假设检验

假设检验

原假设： 研究者想收集证据予以反对的假设，用$H_0$表示;
备择假设：研究者想收集证据予以支持的假设，用$H_1$表示.
假设分为双侧检验，单侧检验（左侧检验和右侧检验）
检验规则
W = { x : x ∈ Ω , x 使 H 0 否 定 } W=\{x: x\in\Omega, x使H_0否定\} W={x:x∈Ω,x使H0​否定} $W$为拒绝域

		                      **零假设是真**                      **零假设不是真**
拒绝原假设            		第I类错误（弃真错误）						正确决定
不能拒绝原假设                  正确决定                         第II类错误（存伪错误）

第一类错误的概率记为$\alpha$,被称为显著性水平.

检验统计量
标准化的检验统计量 = $\frac{点估计量-假设值}{点估计量的抽样标准差}$

临界值法决策：

1. 计算标准化检验统计量 $Z=\frac{\bar{x}-\mu }{\sigma /\sqrt{n}}\sim N(0,1)$;
2. 计算的统计量和临界值比:
   双侧检验，|统计量|>临界值$Z_{\alpha /2}$，拒绝$H_0$;
   左侧检验，统计量<-临界值 $-Z_{\alpha }$，拒绝$H_0$;
   右侧检验，统计量>临界值 $Z_{\alpha }$，拒绝$H_0$;

P值决策（P-VALUE）
p值告诉我们：如果原假设是正确的话，我们得到目前这个样本数据的可能性有多大，如果这个可能性很小，就应该拒绝原假设.
决策规则：若p值<$\alpha$,拒绝$H_0$.

P值决策与统计量的比较：

1. 用p值进行检验比根据统计量检验提供更多的信息；
2. 统计量检验是我们事先给出的一个显著性水平，以此为标准进行决策，无法知道实际的显著性水平究竟是多少. (拒绝$H_0$的两个统计量可能有不同的显著性)

正态总体均值的假设检验

1. 正态总体，$\mu$未知，方差已知 ${\sigma }^2$ —U检验
   $H_0:\mu ={\mu }_0$
   $H_1:\mu \ne {\mu }_0$
   统计量 $U=\frac{\bar{x}-{\mu }_0}{\sigma /\sqrt{n}}\sim N(0,1)$
2. 正态总体，$\mu$未知，方差未知 ${\sigma }^2$—T检验
   $H_0:\mu ={\mu }_0$
   $H_1:\mu \ne {\mu }_0$
   统计量 $T=\frac{\bar{x}-{\mu }_0}{S_n^{\ast }/\sqrt{n}}\sim t(n-1)$ 拒绝域 W = { ∣ T ∣ ≥ t α / 2 ( n − 1 ) } W = \{|T| \ge t_{\alpha/2}(n-1)\} W={∣T∣≥tα/2​(n−1)}
3. 方差未知且相等，两正态总体均值
   $H_0:{\mu }_1={\mu }_2$
   $H_1:{\mu }_1\ne {\mu }_2$

步骤：

1. 观察数据，提出原假设和备择假设；
2. 计算统计量；
3. 计算拒绝域；
4. 做出决策并解释结果.

正态总体方差的假设检验

1. 单总体方差检验—${\chi }^2检验$
   假设
   $H_0:{\sigma }^2={\sigma }_0^2$
   $H_1:{\sigma }^2\ne {\sigma }_0^2$
   统计量
   ${\chi }^2=n\frac{S_n^2}{{\sigma }_0^2}=\frac{\sum _{i=1}^n(X_i-\bar{X}{)}^2}{{\sigma }_0^2}\sim {\chi }^2(n-1)$
   拒绝域
   W = { χ 2 ≤ χ 1 − α / 2 ( n − 1 ) } ∪ { χ 2 ≥ χ α / 2 ( n − 1 ) } W = \{\chi^2\le\chi_{1-\alpha/2}(n-1)\}\cup\{\chi^2\ge\chi_{\alpha/2}(n-1)\} W={χ2≤χ1−α/2​(n−1)}∪{χ2≥χα/2​(n−1)}
   决策
   比较${\chi }^2,{\chi }^2\le {\chi }_{1-\alpha /2}(n-1)和{\chi }^2\ge {\chi }_{\alpha /2}(n-1)$
2. 两总体方差检验—F检验

单边检验
左侧检验，拒绝域在左
$H_0:\mu \ge {\mu }_0$
$H_1:\mu <{\mu }_0$
右侧检验，拒绝域在右
$H_0:\mu \le {\mu }_0$
$H_1:\mu >{\mu }_0$

非参数假设检验

1. 卡方拟合优度检验
   需要检验一个分布，不是一个均值或者方差.
   一个数据的总体是否服从分布 $P(X=i)=p_{i0}$
   $H_0:p_i=p_{i0}$ $H_1:p_i\ne p_{i0}$
   卡方检验法：
   ${\chi }^2$=$\sum _{i=1}^m\frac{(N_i-n{p}_{i0}{)}^2}{n{p}_{i0}}$ —皮尔逊统计量

2. KS-检验
   $H_0:$数据来自正态分布 $H_1:$ 数据不来自正态分布
   判断数据服从正态分布方法： 画图法 histogram Q-Q ；统计量 KS值 p>0.05

3. 卡方独立性检验—检验两个离散变量的相关关系