心理统计学 笔记 (四) 检验

主目录

参考 心理统计 视频， 心理统计 视频

四. 检验

4.1. 假设检验 hypothesis testing

通过对样本统计量的差异做出一般性结论，判断总体参数之间是否纯在差异，这种推论过程称作 假设检验。

• 参数检验: 总体分布已知，需要对总体的 未知参数 做假设检验。
  • $Z,t,F$ 对于连续数据
• 非参数检验: 总体分布知之甚少，对总体 函数形态与特征 进行假设检验。
  • $x^2$ , 非参检验 对于离散数据。

4.1.1. 两类假设 $H_0,H_1$

1. 备择（研究）假设 $H_1$ alternative hypothesis
   • 定义：实验人员希望证实的假设
   • 性质：假设两个总体参数之间 (${\mu }_1\ne {\mu }_2$)，或
     样本统计量 $\bar{X}$ 与总体参数 ${\mu }_0$ 之间 ($\bar{X}\ne {\mu }_0\to {\mu }_1\ne {\mu }_0$) 存在真实差异，是一种有差假设。
   • 表达方式：
     $$\begin{array}{r}{H}_1:\{\begin{array}{l}{\mu }_1\ne {\mu }_0\\ {\mu }_1\ne {\mu }_2\end{array}\end{array}$$
2. 虚无假设 $H_0$ null hypothesis
   • 定义：研究人员为了证明研究假设为真 通过利用概率论的反证法 所进行的假设
   • 性质：假设两个总体参数之间 (${\mu }_1={\mu }_2$)，或
     样本统计量 $\bar{X}$ 与总体参数 ${\mu }_0$ 之间 ($\bar{X}={\mu }_0\to {\mu }_1={\mu }_0$) 不 存在真实差异，其存在表面差异为抽样造成的误差，是一种无差假设，又称 零假设 或 原假设。
   • 表达方式：
     $$\begin{array}{r}{H}_0:\{\begin{array}{l}{\mu }_1={\mu }_0\\ {\mu }_1={\mu }_2\end{array}\end{array}$$

4.1.2. 显著性水平 significant level

含义

• 含义: 指拒绝虚无假设 $H_0$(零假设) 而设定的小概率值。

与假设关系

• 零假设与显著性水平关系：
  1. 如果零假设正确的可能性只有5%或1%，我们就排除零假设$H_0$。这种临界概率就称为 显著性水平。
     $$\begin{array}{r}\alpha =\{\begin{array}{l}0.05(5\%)\\ 0.01(1\%)\end{array}\end{array}$$
  2. 通过判断显著性水平可以判断是否接受零假设$H_0$。
     $$H_0:\bar{X}={\mu }_0\to {\mu }_1={\mu }_0$$

单双侧检验

• 双侧检验：只强调差异，不管方向
  • $H_1:{\mu }_1\ne {\mu }_0$
  • 一侧 $\alpha /2$
• 单侧检验：强调差异，也强调方向
  • 右侧：$H_0:{\mu }_1\le {\mu }_0,H_1:{\mu }_1>{\mu }_0$
  • 左侧：$H_0:{\mu }_1\ge {\mu }_0,H_1:{\mu }_1<{\mu }_0$

接受与拒绝域

• 接受域 与 拒绝域 rejection/critical region
  • 5% 的显著性水平时，在标准正态分布上对应的 $z$ 值为 $\pm 1.96$, 所以
  • 接受域 : $[-1.96,1.96]$
    • $\bar{X}={\mu }_0\to H_0:{\mu }_1={\mu }_0$
  • 拒绝域 : $[-\infty ,-1.96]\text{ or }[1.96,\infty ]$
    • $\bar{X}={\mu }_0\to H_1:{\mu }_1\ne {\mu }_0$

知乎有篇比较详细的解释

Type I, II Error

• 两类错误：
  1. $\alpha$ or Type I Error 又叫做 弃真错误。
     原假设$H_0$ 实际上是正确的，但通过样本估计总体后，检验值进入了拒绝虚无假设 $H_0$ 的区域，致使做出拒绝原假设的结论。
     $$\alpha \to \underset{False}{\underbrace{H_0:{\mu }_1={\mu }_0}}\to \underset{True}{\underbrace{H_1:{\mu }_1\ne {\mu }_0(1-\beta )}}$$
  2. $\beta$ or Type II Error 又叫做 取伪错误
     原假设$H_0$ 实际上是不正确，但通过样本估计总体后，检验值进入了接受虚无假设 $H_0$ 的区域，致使做出接受原假设的结论，说明事物之间没有显著差异。
     $$\beta \to \underset{False}{\underbrace{H_1:{\mu }_1\ne {\mu }_0}}\to \underset{True}{\underbrace{H_0:{\mu }_1={\mu }_0(1-\alpha )}}$$

$H_0$	Accepted $H_0$	Rejected $H_0$
$H_0$ True	TRUE $(1-\alpha )$	Type I error
$H_0$ False	Type II error	TRUE $(1-\beta )$

• $\alpha ,\beta$ 为拒绝 $H_0,H_1$ 所要付出的代价。

• 由于放弃真错误的概率 被规定的显著性水平 更容易控制，可以将错误影响降到最小，所以一般都是想要拒绝的假设。

错误关系

• $\alpha +\beta \ne 1$

  • $\alpha$ 为 拒绝原假设 $H_0$ 时犯错误 的概率，前提为 $H_0$ 为真。
  • $\beta$ 为 接受原假设 $H_0$ 时犯错误 的概率，前提为 $H_0$ 为伪。

• $\alpha \uparrow \nrightarrow \beta \uparrow$ 两个无法同时增大与减小

  • $\alpha \downarrow \to \beta \uparrow$
  • $\alpha \uparrow \to \beta \downarrow$

• 统计检测力（统计功效）statistical power: $1-\beta$

Statistical Power 的影响因素

• 统计检测力（统计功效）: $1-\beta$
  • $(1-\beta )$ 为 $H_1:{\mu }_1\ne {\mu }_0$ 的概率。

1. $\alpha$
   • 大小
   • 单双侧
2. $n$ 样本抽样容量 size of particular group
   • $n\uparrow \to {\sigma }_{\bar{x}}\downarrow =\frac{\sigma }{\sqrt{n}\uparrow }\to \alpha \downarrow ,\beta \downarrow \to (1-\beta )\uparrow$
3. 处理效应 ${\mu }_1-{\mu }_0$

4.1.3. 平均数的显著性检验方法

假设检验步骤

1. 提出假设：原假设和备择假设（三选一）
2. 确定适当的统计检测量 (Z 已知参数$, t 未知参数)
3. 指定检验中的显著性水平 $\alpha$
4. 利用显著性水平，建立拒绝 $H_0$ 原则
5. 计算样本统计量的值
6. 做出统计决策
   • 将检验统计量的值与拒绝规则所指定的零界值比较，确定是否拒绝原假设。
   • 由检验统计量计算 $p$ 值,利用 $p$ 值确定是否拒绝原假设。

总结

1. 平均数的显著性检验：指检验的一个样本均数 $\bar{x}$ 与相应总体均数 ${\mu }_1$ 之差。
2. Z 检验：总体方差 ${\alpha }^2$ 已知
   1. $Z=\frac{\bar{x}-{\mu }_0}{{\sigma }_{\bar{x}}},{\sigma }_{\bar{x}}=\frac{{\sigma }_0}{\sqrt{n}}$
   2. $\begin{array}{r}\alpha \{\begin{array}{l}0.05\to Z_{\frac{\alpha }{2}}=1.96，Z_{\alpha }=1.64\\ 0.01\to Z_{\frac{\alpha }{2}}=2.58，Z_{\alpha }=2.33\end{array}\end{array}$
3. t 检验：总体方差 ${\alpha }^2$ 未知
   1. $Z=\frac{\bar{x}-{\mu }_0}{{\sigma }_{\bar{x}}},{\sigma }_{\bar{x}}=\frac{S}{\sqrt{n-1}}$
   2. $\begin{array}{r}df=n-1,\alpha \{\begin{array}{l}0.05\to t_{\frac{\alpha }{2}}，t_{\alpha }\\ 0.01\to t_{\frac{\alpha }{2}}，t_{\alpha }\end{array}\end{array}$
   3. $n>30\to t\approx Z$

4.1.4. 平均数差异的显著性检验

当两个总体均值都未知时 (${\mu }_1=?,{\mu }_2=?$)，通过各抽取 $(n_1,n_2)$ 个样本，获取平均数 $\overline{x_1},\overline{x_2}$。 分析关系 $\overline{x_1}\ne \overline{x_2}$， 推断出 ${\mu }_1\ne {\mu }_2$。

Z 检验步骤

1. 建立假设:
   $$H_0:{\mu }_1={\mu }_2,H_1:{\mu }_1\ne {\mu }_2$$
2. 计算标准误:
   • 独立 样本:
     $$S{E}_{D_{\bar{x}}}=\sqrt{\frac{{\sigma }_1^2}{n_1}+\frac{{\sigma }_2^2}{n_2}}$$
   • 相关 样本 (相关系数 $r$):
     $$S{E}_{D_{\bar{x}}}=\sqrt{\frac{{\sigma }_1^2}{n_1}+\frac{{\sigma }_2^2}{n_2}-2r\frac{{\sigma }_1}{\sqrt{n}}\frac{{\sigma }_2}{\sqrt{n}}}$$
3. 计算样本统计量:
   $$Z=\frac{\overline{X_1}-\overline{X_2}}{S{E}_{D_{\bar{x}}}}$$
4. 比较，做出决策

t 检验步骤

1. 建立假设:
   $$H_0:{\mu }_1={\mu }_2,H_1:{\mu }_1\ne {\mu }_2$$

2. 计算标准误 （Standard Error of Mean）:

   • 独立 样本，方差 齐性 :
     $$S_P^2=\sqrt{\frac{n_1{s}_1^2+n_2{s}_2^2}{n_1+n_2-2}}$$
     $$S{E}_{D_{\bar{x}}}=\sqrt{S_P^2(\frac{1}{n_1}+\frac{1}{n_2})}$$
   • 独立 样本，方差 不齐性 : $\cdots$
   • 相关 样本 (相关系数 $r$ 已知 ): $\cdots$
   • 相关 样本 (相关系数 $r$ 未知 ): $\cdots$

3. 计算样本统计量:
   $$t=\frac{\overline{X_1}-\overline{X_2}}{S{E}_{D_{\bar{x}}}}，df=n_1+n_2-2$$

4. 比较，做出决策

4.1.5. 方差齐性检验

4.2. 卡方检验

4.3. 非参检验

五. 分析

五. 分析