logo
简体中文
概率论与数理统计

假设检验

章节概览

假设检验是数理统计的核心内容之一，它研究如何通过样本信息来判断关于总体参数的某种假设是否成立。本章将系统学习假设检验的基本思想、步骤、两类错误、正态总体均值和方差的假设检验。

学习目标

通过本章的学习，你将能够：

  1. 理解假设检验：掌握假设检验的基本概念、步骤和两类错误
  2. 掌握检验方法：学会对单个正态总体的均值和方差进行假设检验
  3. 学会双总体检验：掌握对两个正态总体的均值差和方差比进行假设检验
  4. 理解检验原理：理解各种检验方法的理论基础和适用条件
  5. 应用检验理论：能够在实际问题中正确应用假设检验方法

章节结构

1. 假设检验的基本思想与步骤

  • 假设检验的基本概念和定义
  • 假设检验的五个基本步骤
  • 两类错误的概念和含义
  • 显著性水平与 P 值

2. 单个正态总体的假设检验

  • 单个正态总体均值检验（Z 检验和 T 检验）
  • 单个正态总体方差检验（卡方检验）
  • 检验方法的比较和选择

3. 两个正态总体的假设检验

  • 两个正态总体均值差检验
  • 两个正态总体方差比检验（F 检验）
  • 不同条件下的检验方法选择

4. 综合练习题

  • 基本概念题
  • 计算题
  • 应用题

学习建议

  1. 理解概念：从直观理解开始，掌握假设检验的基本思想
  2. 掌握步骤：理解假设检验的五个基本步骤
  3. 多做练习：通过大量练习巩固检验方法的应用
  4. 注意应用：关注假设检验在实际问题中的应用
  5. 理解联系：理解假设检验与参数估计的联系和区别

重要概念

  • 假设检验：通过样本信息判断关于总体参数的假设是否成立
  • 原假设 H0H_0：通常是我们想要拒绝的假设
  • 备择假设 H1H_1：通常是我们想要接受的假设
  • 显著性水平 α\alpha：犯第一类错误的概率
  • 检验统计量：用于判断是否拒绝原假设的统计量
  • 拒绝域：检验统计量的取值区域，当统计量落在此区域时拒绝原假设
  • 第一类错误：当原假设为真时，却拒绝了原假设的错误
  • 第二类错误：当原假设为假时，却接受了原假设的错误

重要方法

单个正态总体检验

Z 检验：

  • 适用条件：方差已知
  • 检验统计量：Z=X‾−μ0σ/n∼N(0,1)Z = \frac{\overline{X} - \mu_0}{\sigma/\sqrt{n}} \sim N(0,1)
  • 应用：检验总体均值

T 检验：

  • 适用条件：方差未知
  • 检验统计量：T=X‾−μ0S/n∼t(n−1)T = \frac{\overline{X} - \mu_0}{S/\sqrt{n}} \sim t(n-1)
  • 应用：检验总体均值

卡方检验：

  • 适用条件：检验方差
  • 检验统计量：χ2=(n−1)S2σ02∼χ2(n−1)\chi^2 = \frac{(n-1)S^2}{\sigma_0^2} \sim \chi^2(n-1)
  • 应用：检验总体方差

两个正态总体检验

双样本 T 检验：

  • 适用条件：方差未知但相等
  • 检验统计量：T=(X‾−Y‾)−(μ1−μ2)Sp1n1+1n2∼t(n1+n2−2)T = \frac{(\overline{X} - \overline{Y}) - (\mu_1 - \mu_2)}{S_p\sqrt{\frac{1}{n_1} + \frac{1}{n_2}}} \sim t(n_1 + n_2 - 2)
  • 应用：检验两个总体均值差

F 检验：

  • 适用条件：检验方差比
  • 检验统计量：F=S12S22∼F(n1−1,n2−1)F = \frac{S_1^2}{S_2^2} \sim F(n_1-1, n_2-1)
  • 应用：检验两个总体方差比

重要公式

单个正态总体检验公式

Z 检验统计量：Z=X‾−μ0σ/nZ = \frac{\overline{X} - \mu_0}{\sigma/\sqrt{n}}

T 检验统计量：T=X‾−μ0S/nT = \frac{\overline{X} - \mu_0}{S/\sqrt{n}}

卡方检验统计量：χ2=(n−1)S2σ02\chi^2 = \frac{(n-1)S^2}{\sigma_0^2}

两个正态总体检验公式

双样本 T 检验统计量：T=(X‾−Y‾)−(μ1−μ2)Sp1n1+1n2T = \frac{(\overline{X} - \overline{Y}) - (\mu_1 - \mu_2)}{S_p\sqrt{\frac{1}{n_1} + \frac{1}{n_2}}}

F 检验统计量：F=S12S22F = \frac{S_1^2}{S_2^2}

合并方差：Sp2=(n1−1)S12+(n2−1)S22n1+n2−2S_p^2 = \frac{(n_1-1)S_1^2 + (n_2-1)S_2^2}{n_1 + n_2 - 2}

检验步骤

假设检验的五步法

  1. 提出假设：确定原假设 H0H_0 和备择假设 H1H_1
  2. 选定统计量：选择合适的检验统计量
  3. 确定拒绝域：根据显著性水平确定拒绝域
  4. 计算样本值：将样本数据代入检验统计量
  5. 作出结论：根据检验统计量的值作出决策

决策规则

临界值法：

  • 比较检验统计量与临界值
  • 优点：直观明确
  • 缺点：需要查表

P 值法：

  • 比较 P 值与显著性水平
  • 优点：不需要查表，可以精确判断
  • 缺点：计算相对复杂

检验类型

双侧检验

形式：H0:θ=θ0H_0: \theta = \theta_0，H1:θ≠θ0H_1: \theta \neq \theta_0

拒绝域：∣T∣>tα/2|T| > t_{\alpha/2}

应用：当我们关心参数是否等于某个值时使用

单侧检验

左单侧检验：H0:θ≥θ0H_0: \theta \geq \theta_0，H1:θ<θ0H_1: \theta < \theta_0 右单侧检验：H0:θ≤θ0H_0: \theta \leq \theta_0，H1:θ>θ0H_1: \theta > \theta_0

拒绝域：T<−tαT < -t_{\alpha} 或 T>tαT > t_{\alpha}

应用：当我们关心参数是否大于或小于某个值时使用

两类错误

第一类错误（拒真错误）

定义：当原假设 H0H_0 为真时，却拒绝了 H0H_0 的错误

概率：P(拒绝H0∣H0为真)=αP(\text{拒绝}H_0|H_0\text{为真}) = \alpha

意义：第一类错误是”冤枉好人”的错误，其概率就是显著性水平 α\alpha

第二类错误（受伪错误）

定义：当原假设 H0H_0 为假时，却接受了 H0H_0 的错误

概率：P(接受H0∣H1为真)=βP(\text{接受}H_0|H_1\text{为真}) = \beta

意义：第二类错误是”放过坏人”的错误

两类错误的关系

关系：在样本量固定的情况下，减小 α\alpha 会增加 β\beta，减小 β\beta 会增加 α\alpha

权衡：通常优先控制第一类错误的概率，因为第一类错误的后果通常更严重

检验的功效分析

功效函数

定义：功效函数 1−β1 - \beta 表示在原假设为假时拒绝原假设的概率

影响因素：

  1. 样本量：样本量越大，功效越高
  2. 显著性水平：显著性水平越高，功效越高
  3. 效应量：效应量越大，功效越高

样本量的确定

问题：给定显著性水平、功效和效应量，确定所需的样本量

方法：使用功效分析公式或查表确定

检验的假设条件

正态性假设

重要性：所有检验方法都基于正态性假设

检验方法：

  1. 图形法：Q-Q 图、直方图
  2. 统计检验：Shapiro-Wilk 检验、Kolmogorov-Smirnov 检验

处理非正态数据：

  1. 数据变换：对数变换、平方根变换等
  2. 非参数检验：Wilcoxon 符号秩检验等

独立性假设

重要性：样本观测值之间应该相互独立

检验方法：

  1. 时间序列分析：自相关函数
  2. 空间数据分析：空间自相关

方差齐性假设

重要性：双样本 T 检验需要方差相等的假设

检验方法：

  1. F 检验：检验方差比
  2. Levene 检验：对正态性不敏感的方差齐性检验
  3. Brown-Forsythe 检验：基于中位数的方差齐性检验

检验的注意事项

多重比较问题

问题：进行多个假设检验时，犯第一类错误的概率会增加

解决方法：

  1. Bonferroni 校正：将显著性水平除以检验次数
  2. Holm 校正：逐步调整显著性水平
  3. FDR 控制：控制错误发现率

效应量

定义：效应量是衡量实际差异大小的指标

常用效应量：

  1. Cohen’s d：d=μ1−μ2σd = \frac{\mu_1 - \mu_2}{\sigma}
  2. 相关系数：r=tt2+dfr = \frac{t}{\sqrt{t^2 + df}}

意义：即使统计上显著，如果效应量很小，实际意义可能不大

样本量的影响

影响：样本量越大，检验的功效越高，犯第二类错误的概率越小

原因：样本量越大，估计越精确，更容易检测到真实的差异

应用领域

假设检验在以下领域有重要应用：

  1. 质量控制：检验产品质量是否达到标准
  2. 医学研究：检验新药是否有效
  3. 社会科学：检验调查结果是否有差异
  4. 工程学：检验系统参数是否满足要求
  5. 金融学：检验投资策略是否有效
  6. 生物学：检验实验处理是否有影响

学习难点

  1. 概念理解：假设检验理论的抽象性和数学严谨性
  2. 方法掌握：各种检验方法的具体步骤和适用条件
  3. 应用灵活：在实际问题中正确应用检验方法
  4. 结果解释：正确解释检验结果的实际意义
  5. 条件判断：判断数据是否满足检验的假设条件

常见错误

  1. 概念混淆：将原假设和备择假设混淆
  2. 方法错误：在应用检验方法时忽略条件
  3. 计算错误：在计算过程中出现错误
  4. 解释错误：对检验结果的解释不正确
  5. 条件错误：忽略检验的假设条件

与其他章节的联系

与参数估计的联系

联系：假设检验和参数估计是统计推断的两个重要分支 区别：参数估计给出参数的估计值，假设检验判断参数是否等于某个值

与随机变量数字特征的联系

联系：检验统计量本身是随机变量，具有数字特征 应用：利用随机变量的分布性质构造检验统计量

与大数定律和中心极限定理的联系

联系：大数定律和中心极限定理为检验统计量的分布提供理论基础 应用：利用这些定理构造渐近检验方法

重要定理

Neyman-Pearson 引理

内容：在给定显著性水平的条件下，似然比检验是最优的检验方法

意义：为构造最优检验方法提供理论基础

似然比检验

内容：基于似然函数的比值构造检验统计量

应用：适用于各种分布的假设检验

学习方法

  1. 循序渐进：从简单概念开始，逐步学习复杂方法
  2. 理解原理：掌握各种检验方法的基本原理
  3. 多做练习：通过大量练习巩固对检验方法的理解
  4. 联系实际：关注假设检验在实际问题中的应用
  5. 总结归纳：定期总结各种方法的联系和区别

提示：假设检验是数理统计的核心内容，掌握好假设检验的理论和方法，将为后续学习回归分析、方差分析、时间序列分析等课程打下坚实基础。在学习过程中，要特别注意理解检验的基本思想，掌握各种检验方法的具体步骤，并通过大量练习来巩固应用能力。