继上一篇博客,本次我们从两类错误谈起
对于原假设提出的命题,我们需要做出判断,这种判断可以用“原假设正确”或“原假设错误”来表述。当然这是依据样本提供的信息进行判断的,也就是说由部分来推断总体。因而判断有可能正确,也有可能不正确,也就说我们面临着犯错误的可能。所犯的错误有两种类型,一类错误是原假设H0为真却被我们拒绝了,犯这种错误的概率用α表示,所以也称α错误,或弃真错误;另一类错误是原假设为伪我们却没有拒绝,犯这种错误的概率用β表示,所以也称β错误,或取伪错误。
假设检验的一般流程如下:
首先提出原假设和备择假设。
接下来,需要确定适当的检验统计量,并计算其数值。
利用p值进行决策
前面进行检验的程序是根据检验统计量落入的区域做出是否拒绝原假设的决策。在确定α以后,拒绝域的位置也就相应确定了,其好处是进行决策的界限清晰,但弱点是进行决策面临的风险是笼统的。p值是经过计算得到的,p值的大小取决于三个因素,一个是样本数据与原假设之间的差异,另一个是样本量,再一个是被假设参数的总体分布。
p值的长处是它反映了观察到的实际数据与原假设之间不一致的概率值,与传统的拒绝域范围相比,p是一个具体的值,这样就提供了更多的信息。我们也可以使用p值,按照我们所需要的显著水平进行判断和决策。
一个参数的检验:
根据假设检验的不同内容和进行检验的不同条件,需要采用不同的检验统计量,在一个总体参数的检验中,用到的检验统计量主要有三个:z统计量,t统计量,统计量。z统计量和t统计量常常用于均值和比例的检验,
统计量则用于方差的检验。选择什么样的统计量进行检验需要考虑一些因素,这些因素主要由样本量n的大小,总体标准差
是否已知。
两个参数的检验:
两个总体参数检验的主要内容有:两个总体均值之差的检验,两个总体比例之差的检验,两个总体方差之比的检验。与一个参数的检验讨论的问题类似,两个总体参数的检验也涉及检验统计量的选择问题。也和一个参数类似。