第七章 假设检验.pptxVIP

参数估计和假设检验是统计推断的两个组成部分，都是利用样本对总体进行某种推断，但推断的角度不同。参数估计讨论的是用样本统计量估计总体参数的方法。假设检验讨论的是用样本信息去检验对总体参数的某种假设是否成立的程序和方法。 学习目标: 1.理解假设检验的基本思想和基本步骤 ； 2.理解假设检验的两类错误及其关系； 3.熟练掌握总体均数的假设检验方法； 4.熟练利用SPSS对总体方差、总体率及样本正态性进行各种假设检验。;一、什么是假设检验 我们以一个实例来讲解：根据1989年的统计资料，某地女性新生儿的平均体重为3190克。为判断该地1990年的女性新生儿体重与1989年相比有无显著差异，从该地1990年的女性新生儿中随机抽取30人，测得其平均体重为3210克。从样本数据看，1990年女新生儿体重比1989年略高，但这种差异可能是由于抽样的随机性带来的，也许这两年新生儿的体重并没有显著差异。究竟是否存在显著差异？可以先假设这两年新生儿的体重没有显著差异，然后利用样本信息检验这个假设能否成立。 先对推断的总体参数或分布提出某种假设，然后通过样本统计量去验证这个假设是否成立，这一过程称为假设检验，亦称显著性检验。假设检验分为参数检验和非参数检验；参数检验是已知总体分布，对总体的某个参数提出假设（原假设H0），用样本来检验这个假设是否正确（是接受还是拒绝原假设H0 ）；非参数检验是对总体分布提出假设（原假设H0）， 用样本来检验这个假设是否正确（是接受还是拒绝原假设H0）。;二、假设检验的基本原理 小概率原理——发生概率很小的随机事件（小概率事件）在一次实验中几乎是不可能发生的。 根据这一原理，可以先假设总体参数的某项取值为真，也就是假设其发生的可能性很大，然后抽取一个样本进行观察，如果样本信息显示出现了与事先假设相反的结果且与原假设差别很大，则说明原来假定的小概率事件在一次实验中发生了，这是一个违背小概率原理的不合理现象，因此有理由怀疑和拒绝原假设；否则不能拒绝原假设。 例如:某厂产品合格率为99%,从一批(100件)产品中随机抽取一件,恰好是次品的概率为1%。随机抽取一件是次品几乎是不可能的, 但是这种情况发生了,我们有理由怀疑该厂的合格率为99%.这时我们犯错误的概率是1%。 著名的英国统计家Ronald Fisher 把20分之1作为标准，也就是0.05，从此0.05或比0.05小的概率都被认为是小概率 Fisher没有任何深奥的理由解释他为什么选择0.05，只是说他忽然想起来的。 ;三、假设检验的基本思想 ;四、假设检验的步骤 1.提出统计假设 原假设（也称零假设或无效假设），用H0表示，通常为被比较的两者无差异，如μ1=μ2；备择假设（也称对立假设），用H1表示，通常为原假设被否定时准备选择的假设，如μ1≠μ2，可能是μ1μ2或μ1μ2等等。 应该注意： ⑴对任一假设检验问题，其所有可能结果均应包括在所提出的两个对立假设中，原假设与对立假设总有一个、也只能有一个成立。 ⑵原假设一定要有等号： =或≦或≥。 原假设不是随意提出的，应该本着“不轻易拒绝原假设”的原则。 ;四、假设检验的步骤 2.确定检验方法，计算检验统计量 检验统计量的选择是根据研究目的与要求、数据资料的分布、样本含量的大小等确定的。常用的检验方法有u检验、t检验、F检验和χ2检验等。 ;四、假设检验的步骤 3.确定显著性水平α，求出临界值 显著性水平α是当原假设为正确时被拒绝的概率，是由研究者事先确定的。 显著性水平的大小应根据研究需要的精确度和可靠性而定。通常取α＝0.05或α＝0.01，即接受原假设的决定是正确的可能性（概率）为95％或99％。 根据给定的显著性水平α，查表得出相应的临界值，同时指定拒绝域。 ;四、假设检验的步骤 4.作出统计推断结论 将计算的检验统计量与临界值作比较，如果前者(绝对值)后者，说明检验统计量的值落在接受域内，概率Pα，接受H0，拒绝H1，差别无统计学意义；如果前者(绝对值)≥后者，说明检验统计量的值落拒绝域内，概率P≦α，拒绝H0，接受H1，差别有统计学意义。 通常将： P0.05称为“差别不具显著性”； 0.01P≦0.05称为“差别具显著性”，常以“*”表示； P≦0.01，称为“差别具高度显著性”，常以“**”表示。 ;五、假设检验的两类错误 假设检验是依据小概率原理进行判断的,这就决定了统计结论仍有犯错误的可能。 两类错误： “弃真”错误(第I类错误): H0为真时却被拒绝，犯错概率为α; “纳伪”错误(第II类错误): H0为假时却被接受。犯错概率为β。 假设检验中各种可能结果的概率 ;假设检验两类错误关系的图示以单侧上限检验为例，设H0 ：?X