统计学笔记（七）假设检验

1、假设检验的基本问题

• 「 假设检验」是先对总体参数提出一个假设，然后利用样本信息去检验这个假设是否成立；
• 「原假设$H_0$零假设」：$u$是我们要检验的参数，$u_0$表示我们感兴趣的值，原假设一般的表达式为：$H_0:u=u_0$；
• 如果原假设不成立，就要「拒绝原假设」，而需要在另一个假设中做出选择，这个假设称为「备择假设$H_1$」，一般的表达式为：$H_1:u\ne u_0$；
• 原假设与备择假设互斥，肯定原假设意味着放弃备择假设，反之亦然。

2、两类错误

• $\alpha$错误或弃真错误： 原假设$H_0$为真，却被我们拒绝了，犯这种错误的概率用$\alpha$表示；
• $\beta$错误或取伪错误：备择假设$H_1$为假，却没有被我们拒绝，犯这种错误的概率用$\beta$表示。

$$\begin{array}{ccc}项目& 没有拒绝H_0& 拒绝H_0\\ H_0为真& 1-\alpha & \alpha \\ H_0为假& \beta & 1-\beta \end{array}$$

• 如果减少$\alpha$错误就会增大$\beta$错误的概率，要想使两类错误的概率同时减少，就需要增大样本量;
• 一般来说，哪类错误的危害大，假设检验就将其作为控制的主要目标；
• 通常把$\alpha$称为「显著性水平(significant level)」。在假设检验中，它的含义是：当原假设正确时却被拒绝的概率或风险。

3、假设检验的基本流程

1. 提出原假设与备择假设；
2. 确定适当的「检验统计量」：在参数的假设检验中，如同在参数估计中一样，要借助样本统计量进行统计推断，这个统计量称为「检验统计量」；
3. 计算检验统计量的数值；
4. 统计决策：根据小概率原理（发生概率很小的随机事件在一次试验中几乎不可能发生），做出是否拒绝原假设的决定：
   （1）拒绝原假设：结论$H_1$为真出错的概率不超过$\alpha$；
   （2）接受原假设：在显著性水平$\alpha$下没有发现充足的证据反对$H_0$。

英国统计学家费希尔把小概率的标准定位0.05，并没有解释为什么。。。大家都沿用了下来。

4、利用P值进行决策

• 上面的程序是根据检验统计量落入的区域，作出是否拒绝原假设的决策。显著性水平α确定以后，拒绝域的区域也就确定了。这里的显著性水平也就是我们犯弃真错误的概率，对于落入拒绝域的所有样本，他们犯弃真错误的概率都笼统的表示为α，但实际上不同的样本是有差异的。为了精确的反应这种犯弃真错误的概率，我们可以利用「P值」；P值是$\alpha$的实际表现。

• 总结来说，P值的长处是它反映了观察到的实际数据与原假设之间不一致的概率，与传统的拒绝范围相比，P是一个具体的值，这样就提供了更多的信息，P值本身就代表了显著性水平。

• 「P值」的定义：当原假设为真时，样本观察结果或者更极端结果出现的概率;

• P值越小，样本观察结果出现的概率就越小，我们就越有理由拒绝原假设。

• p < $\alpha$时，我们拒绝原假设，否则我们接受原假设。

• 决定P值大小的三个因素：
  – （1）样本数据与原假设之间的差异；
  –（2）样本量；
  –（3）被假设参数的总体分布。

• P值的计算：（暂时未讲到，后面补充）

5、单侧检验

• 双侧检验有两个拒绝域，两个临界值，每个拒绝域的面积都为$\alpha /2$。如果原假设的命题为：$u=u_0$的形式，则属于双侧检验。在双侧检验中，只要$u<u_0$或$u>u_0$有一个成立，就可以拒绝原假设。
• 若我们关心的假设有方向性，有两种情况：一种是所考察的数值越大越好，例如灯泡的使用寿命，另一种是数值越小越好，例如废品率，在这种有方向性的假设中，我们可以使用「单侧检验」。
• 右单侧检验又称为「上限检验」，左单侧检验又称为「下限检验」。
• 左侧检验的假设：
  – $H_0:u\ge u_0$;
  – $H_1:u<u_0$。
• 右侧检验的假设：
  – $H_0:u\le u_0$;
  – $H_1:u>u_0$。

6、一个总体参数的检验

7、两个总体参数的检验

参考资料

1. 贾俊平. (2018). 统计学 (第7版). 中国人民大学出版社.
2. Scipy Significance Test