准化的差值，就是本次检验中所谓的统计量 由于该统计量服从t分布，可利用该分布得到相应的概率值，故而此处的方法被称为为单