推断性统计部分（三）---假设检验

推断性统计部分（三）—假设检验

标签（空格分隔）： 概率论与数理统计

---

假设检验

假设检验与置信区间其实是一样意思，区别就是再多做两步工作（假设及判断），仅此而已。
我们先回顾置信区间是计算的

1、判断是否正态总体
2、找到枢轴量（简单的说，就是一个关于随机变量X及参数的函数，它有自己单独的，与变量及参数都无关的分布，这样就可以用过这个分布来确定函数内的参数的置信区间）
3、利用枢轴量的分布求出置信水平的置信区间，根据枢轴量函数计算出的置信区间

然后看一下假设检验的计算方式（置信区间法）

1、判断是否正态总体及建立假设
2、找到枢轴量(在假设检验中叫检验统计量)
3、利用枢轴量的分布求出置信水平的置信区间，根据枢轴量函数计算出的置信区间，若原假设的值落在置信区间之内，则不能拒绝原假设（注意，是不能拒绝原假设，不是接受原假设，这个是不一样的，不能拒绝的意思是不能判断，而接受则为可以判断，比如原假设是有只有1块钱在身上，不能拒绝原假设的意思是，我不知道你有没有1块钱在身上，你有可能没钱，有可能只有1块钱，也有可能有很多钱，而接收原假设的意思是，你只有1块钱，这个要非常注意，不能乱作判断！）

另外介绍另外两种常用的假设检验方法：
1、临界值法
与置信区间法的区别就是，置信区间法是$\mu_0$与样本均值$\bar X$的置信区间（$\bar X\pm Z_\alpha\frac{\sigma}{\sqrt{n}}$）（假设为Z检验统计量）,而临界值法则是把假设代入检验统计量中计算，即（$\bar X-\mu_0\over\sigma/\sqrt{n}$），并把结果与$Z_\alpha$对比，若结果落在$Z_\alpha$以外（意为落在显著水平下认为不可能的范围），则拒绝原假设，接受备择假设，若不是，则不能拒绝原假设

2、P值法
与临界值法的区别就是，把假设代入检验统计量中计算，并计算在这个结果下，P值的大小，由P值与显著水平$\alpha$进行比较，若P值小于显著水平，则为显著拒绝原假设。另外，P值也代表着拒绝原假设的最小显著水平。

同样，假设检验由检验统计量可以分为Z检验、t检验、$\chi^2$检验、F检验，单正态总体，双正态总体检验如下图：

前提条件检验

由假设检验，我们倒过来看它所需要的条件，独立、正态，这两个是大部分检验所需要的前提条件，所以讨论一下这两项性质的检验：

• 独立性检验：所使用的检验方法叫游程检验，方法如下：
  检验样本的随机性:将取自某一总体的样本的观察值按从小到大顺序排列，找出中位数（或平均数），分为大于中位数的小于中位数的两个部分。用上下交错形成的游程个数来检验样本是否是随机的。
  检验规则（小样本n<20） 应用游程检验临界表，(α=0.05，r为临界值)
  单侧检验：观察到的游程个数$r_0$≤临界值（上行值）或$r_0$≥临界值（下行值），否定H0；反之，接受H0。
  双侧检验： 观察到的游程个数$r_0,r(上行值)<r_0<r(下行值)$，接受Ho，反之，拒绝H0。
  游程检验表如下：
  

• 正态检验：很复杂，偏度、峰度检验法(基于对称性及平坦性的检验)；MiniTab中的Anderson-Darling(基于 ECDF（经验累积分布函数）的检验)；Ryan-Joiner(类似于 Shapiro-Wilk 检验，基于相关的检验)；Kolmogorov-Smirnov基于 ECDF 的检验)。后续有空了再单独开文详数正态检验方法。

假设检验的两类错误

基于显著水平$\alpha$的检验，那么，这个$\alpha$又代表什么东西呢，它代表的是犯第一类的概率，即弃真概率，即当参数为真时，他落在拒绝域中了，被认为是假的从而舍弃掉了。相对应的还有第二类概率，叫受假概率。我们做假设检验，通过只是考虑了犯第一类错误概率，而不考虑犯第二类错误的概率。当真值落在拒绝域以外，即属于备择假设时，检验法正确判断（即拒绝接受此数值）的概率我们称之为检验功效，犯第一类错误的概率与犯第二类错误的概率是相对的，在同一样本容量下，是此消彼长的关系，所以，为了减少犯第二类错误的概率，需要通过调样本容量去减少。
对Z检验右单侧检验问题，从下面的一张图上看，其实它可以简单的判断为一个双总体均值差的假设检验，其它检验法较复杂，未学会，只给出公式。

图中，$\delta$代表着$\mu_1$到$\mu_0$的距离，即我确定一个最小值$\mu_1$，它及其右侧区域一定属于拒绝域之内，若实际均值落在 μ1