第七章 假设检验

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/flying_all/article/details/72967822

假设检验的目的是通过收集到的数据,来验证某个想要得到的结论。
假设检验的思想是:小概率反证法思想。
显著性检验是本章的主要内容。下面从实际例子来通俗的理解一下显著性检验。
显著性检验中有几个概念不太好理解。

嫌犯X是否有罪

 有这样一个事件:2016年5月5日下午3-4点之间张三家里的电视机被偷了。邻居王五看到嫌犯X,在2016年5月5日下午3点15从张三家里拿着一台电视机鬼鬼祟祟地走出来。警察到嫌犯X家里,发现了张三家的电视。
 依据上面的描述判断嫌犯X是否真的偷了张三家的电视。这就是:通过收集到的数据,来验证某个想要得到的结论。
 事件A:王五看到嫌犯X从张三家里拿着一台电视机(人证)。
 事件B:嫌犯X家里有张三家的电视(物证)。
 事件C:张三报警说家里丢了一台电视机。

1设立假设

 做原假设H0:嫌犯X无罪。这是基于“疑罪从无”的原则出发的。先假设一个人没有罪,再用证据证明有罪,才可以确定有罪。这就是说为什么H0假设是一个强假设,是被保护的假设。
 备择假设H1:嫌犯X有罪。

真实情况 根据证据 证明
- 无罪 有罪
无罪 正确 犯第I类错误
有罪 犯第II类错误 正确

2判断依据

 真实情况只有嫌犯X知道,但是又没有依据可以判定X说的是否正确。所以只能做假设检验。 
 在X无罪的前提下,事件A和B同时发生的概率:P{(AB)|X}α=0.00001 ,就证明嫌犯X有罪。证据是已经存在的事实。一个概率万分之一的事情是一个小概率事件。在一次试验中小概率事件发生的可能性几乎不存在,可以推测一定是前提错了。也就是说H0:嫌犯X无罪 是错误的。证明H1:嫌犯X有罪 成立。
 那么这个结果要求在多大概率上保证了嫌犯X有罪呢?是在(1-α)概率上保证了嫌犯X有罪。
 大家可以看到,这里只考虑了可以证明嫌犯X有罪的证据,并没有考虑嫌犯X无罪的证据。因为前提就是嫌犯X无罪。

3根据资料,计算概率

 如果X无罪,也就是说如果X没有偷东西,并且张三报警自己丢了电视机,那X从张三家里拿电视机这件事情发生的概率应该为0。这是依据常识(社会规范)来的。P(A|X)=0
 如果X没有偷东西,那张三家的电视在他家里这件事情(事件B)的概率大于0,暂时随意给定一个值例如0.5,可能是真正的小偷为了栽赃陷害X放在他家里。P(B|X)=0.5
 P{(AB)|X}=0
 

4根据样本得出结论

 P{(AB)|X}=0α成立。推出H0不成立,H1成立。嫌犯X有罪。在这个例子中以(1-0)的概率保证了这个结论是正确的。
 

假设检验的步骤

 下面用数理统计的语言描述一下假设检验。

1 建立两个完全对立的假设

 原假设H0,备择假设H1

选择原假设的一些原则

 1 错误拒绝假设A的后果更严重,则选择做原假设。
 假设A:新药有某种毒副作用。
 假设B:新药没有毒副作用。
 如果把“有毒副作用”错认为“无毒副作用”后果更严重。如果把“没有毒副作用”错认为“有毒副作用”后果较轻。则选择A做原假设。
 这里有一个原则是“疑罪从无”。如果认为有罪则一定要有证据证明有罪,否则就是无罪。如果法官判犯人无罪,只能说明没有证据证明这个人有罪。所以一定要用证据来证明后果比较严重的结论。原假设,就是用证据来证明的那个结论。
 2 原假设一般为维持现状的假设。
 例如:原假设:药物没有减肥效果。
 3 原假设取简单假设。
 原假设选择只有一种情况的假设。
 H0是一个被保护的假设,一定要慎重选择。
 

参数假设的形式

  1. 左边检验 H0:θ=θ0H1:θ<θ0
    左边检验的第二种形式是H0:θθ0H1:θ<θ0
  2. 右边检验 H0:θ=θ0H1:θ>θ0
    右边检验的第二种形式是H0:θθ0H1:θ>θ0
  3. 双边检验 H0:θ=θ0H1:θθ0

检验假设的方法

 1 临界值法
 2 P值法
 

2 给出检验统计量,确定拒绝域的形式

 检验统计量:如果统计量T=T(X1,X2,...Xn)的取值大小和原假设H0是否成立有密切联系,则被称为检验统计量。
 拒绝域:对应于拒绝原假设H0时,样本值的范围称为拒绝域。拒绝域是参考H1得到的。
 两类错误:如果原假设为真,根据样本拒绝了原假设,这时候的错误称为第I类错误–弃真。如果原假设为假,根据样本接受了原假设,这时候的错误称为第II类错误–取伪。
 α=P{I}=P{H0|H0}
 β=P{II}=P{H0|H0}
 例如:H0:μ=0H1:μ>0,注意到X¯¯¯μ的无偏估计X¯¯¯取值的大小反映了μ的取值情况。当原假设成立的时候,X¯¯¯的取值应该比较小。所以
 当X¯¯¯C的时候,拒绝原假设H0
 当X¯¯¯<C的时候,接受原假设H0
 
 图中蓝色曲线表示H0为真,X¯¯¯C拒绝原假设,也就是犯了第I类错误。
 图中红色的线表示H0为假,X¯¯¯<C接受了原假设,也就是犯了第II类错误。
 在样本量n一定的情况下,这两类错误的概率是互相制约的。Neyman-Pearson原则要求首先控制第I类错误的概率不能超过某个常数α(0,1),再寻找检验,使得第II类错误的概率尽可能得小。α称为显著性水平α的取值多为:0.001,0.005,0.1。
 只对第I类错误的概率加以控制,而不考虑第II类错误的概率的检验,称为显著性检验
 

3 根据显著性水平和统计量的分布确定临界值

临界值法

P值法

 无论哪种形式都要求知道统计量的分布。

4 根据样本得出结论

临界值法

P值法

 结合第三步算出来的数值,与拒绝域想比较看是否成立。

例子

 题目:某种减肥药广告宣称, 连续使用该种减肥药一个星期便可达到减肥的效果。为了测定其广告是否有效做了测试。记录服用减肥药前后的体重。测得服药前体重-服药后体重差值:1.5,0.6,-0.3,1.1,-0.8,0,2.2,-1.0,1.4。假定总体σ2=0.36。取显著水平α=0.05

假设

 原假设H0:该减肥药无效,μ=0;(减肥药如果没有效果,平均每个人的体重变化应该是0)
 备择假设H1:该减肥药有效,μ>0

提出检验统计量和拒绝域的形式

 需要判断的是总体均值μ,根据第六章参数估计得知样本均值X¯¯¯μ的无偏估计。所以选择X¯¯¯作为检验统计量。
 在第五章抽样分布中知道单个正态总体的抽样分布X¯¯¯~N(μ,σ2/n)或者X¯¯¯μσ/(n)~N(0,1)。
 H0μ=0,所以X¯¯¯也要尽可能等于0。可以设定一个值C,当X¯¯¯<C的时候,接受原假设。当X¯¯¯C,时拒绝原假设。根据H1得到拒绝域:W={(X1,X2,...Xn):X¯¯¯>C}

确定临界值

 当H0:μ=0成立的时候,X¯¯¯σ/(n)~N(0,1),也就是说X¯¯¯0.6/3~N(0,1)

临界值法

 P{X>C|μ=0}=P{X¯¯¯0.6/3>C0.6/3}=1Φ(C0.6/3)α=0.05
 Φ(C0.6/3)10.05=0.95
 查表知道Φ(1.645)=0.95,得到C0.6/31.645,得到C0.329。要使得第II类错误尽可能小,所以C=0.329
 根据样本值计算x¯=0.522

P值法

 根据样本值计算x¯=0.522
 计算一下在H0条件下,目前的样本发生的概率:P{X¯¯¯>x¯|μ=0}P{X¯¯¯0.6/3>0.5220.6/3}=1Φ(2.61)=10.9955=0.0045 (这里如果忘记了参考第二章随机变量中,普通正态分布与标注正态分布的换算)

4 根据样本得出结论

临界值法

 临界值C=0.329,x¯=0.522x¯>C符合拒绝域W={(X1,X2,...Xn):X¯¯¯>C}。所以拒绝H0,接受H1

P值法

 P{X¯¯¯>x¯|μ=0}=0.0045<α=0.05,所以拒绝H0,接受H1。在这个例子中,可以保证 0.9955的概率,接受H1是一件正确的事情。

心得

 我认为P值法是比较好理解的。我只要计算一下在H0条件下,已经发生的事情(样本)落在拒绝域的概率P。P比显著性水平要小的时候,结合小概率事件不会在一次试验中发生,就可以拒绝H0,接受H1。否则就接受H0
 临界值法是根据要求的显著性水平,算出统计量的一个临界值。
 记住拒绝域是由H1决定的。
 

阅读更多
换一批

没有更多推荐了,返回首页