文章目录
概念1:假设检验
- 典型场景:验证某种新措施对问题是否有改善效果。
- 主要要素
- 原假设 H 0 H_0 H0,又称为零假设。
- 备择假设 H 1 H_1 H1或 H a H_a Ha。
注意
:原假设和备择假设的构造是有学问的,要始终牢记——假设检验倾向于保守的原则,即原假设是保守的假设。
例子
:一种新药即将上市,药监部门要检验其是否具有功效。那么在这一情境中比较保守的假设就是——这种新药功效没有达标,不能上市(应当作为原假设
),而激进的假设就是这种新药功效达标,可以上市(应当作为备择假设
)。
- 作用原理
(1)构造原假设和备择假设
(2)构建统计量
举例: Z = ∣ X ‾ − μ ∣ σ / n Z=\frac{|\overline{X}-\mu|}{\sigma/\sqrt{n}} Z=σ/n∣X−μ∣
(3)判断是否拒绝原假设:p值法和临界值法
- p值法
通过Z分数(也可能是其他统计量,如t分布,F分布等)找到处于拒绝域的概率(即p值),如果p值小于显著水平,说明很显著,有理由拒绝原假设接受备择假设,否则没有理由拒绝原假设(注意
:但是也并非一定是接受原假设)。 - 临界值法
根据显著水平确定拒绝域的区间端点,然后与Z分数(或其它统计量)比较。若Z分数处于该区间外面,则说明比较显著,有理由拒绝原假设接受备择假设;否则没有理由拒绝原假设(注意
:但是也不一定是接受原假设)。
上述两种方法殊途同归,关键是思维的正向与逆向区别。
概念2:单侧检验和双侧检验
- 单侧检验
例如: H 0 : μ ≤ 1.2 H 1 : μ > 1.2 H_0:\mu\le1.2\ \ \ \ \ \ H_1:\mu\gt1.2 H0:μ≤1.2 H1:μ>1.2
注意
:单侧检验又分为下侧检验(备择假设为 < \lt <)与上侧检验(备择假设为 > \gt >),二者的区别在于当计算出的统计量为负数的情况下,查表需要进行相应的变换,比如:对于如果Z分数为-2,则查表时对应的p值应该是: p = 1 − ϕ ( 2 ) = 0.0228 p=1-\phi(2)=0.0228 p=1−ϕ(2)=0.0228
因为p<0.05,所以结果显著,处于拒绝域,应当接受备择假设。
- 双侧检验
例如: H 0 : μ ≠ 1.2 H 1 : μ = 1.2 H_0:\mu\ne1.2\ \ \ \ \ \ H_1:\mu=1.2 H0:μ̸=1.2 H1:μ=1.2
注意
:此时,采用p值法求p值时需要将根据Z分数查表求得的概率乘以2再与显著性水平比较,采用临界值法计算区间端点时需要将显著性水平除以2再查表。比如采用临界值法时,假设显著性水平为0.05,则: Z α 2 = 1.96 Z_{\frac{\alpha}{2}}=1.96 Z2α=1.96表示区间端点在距离样本均值1.96倍标准差的地方,如果构造的统计量Z值>1.96,则表示处于拒绝域中。
概念3:Z-统计量和t-统计量
此前我们举例时基本都是假设总体方差已知且样本数量足够大(通常是n>30),服从正态分布,实际上在小样本以及总体方差未知时样本均值的抽样分布都是服从t-分布。
- Z-统计量
Z = X ‾ − μ σ / n Z=\frac{\overline{X}-\mu}{\sigma/\sqrt{n}} Z=σ/n