第三章总体均数的估计与假设检验（2）

第五节t检验

计量资料的假设检验中，最为简单、常用的方法是t检验。实际应用中，应弄清各种检验方法的用途、适用条件和注意事项。
当σ未知且样本含量n较小时（如n<60），理论上要求t检验的样本随机地取自正态分布的总体，两独立小样本均数比较时还要求两样本所对应的两总体方差相等，即方差齐性（homogeneity of variance）。
当样本含量n较大时，t值近似于u值，称为u检验/z检验。

单样本t检验

即已知样本均数所代表的未知总体均数m和已知总体均数m0 (一般为理论值、标准值或经过大量观察的稳定值)的比较。
检验统计量按照下公式计算：

配对样本t检验

适用于配对设计或自身对照设计的计量资料的比较。配对设计是将受试对象按照某些重要特征（如性别）配成对子，再将每对中的两个受试对象随机分配到两处理组。在医学科研中，配对设计主要有以下情形：
1.两同质受试对象配成对子分别接受不同的处理；2.同一受试对象分别接受两种不同处理；3.同一受试对象接受（一种）处理前后，这种情形在设计上存在缺陷（见第12章，重复测量设计资料的方差分析）。
将配对数据求差值后，配对t检验的实质与单样本t检验相同。若两处理效应相同，配对数据的差值应围绕0上下波动，因此可将此类资料看成是差值的样本均数d ̅所代表的未知总体均数μ_d=0的比较检验统计量可按照公式构造如下：

两样本t检验

又称成组t检验，或两独立样本t检验，常见于完全随机设计两样本均数的比较，即将受试对象完全随机分配到两个不同处理组，研究两样本均数所代表的两总体均数是否不等。此外，也可以用于观察性研究中独立从两个总体中进行完全随机抽样。
当两总体均来自正态总体，且样本含量较小，如n1≤60/n2≤60,要根据两总体方差是否相等而采用不同检验方法。
（一）总体方差相等的t检验
方差相等，可将两样本方差合并，检验统计量按照μ=μ1-μ2=0条件下构造

（二）总体方差不等的近似t检验
进行两小样本总体均数比较，若总体服从正态分布，但总体方差不等，可采用数据变换（第七节）或下述近似t检验—t’检验或秩转换的非参数检验（第八章第二节）。

第六节假设检验的注意事项

I型错误和II型错误

假设检验采用小概率反证法的思想，根据P值做出的推断结论具有概率性，因此其结论不可能完全正确，可能发生两类错误。

I型错误（type I error）：拒绝了实际上成立的H0，这类“弃真”的错误称为I型错误。检验水准就是预先规定的允许犯I型错误概率的最大值。I型错概率大小也用α表示，α可单侧(尾)可双侧(尾)。
假设检验时，研究者可根据不同研究目的来确定α值的大小。如α=0.05，当H0实际成立而拒绝H0时，则理论上每100次检验中，平均有5次发生这样的错误。
II型错误(type II error)：“接受”实际上不成立的H0所犯的错误，这类“取伪”的错误称为II型错误。其概率大小用β表示。β只取单尾，β的大小难于确定，必须在知道两总体差值(如μ1-μ2)，α及n时，才能算出。

检验效能(power of a test)
1-β称为检验效能，过去称把握度。它是指两总体确有差异，按规定的检验水准α所能发现该差异的能力。和β一样，1-β只取单尾。如1-β＝0.90，意味着若两总体确有差别，则理论上平均每100次检验中，有90次能够得出差异有统计学意义的结论。
α越小，β越大；反之α越大，β越小。
若要同时减小Ⅰ型错误α以及Ⅱ型错误β，唯一的方法就是增加样本含量n。
若重点是减少Ⅰ型错误α（如一般假设检验），一般取α=0.05；
若重点是减少Ⅱ型错误β（如方差齐性检验，正态性检验或想用一种方法代替另一种方法的检验等），一般取α=0.10或0.20，甚至更高。
注：拒绝H0，只可能而且只能犯I型错误，不可能犯II型错误；
“接受”H0，只能而且只可能犯II型错误，不可能犯I型错误。

假设检验应注意的问题

**1.要有严密的研究设计。**这是假设检验的前提，对比组间应均衡，具有可比性。保证均衡性最好的方法是施加干预前的随机分组。
**2.不同类型资料应选用不同检验方法。**应根据分析目的、资料类型和分布、设计方案种类、样本含量大小及不同统计学方法的适用条件等，选用适当的检验方法。
**3.正确理解“显著性”的含义。**英文期刊关于假设检验最常见的表述是significant difference和no significant difference，中文理解为“有统计学差异”和“无统计学差异”更为恰当，并不说明差异有无显著性。
**4.结论不能绝对化。**因统计结论具有概率性质，故在报告结论时，不要使用“肯定”“一定”等词。应列出检验统计量的值，报告具体P值或P的确切范围，如写成
P=0.04/0.02<P<0.05
以便读者与同类研究进行分析比较或进行循证医学研究时采用meta分析。
5.置信区间与假设检验的区别和联系
置信区间用于说明量的大小即推断总体参数在哪个范围。
假设检验用于推断质的不同即两总体参数是否不同。
两者既相互联系，又有区别。
1)置信区间亦可回答假设检验的问题。
2)置信区间比假设检验可提供更多的信息。

注意：虽然置信区间也可回答假设检验的问题，并能提供更多的信息，但并不意味着置信区间能够完全代替假设检验。置信区间只能在预先规定的概率—置信度（1-α）的前提下进行计算，而假设检验能够获得较为确切的概率P，故将两者结合起来，才是完整的分析。

第七节正态性检验和两样本方差比较的F检验

正态性检验

一是图示法。
主要采用概率图（probability-probability plot,P-P plot）和分位数图（quantile-quantile plot,Q-Q plot），其中P-P图是以实际或观察的累积频率（X）对被检验分布（如正态分布等）的理论或期望累积频率（Y）作图，而Q-Q图则是以实际或观察的分位数（X）对被检验分布的理论或期望分位数（Y）作图，其中以Q-Q图的效率较高。

二是计算法。
(1)对偏度(skewness)和峰度(kurtosis)各用一个指标来评定，其中以矩法(method of moment，又称动差法)效率最高；
(2)仅用一个指标来综合评定。其中W/W’检验法效率最高，适用于样本含量少于100的资料。D检验法效率也高，适用于样本含量10~2000的资料。
矩法是利用数学上矩原理来检验偏度和峰度。
偏度指分布不对称的程度和方向，用偏度系数(coefficient of skewness)衡量，样本偏度系数用g1表示，总体偏度系数用γ_1表示；
峰度则指分布与正态曲线相比的冒尖程度或扁平程度，用峰度系数(coefficient of kurtosis)衡量，样本峰度系数用g2表示，总体峰度系数用γ2表示。
g1、g2的计算公式如下：

式中X为变量值，f为相同X的个数，n为样本含量。当用原始数据进行计算时，f=1。因此，上两式无论n的大小均适用。
理论上：
总体偏度系数γ1=0为对称；γ1>0为正偏态；γ1<0为负偏态。
总体峰度系数γ2=0为正态峰；γ2>0为尖峭峰；γ2<0为平阔峰。

两样本方差比较的F检验

尽管两个总体方差相同，但由于抽样误差，两样本方差不一定相等。判断两总体方差是否不等—采用方差齐性检验。
过去：多采用F检验（F test），要求正态分布
现在：Levene检验（Levene‘s test，1960），任意分布（第四章第七节）
Levene检验：将原始观测值转换为相应的离差（多方法可选），然后再作方差分析，它既可用于对两个总体方差进行齐性检验，也可用于对多个总体方差进行齐性检验。
下面介绍两样本方差比较的F检验：

检验统计量F为两个样本方差之比，如仅是抽样误差的影响，它一般不会偏离1太远。

变量变换

变量变换是将原始数据作某种函数转换，如转换为对数值等。变量变换作用：它可使各组方差齐同稳定，亦可使偏态资料正态化，以满足t检验或其它统计分析方法对资料的要求。
变量变换后，在结果解释上不如原始观测变量直观。
常用变量变换：对数变换、平方根变换、平方根反正弦变换、倒数变换等。应根据资料性质选择适当的变量变换方法。
1.对数变换(logarithmic transformation)
将原始数据 X 取常用对数或自然对数均可。
1）形式：

2)适用于：①对数正态分布资料，原始数据的效应是相乘时；②各样本标准差与均数成比例或变异系数是常数或接近某一常数时。
2.平方根变换(square root transformation)
将原始数据X开算数平方根。
1)形式：

2)适用于：①服从Poisson分布资料，也即各样本方差与均数近似相等，如放射性物质在单位时间内的放射次数，某些发病率较低的疾病在时间或地域上的发病例数等资料；②轻度偏态分布资料。
3.平方根反正弦变换(arcsine transformation)
将原始数据X的平方根取反正弦变换。
1)形式：用角度表示
用弧度表示

2)适用于：个体观察指标为比值或百分比或率的资料，如淋巴细胞转变率(%)、白细胞分类计数百分比(%)等。
4.倒数变换(reciprocal transformation)
将原始数据X取倒数。
1)形式：X′=1/X
2)适用于：数据两端波动较大的资料。

总结

本章介绍了抽样误差，统计推断的参数估计和假设检验。t检验主要用于比较单一样本或两样本均数。通常从同一总体随机重复抽样所得的样本均数各不相同，我们将样本均数和总体均数之差称为抽样误差，也即均数的标准误。它表明用样本均数估计总体均数所期望的差异大小。
参数估计是指用随机样本统计量来说明总体参数。参数估计有两种：(1)点估计，简单用样本统计量值来说明总体参数；(2)区间估计，它基于总体参数的抽样误差计算出可信区间。
假设检验是使用样本数据推断出总体一般性结论的过程。假设检验有三步曲：(1)建立检验假设H0和H1，设定检验水准；(2)选择统计方法，计算检验统计量；(3)获得P值，作出结论。无论假设检验作出什么结论，总是会冒着犯错误的风险。通常会有两种类型的错误发生：I型错误是拒绝了真实的H0，II型错误是“接受”了错误的H0。t检验是构建其检验统计量和相应界值最为常用的方法，该检验统计量服从Student’s t分布。用于比较样本均数，包括单样本t检验，配对样本t检验，和两样本t检验。