第七章­假设检验.pptVIP

左侧检验的P 值 H0值 临界值 a 样本统计量 拒绝域 抽样分布 1 - ? 置信水平 计算出的样本统计量 P 值 右侧检验的P 值 H0值 临界值 a 拒绝域 抽样分布 1 - ? 置信水平 计算出的样本统计量 P 值 利用 P 值进行检验(决策准则) 单侧检验 若p-值 ?,不拒绝 H0 若p-值 ?, 拒绝 H0 双侧检验 若p /2 -值 ?/2, 不拒绝 H0 若p /2 -值 ?/2, 拒绝 H0 假设检验结论的表述 假设检验的目的就在于试图找到拒绝原假设的理由，而不在于证明什么是正确的 拒绝原假设时结论是清楚的 例如，H0：?=3190，拒绝H0时，我们可以说??3190 当不拒绝原假设时 并非肯定原假设 含义是 “不否定原假设” 或 “保留原假设” 例如，当不拒绝H0：?=3190，我们并未说它就是3190，但也未说它不是3190。我们只能说样本提供的证据还不足以推翻原假设 假设检验结论的表述 报告结果时，首先须给出检验统计量，如U值、t值、自由度、P值，然后报告是否拒绝H0，最后结合问题的具体背景给出专业结论。 拒绝原假设时，表述为“差异有统计学意义”，简称“有统计学意义”。 不拒绝H0时，表述为“差异无统计学意义”，简称“无统计学意义” 第三节 I型错误与II型错误(决策风险) 根据假设检验做出判断无非下述四种情况： 1、原假设真实， 并接受原假设，判断正确； 2、原假设不真实，且拒绝原假设，判断正确； 3、原假设真实， 但拒绝原假设，判断错误； 4、原假设不真实，却接受原假设，判断错误。 假设检验的两类错误 假设检验是依据样本提供的信息进行判断，有犯错误的可能。所犯错误有两种类型： 第一类错误是原假设H0为真时，检验结果把它当成不真而拒绝了。犯这种错误的概率用α表示，也称作α错误(αerror)或弃真错误。 第二类错误是原假设H0不为真时，检验结果把它当成真而接受了。犯这种错误的概率用β表示，也称作β错误(βerror)或取伪错误。 假设检验的两类错误正确决策和犯错误的概率可以归纳为下表： 假设检验中各种可能结果的概率 接受H0 拒绝H0，接受H1 H0 为真 1-α（正确决策） α（弃真错误） H0 为伪 β（取伪错误） 1-β（正确决策） 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≤?X0 ，H1：?X＞?X0 从上图可以看出，如果临界值沿水平方向右移，α将变小而β变大，即若减小α错误，就会增大犯β错误的机会；如果临界值沿水平方向左移，α将变大而β变小，即若减小β错误，也会增大犯α错误的机会。 图(a) ?X≤?X0 H0为真 图(b) ?X＝?X1＞?X0 H0为伪 ? 错误和 ? 错误的关系 ? ? 你不能同时减少两类错误! ?和?的关系就像翘翘板，?小?就大， ?大?就小 在样本容量n一定的情况下，假设检验不能同时做到犯α和β两类错误的概率都很小。若减小α错误，就会增大犯β错误的机会；若减小β错误，也会增大犯α错误的机会。要使α和β同时变小只有增大样本容量。但样本容量增加要受人力、经费、时间等很多因素的限制，无限制增加样本容量就会使抽样调查失去意义。因此假设检验需要慎重考虑对两类错误进行控制的问题。 两类错误的控制准则 假设检验中人们普遍执行同一准则：首先控制弃真错误（α错误）。假设检验的基本法则以α为显著性水平就体现了这一原则。 两个理由: 统计推断中大家都遵循统一的准则，讨论问题会比较方便。 更重要的是: 原假设常常是明确的，而备择假设往往是模糊的。如H0：?X＝?X0很清楚， 而H1：?X≠?X0则不太清楚，是?X＜?X0还是?X＞?X0 ？大多少小多少都不清楚。对含义清晰的数量标准进行检验更容易被接受。 因此，第一类错误成为控制两类错误的重点。 第四节 单侧检验与双侧检验 根据假设的形式不同，假设检验可以分为双侧假设检验(two-tailed test) 和单侧假设检验(one-tailed test)。 若原假设是总体参数等于某一数值，如H0： ?X ＝ ?X0 ，即备择假设H1： ?X ≠ ?X 0，那么只要?X＜ ?X 0和?X＞ ?X 0 二者中有一个成立，就可以否定原假设。这种假设检验称为双侧检验。 三、假设检验的基本思想 　假设样本是从原总体中抽取的，在此假设下构造一个小概率事件。若假设成立，则小概率事件一般是不会发生的。但在一次抽样中，如果小概率事件居然就发生了，则有理由怀疑假设的正确性，此时拒绝接受这个假设；而一次抽样中小概率事件没有发生，则没有理由怀疑假设的正确性，于是接受这个假设，认为样本仍来源于原总体。 假设检验的基本思想 ... 因此我们拒绝假设 ?1=?0= 50