R语言学习笔记5_参数的假设检验

五、参数的假设检验

假设总体分布已知先对总体的某个未知参数作某种假设，然后由抽取的样本提供信息，构造合适的统计量，对所提供的假设进行检验，以做出统计判断是接受假设还是拒绝假设。

5.1 假设检验与检验的P值

5.1.1 假设检验的概念与步骤

假设检验的基本思想

• 概率性质的反证法：小概率事件在一次试验中是几乎不可能发生的。
• 要检验某假设H₀，先假设H₀正确，在此假设下构造某一事件A，其在H₀为正确的条件下发生的概率很小；现在进行一次试验，如果事件A发生了（小概率事件发生了），表明有充分理由拒绝“假定H₀正确”；反之，如果事件A没有发生，则没有充分理由拒绝H₀，接受H₀。
• 接受/拒绝H₀≠H₀正确/错误，只是根据样本所提供的信息以一定的可靠程度认为H₀正确或错误。
• 通常把没有把握、不能轻易肯定的命题作为备择假设H₁，把没有充分理由就不能轻易否定的命题作为原假设H₀（只有理由充分时才拒绝它，否则应予以保留）。

两类错误

1）第一类错误：弃真
                 P(拒绝H₀ | H₀为真)=α
2）第二类错误：取伪
                 P(接受H₀ | H₀为假)=β
两类错误 此消彼长 唯一让他们都减小的方法是增大样本容量。
通常只对第一类错误的最大概率α加以限制，而不考虑β，这种统计假设检验问题称为——显著性检验，α为假设检验的显著水平。

检验步骤

1）提出原假设H₀与备择假设H₁；
2）选择检验统计量W并确定其分布；
3）在给定的显著性水平下，确定H₀关于统计量W的拒绝域；
4）算出样本点对应的检验统计量的值；
5）判断：若统计量的值落在拒绝域内则拒绝H₀，否则接受H₀。

5.1.2 检验的P值

检验的P值——在一个假设检验问题中，拒绝原假设H₀的最小显著性水平。
P值表示对原假设的怀疑程度/首次拒绝原假设的概率，P值越小，表示原假设越可疑，越应该拒绝原假设。
α≥P，在显著性水平α下拒绝H₀； α＜P，在显著性水平α下保留H₀

5.2 单正态总体参数的检验

5.2.1 均值μ的假设检验

1）方差σ²已知时μ的检验：Z检验

假设检验问题	拒绝域
H0：μ=μ0，H1：μ≠μ0	{ |Z| > z1-α/2 }
H0：μ≤μ0，H1：μ>μ0	{ Z > z1-α }
H0：μ≥μ0，H1：μ<μ0	{ Z < - z1-α }

例：微波炉在炉门关闭状态下的辐射量是一项重要的质量指标。设该指标服从正态分布N（μ，0.1²），均值要求不超过0.12。为检查近期产品的质量，从某厂生产的微波炉中抽查了25台，得其炉门关闭时辐射量的均值为0.13，问该厂生产的微波炉炉门关闭时辐射量是否偏高？（α=0.05）

假设H₀：μ≤0.12，H₁：μ>0.12

> z.test(0.13,25,0.1,0.05,u0=0.12,alternative = "greater")
$mean
[1] 0.13

$z
[1] 0.5

$p.value
[1] 0.6915

$conf.int
[1] 0.0908 0.1692

由于P=0.6915>α=0.05，接受原假设，认为炉门关闭时辐射量没有偏高。

2）方差σ²未知时μ的检验：t检验

假设检验问题	拒绝域
H0：μ=μ0，H1：μ≠μ0	{ |T| > t1-α/2(n-1) }
H0：μ≤μ0，H1：μ>μ0	{ T > t1-α(n-1) }
H0：μ≥μ0，H1：μ<μ0	{ T < - t1-α(n-1) }

例：某车间用一台包装机包装精盐，额定标准每袋净质量500g，设包装机包装出的盐每袋盐净质量X~N(μ，σ²)，某天随机的抽取9袋，称得净质量(g)为490，506，508，502，498，511，510，515，512。问该包装机工作是否正常？（α=0.05）

假设H₀：μ=500，H₁：μ≠500

> x<- c(490,506,508,502,498,511,510,515,512)
> t.test(x,mu=500)

	One Sample t-test

data:  x
t = 2.2, df = 8, p-value = 0.06
alternative hypothesis: true mean is not equal to 500
95 percent confidence interval:
 499.7 511.8
sample estimates:
mean of x 
    505.8 

由于p-value = 0.06>α，接受原假设，认为该包装机正常。

5.2.2 方差σ²的检验：卡方检验

假设检验问题	拒绝域
H0：σ2=σ02，H1：σ2≠σ02	{ χ2 ≥ χ21-α/2(n-1) 或 χ2 ≤ χ2α/2(n-1)}
H0：σ2≤σ02，H1：σ2>σ02	{ χ2 ≥ χ21-α(n-1) }
H0：σ2≥σ02，H1：σ2<σ02	{ χ2 ≤ χ2α(n-1) }

例：检查一批保险丝，抽出10根测量其通过强电流融化所需的时间(s)为：42,65,75,78,59,71,57,68,54,55。假设融化所需时间服从正态分布，问能否认为融化时间方差不超过80？（α=0.05）

假设H₀：σ²≤80，H₁：σ²>80

> x<-c(42,65,75,78,59,71,57,68,54,55)
> chisq.var.test(x,80,0.05,alternative = "greater")
$var
[1] 121.8

$chi2
[1] 13.71

$p.value
[1] 0.8668

$conf.int
[1]  57.64 406.02

由于p=0.8668>α，故接受原假设，认为融化的时间方差不超过80.

5.3 两正态总体参数的检验

5.3.1 均值的比较：t 检验

前提：σ₁²=σ₂²

假设检验问题	拒绝域
H0：μ1=μ2，H1：μ1≠μ2	{ |T| > t1-α/2(n1+n2-2) }
H0：μ1≤μ2，H1：μ1>μ2	{ T > t1-α(n1+n2-2)}
H0：μ1≥μ2，H1：μ1<μ2	{ T < - t1-α(n1+n2-2)}

例：甲、乙两台机床分别加工某种轴承，轴承的直径分别服从正态分布N(μ₁,σ²₁)、N(μ₂,σ²₂)，从各自加工的轴承中分别抽取若干个轴承测其直径，结果如下表所示。设σ²₁=σ²₂，问两台机床的加工精度有无显著差异？（α=0.05）

总体	样本容量	直径
X（甲）	8	20.5 19.8 19.7 20.4 20.1 20 19 19.9
Y（乙）	7	20.7 19.8 19.5 20.8 20.4 19.6 20.2

假设H₀：μ₁=μ₂，H₁：μ₁≠μ₂

> x<-c(20.5, 19.8 ,19.7 ,20.4, 20.1, 20 ,19 ,19.9)
> y<-c(20.7, 19.8, 19.5, 20.8, 20.4, 19.6, 20.2)
> t.test(x,y,var.equal = T)

	Two Sample t-test

data:  x and y
t = -0.85, df = 13, p-value = 0.4
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -0.7684  0.3327
sample estimates:
mean of x mean of y 
    19.93     20.14 

由于p = 0.4>α=0.05，故接受原假设，认为两台机床的加工精度没有显著差异。

5.3.2 方差的比较：F检验

假设检验问题	拒绝域
H0：σ12=σ22，H1：σ12≠σ22	{ F ≥ F1-α/2(n1-1,n2-1) 或 F ≤Fα/2(n1-1,n2-1) }
H0：σ12≤σ22，H1：σ12>σ22	{ F ≥ F1-α(n1-1,n2-1) }
H0：σ12≥σ22，H1：σ12<σ22	{F ≤ Fα(n1-1,n2-1) }

例：数据同上例，问两台机床加工的轴承直径的方差是否相同？

假设H₀：σ₁²=σ₂²，H₁：σ₁²≠σ₂²

> var.test(x,y)

	F test to compare two variances

data:  x and y
F = 0.79, num df = 7, denom df = 6, p-value = 0.8
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
 0.1393 4.0600
sample estimates:
ratio of variances 
            0.7932 

由于p = 0.8>α=0.05，故接受原假设，认为两台机床加工的轴承直径的方差相同。

5.4 成对数据的 t 检验

成对数据：两样本的样本容量相等，除均值外没有差异。

某班级同一单元内容的第二次考试成绩是否比第一次高？

Zi=Xi-Yi , i=1,2,…,n	μ=μ1-μ2	σ2=σ12+σ22	Z~N( μ,σ2)

假设检验问题	拒绝域
H0：μ=μ0，H1：μ≠μ0	{ |T| > t1-α/2(n-1) }
H0：μ≤μ0，H1：μ>μ0	{ T > t α/2(n-1) }
H0：μ≥μ0，H1：μ<μ0	{ T < - t α/2(n-1) }

例：在针织品漂白工艺过程中，要考虑温度对针织品的断裂强度的影响。为了比较70度与80度的影响有无差别，在这两个温度下分别重复做了8次试验，数据如下表所示（单位：N）。根据经验，温度对针织品断裂强度的波动没有影响。问在70度时的平均断裂强度与80度时的平均断裂强度是否有显著差别？（α=0.05）

70度时的强度	20.5	18.8	19.8	20.9	21.5	19.5	21.0	21.2
80度时的强度	17.7	20.3	20.0	18.8	19	20.1	20.0	19.1

假设H₀：μ=μ₀，H₁：μ≠μ₀，μ=μ₁-μ₂
1）方法一：

> x<-c(20.5 ,18.8, 19.8, 20.9 ,21.5 ,19.5, 21.0 ,21.2)
> y<-c(17.7, 20.3, 20.0, 18.8, 19 ,20.1, 20.0 ,19.1)
> t.test(x,y,paired = TRUE)

	Paired t-test

data:  x and y
t = 1.8, df = 7, p-value = 0.1
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -0.3214  2.3714
sample estimates:
mean of the differences 
                  1.025 

2）方法二：

onesamp(dset, x="unsprayed", y="sprayed", xlab=NULL, ylab=NULL, dubious=NULL, conv=NULL, dig=2)

dset 为有两列的数据框或矩阵，x 为处于”predictor“地位的列名，y为处于”response“地位的列名

> z<-data.frame(x,y)
> > onesamp(z,x='y',y='x')

 x 0.9411 0.8876 1.61 

	One Sample t-test

data:  d
t = 1.8, df = 7, p-value = 0.1
alternative hypothesis: true mean is not equal to 0
95 percent confidence interval:
 -0.3214  2.3714
sample estimates:
mean of x 
    1.025 

5.5 单样本比率的检验

设样本服从binom(1,p)，T=样本和~binom(n,p)

5.5.1 比率p的精确检验

假设检验问题	拒绝域
H0：p=p0，H1：p≠p0	{ T ≤ c1或T ≥ c2 }，c1 < c2
H0：p≤p0，H1：p>p0	{ T ≥ c}
H0：p≥p0，H1：p<p0	{ T≤ c '}

可以通过二项分布/F分布来确定临界值c，用binom.test()完成原假设的检验

5.5.2 比率p的近似检验（n>30）

样本容量较大时，比例p的抽样分布近似服从正态分布。

假设检验问题	拒绝域
H0：p=p0，H1：p≠p0	{ |Z| > z1-α/2 }
H0：p≤p0，H1：p>p0	{ Z > z1-α }
H0：p≥p0，H1：p<p0	{ Z < - z1-α }

例：某产品的优质品率一直保持在40%，近期监督部门抽查了12件产品，其中优质产品为5件，问在α=0.05水平上能否认为其优质频率仍保持在40%？

假设H₀：p=p₀，H₁：p≠p₀，由于n=12<30，适合作精确检验。

> binom.test(c(5,7),p=0.4)

	Exact binomial test

data:  c(5, 7)
number of successes = 5, number of trials = 12, p-value = 1
alternative hypothesis: true probability of success is not equal to 0.4
95 percent confidence interval:
 0.1517 0.7233
sample estimates:
probability of success 
                0.4167           

同样可以用prop.test()进行近似检验，只不过会发出警告

> prop.test(5,12,p=0.4,correct = T)

	1-sample proportions test with continuity correction

data:  5 out of 12, null probability 0.4
X-squared = 0, df = 1, p-value = 1
alternative hypothesis: true p is not equal to 0.4
95 percent confidence interval:
 0.1818 0.6941
sample estimates:
     p 
0.4167 

Warning message:
In prop.test(5, 12, p = 0.4, correct = T) : Chi-squared近似算法有可能不准

5.6 两样本比率的检验

X,Y相互独立，总体容量较大	n1,n2较大	p1,p2近似服从正态分布

假设检验问题	拒绝域
H0：p1=p2，H1：p1≠p2	{ |Z| > z1-α/2 }
H0：p1≤p2，H1：p1>p2	{ Z > z1-α }
H0：p1≥p2，H1：p1<p2	{ Z < - z1-α }

例：某高校随机抽取了102个男学生与135个女学生调查家中有无计算机。调查结果为23个男学生和25个女学生家中有计算机。问在α=0.05水平上，能否认为男、女学生家中拥有计算机的比率一致？

假设H₀：p₁=p₂，H₁：p₁≠p₂

> prop.test(c(23,25),c(102,135))

	2-sample test for equality of proportions with continuity correction

data:  c(23, 25) out of c(102, 135)
X-squared = 0.36, df = 1, p-value = 0.5
alternative hypothesis: two.sided
95 percent confidence interval:
 -0.07256  0.15317
sample estimates:
prop 1 prop 2 
0.2255 0.1852 

由于p-value = 0.5>0.05，故接受原假设，认为男、女学生家中拥有计算机的比率一致。