绪论四统计推断：估计与假设检验.pptxVIP

统计推断：估计与假设检验;统计推断的含义:;§1、估计和假设检验：统计推断的两个孪生分支;其次，判断估计值的“优度”，主要因为估计值很可能不等于真实的参数值。

如果有两个或更多个随机样本，计算这些样本的均值，则得到的估计值很可能不相同。我们把不同样本估计值的差异称为抽样误差，从而引入一些判定估计量优劣的常用标准。

再次，进行假设检验。假设检验是统计推断的另一个重要方面。在假设检验中，可以对某参数的假定值进行先验判断或预期。如以往的经验或专家意见支出1758值股票总体的平均P/E值为12，若随机样本计算出的值为11，则根据假设检验的内容接受假设或者拒绝假设。; ;若?x2未知，可用其估计量S2来替代，则有：;由计算式P(-2.0096≦t≦2.0096)=0.95可得出：;归纳区间估计概念

假定随机变量X服从某一概率分布，若要对其参数（如?x）进行估计。选取容量为n的随机样本，X1，X2，…，Xn，并根据样本计算两个估计量L和U：

P(L≦?x≦U)=1-?0?1

即从L到U的随机区间包括真实?x的概率为(1-?)。L称为区间下限，U称为区间上限。该区间称为?x的置信区间。(1-?)称为置信系数，?称为显著水平，或犯类错误的概率。;3.1线性;例1：若Xi~N(?x，?2)，假定从该正态总体中随机抽取容量为n的样本。则样本均值是真实?x的无偏估计量。（参考样本均值的抽样分布或概率分布）。

例2：若Xi~N(?x，?2)，假定从该正态总体中随机抽取容量为n的样本。Xmed表示样本中位数，可以证明E(Xmed)=?x，即样本中位数也是真实均值的无偏估计量。;即对大样本而言，样本均值和样本中位数均服从均值为?x的正态分布，但样本中位数的方差是样本均值的方差的(?/2)倍。

根据有效性的性质，用样本均值估计?x比用样本中位数Xmed更准确，即样本均值提供了一个比样本中位数更为准确的总体均值的估计值。;3.5一致性;;§4、假设检验;用假设的语言，将?x=13称为零假设，用符号H0表示。即，H0:?x=13

与零假设相对应的是备择假设，用符号H1表示，备择假设有以下几种形式：

H1：?x＞13称为单边备择假设；

H1：?x＜13称为单边备择假设；

H1：?x≠13称为双边备择假设。

为了检验零假设（和备择假设）,根据样本数据及统计理论建立判定规则来判断样本信息是否支持零假设。若支持，不拒绝零假设，反之拒绝零假设，接受备择假设。

建立判定规则有两种方法：置信区间法、显著性检验法。;接受区域：上述不等式所描述的置信区间称为接受区域。

零假设的临界区域（或拒绝区域）：接受区域以外的称为零假设的临界区域或拒绝区域。

临界值：接受区域的上界和下界称为临界值。它们是接受或拒绝零假设的分界线。

归纳：如果参数值在零假设下位于接受区域内，则不拒绝零假设，若落在接受区域以外（即落在拒绝区域内），则拒绝零假设。;类错误：

亦称弃真错误。在上述P/E例子中，我们以95%的置信度拒绝了零假设：?x=13，那么是否就意味着上表中所给出的样本就不是来自均值为13的正态总体呢？或许事实的确如此。但是由于不等式给出的置信区间的置信度是95%，而非100%，故?x有2.5%的可能性取值为13。如果真是这样，则拒绝H0：?x=13，就可能犯错误，这种情况下，我们说犯了类错误（也称弃真错误）。;第二类错误：亦称取伪错误。在上述例子中，假定零假设H0:?x=12，在这种情况下，根据上述置信区间，我们应该不拒绝零假设。但是上表中的数据很可能不是来自均值为12的正态总体，此时我们会犯第二类错误，也即取伪错误。

在研究中，我们想尽可能减小这两种错误。但是，对于任一给定的样本，我们不可能同时做到犯这两种错误的概率都很小。其解决方法为：先固定犯类错误的概率在一很低水平上，再考虑如何减小犯第二类错误的概率。;置信系数(1-?)就是1减去“犯类错误的概率?”，因此，95%的置信系数表示接受零假设犯类错误的概率至多为5%。以下用实例来进一步阐明假设检验的置信区间法。;查t分布表得：当自由度为19时，

P(-2.861≦t≦2.861)=0.99

整理得出：;5.22;在零假设下设定?x为一给定值，从而求出t值。由于该式中的t值服从自由度为(n-1)的t分布，根据t分布很容易求出获此t值的概率。如果与?x的差别不大（绝对值形式），则根据上式，t值为0，在这种情况下，我们接受零假设。随着t的绝对值的增大，逐渐趋于拒绝零假设。在能拒绝零假设之前，最大的t的绝对值是多少呢？它直接取决于置信水平?（犯类错误的概率）和自由度。

显著性检验方法的关键之