检测正态分布与假设试验.pptVIP

高级课程将涵盖所有回归和假设试验主题。如果您需要高级工具和技术，请咨询黑带大师或黑带。 X 是否是离散的？ （组） Y 是否 是连续的？ 仅比较 2组吗？ Y1’s 是否与 Y2’s 匹配 否，X 是连续的 回归主题 χ2检验 ANOVA t 试验 否，Y 是离散的（比例） 否，比较更多的组（平均值或方差） 是 是 是 是 成对 t 试验 否，比较两个独立的组平均值 将两组平均值与匹配的数据相比较 第一类误差：当组相同时却确定它们是不同的（差异是由于随机变化）。 第二类误差： 有差异时却没有检测到差异。 P 值 = 产生第一类误差的概率（组相同时却确定它们是不同的）。 选择您可以忍受的第一类误差的级别；按照惯例，通常设置它为 .05（= 5% 可能性）。 若给定一个假设的真实差异，就可计算出产生第二类误差的概率。 α=一类误差（TypeI Error），β=二类误差（TypeII Error）。例子：SARS①新药临床试验必须设立对照组，因为对照试验的目的为比较新药与对照药物二组治疗结果的差别有无统计学显著意义。由于临床治疗中所获得的疗效可能由药物引起，也可能由非药物的因素如休息、疾病或症状自愈等引起。当A药与B药治疗结果出现差别时，首先要确定这种差别是药物因素造成的还是非药物因素引起的，如A优于B不是由药物因素引起而是非药物因素偶尔造成，称为假阳性。统计学上用无效假设（Null Hypothesis）来处理假阳性误差，先假设A与B两药药效之间并无差别，所出现的差别可能是非药物引起的概率（Probability），当这种概率小到一定程度时，如＜ 5％或＜ 1％，则前者95％或后者99％的差别是药物之间的差别所引起，这就显示由机遇（概率）所造成的可能性很小，从而否定了前面假定的无效假设，证明A药疗效优于B药不是概率引起而是药物本身存在疗效差别所引起。临床上把这种可能存在的假阳性误差称为I类误差，用α值表示，当α＝0．05，说明A优于B的结论是在95％显著性水平上排斥无效假设的，也就是说A优于B由药物因素引起的可能性为95％，仍有5％假阳性的可能性；若α＝0.01，则A优于B的假阳性只有1％的可能性。100（1－α）％可信区间 . 　　临床试验中另一种误差为假阴性误差，用β值表示。有时，A药与B药二药之间实际上存在着药物本身的差别，但在临床试验中由于区别这种差别的方法不够灵敏或能力有限而区别不出来，就是假阴性误差，统计学上允许假阴性误差不能超过20％，即β值一般定为0．1，不能＞0．2。1－β为试验中区别两种差别的能力，即获得A优于B这一结果的把握度，如β=O．2，则1－β＝0．8，说明A优于B的把握度为80％。在临床试验设计中α值定得愈小，A药优于B药的显著意义愈大，假阳性愈小，但试验所需病例数也就愈多；β值定得愈小，1－β值就愈大，A药优于B药的把握度就愈大，但病例数也就需要愈多。通常临床试验中。值可定为0．05，β值定为0．2，已能满足统计学要求。可用风险系数p值0.5 +-来解释偏重于一类误差会增加产生另一类误差的风险。如：司法标准宽严----干部双规人数。司法标准宽（显著水平α低） ，无罪 入监狱人的少但有罪 释放的人多；司法标准严（显著水平α高） ，无罪 入监狱的人多但有罪 释放的人少。 显著水平(α=0.05或α=0.01) 高级课程将涵盖所有回归和假设试验主题。如果您需要高级工具和技术，请咨询黑带大师或黑带。 X 是否是离散的？ （组） Y 是否 是连续的？ 仅比较 2组吗？ Y1’s 是否与 Y2’s 匹配 否，X 是连续的 回归主题 χ2检验 ANOVA t 试验 否，Y 是离散的（比例） 否，比较更多的组（平均值或方差） 是 是 是 是 成对 t 试验 否，比较两个独立的组平均值 将两组平均值与匹配的数据相比较 For reference only. 每种情况使用了不同的统计方法。在本单元中，我们主要比较比例和平均值，并简要说明一种比较变化的方法。 注意：适当性包括了解那些证明统计计算是正确的假设。 -5 -4 -3 -2 -1 0 1 2 3 4 5 0.0 0.1 0.2 0.3 0.4 Z 或 t 值 pdf 大于 30 df 的 Z （标准正态）或t 分布 具有 5 df 的 t 分布 注意：t 分布基本上与 df 30 的一个 Z 相同 购买新材料的分歧是什么—因为平均每天几乎可多生产 1000 件—尽管差异在统计上不是非常显著的？ 如果观测差异是由于随机变化— 最多是花了钱和其它资源但没有改进 最坏情况是可能使性能略微降低。 （对企业重要的结果和统计上重要的结果是有区别的。下一节将详细说明。） 警告： 设