第三讲 (假设检验)

60 62.5 65 67.5 70 72.5 75
b
H0 不真
67.5 70 72.5 75 77.5 80 82.5
两类错误是互相关联的， 当样本容 量固定时，一类错误概率的减少导致另 一类错误概率的增加.
b a
要同时降低两类错误的概率a b，或 者要在 a 不变的条件下降低 b，需要增
加样本容量.
（二）备择假设（alternative hypothesis），与原假设相对立(相反)的假设。 一般为研究者想收集数据予以证实自己观点的假设。 用H1表示。 表示形式：H1：总体参数≠某值 （＜） （＞）
例:H1： 0
（三）两类假设建立原则 1、H0与H1必须成对出现 2、通常先确定备择假设，再确定原假设 3、假设中的等号“=”总是放在原假设中
•
P>α时，H0成立
多重检验及校正
在同一研究中，有时我们会用到二次或多次显著 性检验，从上表可以看出，如果我们将显著性水平确 定为α=0.05水平，做一次显著性检验后我们只能保证 有95%的研究结果与真值是一致的；如果做两次显著 性检验后，研究结果与真值的符合程度就会降至 95%*95%=90.25，当我们进行5次显著性检验后，就 会降至77.4%，即在5次显著性检验后，由α水平所得 到的显著性检验结果的可靠性只有3/4的可靠性。
用于处理生物学研究中比较不同处理效应 的差异显著性。
数据资料中，两个样本的各个变量从各自 总体中抽取，两个样本之间变量没有任何关 联，即两个抽样样本彼此独立，不论两个样 本容量是否相同。
方法1：两个总体方差都已知（或方差未知大样本)
• 假定条件
– 两个样本是独立的随机样本
– 两个总体都是正态分布 – 若不是正态分布, 可以用正态分布来近似(n130和

决策准则:
5. 如果 t > tc 或 -t < - tc , 则拒绝 Ho
or | t | > | tc |
接受域
拒绝 H0 区域
( ) bˆ 2 -
t
c
a
* Se
2, n-2
bˆ 2
b2
东北财经大学数量经济系
拒绝 H0 区域
( ) bˆ 2
+
tc a 2,
*
n-2
Se
bˆ 2
第三节 双变量回归的假设检验（4）
t = 0.5091 - 0.3 = 0.2091 = 5.857 0.0357 0.0357
东北财经大学数量经济系
第三节 双变量回归的假设检验（7）
One-Tailed t-test (cont.)
2. 查表得知
tc 0.05, 8
where
tc 0.05 ,
8
=1.860
a = 0.05
3. 比较 t 和临界值 t
sˆ 2
Pr[(n - 2)
s 2 (n - 2)
sˆ 2
] =1-a
2 a/2
2 1-a / 2
东北财经大学数量经济系
第三节 双变量回归的假设检验（1） 第三节 双变量回归的假设检验
一、假设检验的基本问题 1.假设检验的基本思想 2.基本概念
二、假设检验的置信区间方法
东北财经大学数量经济系
一、正态性假定 1.正态性假定的含义 2.随机干扰项做正态假定的理由
二、在正态假定下OLS估计量的性质
东北财经大学数量经济系
第一节 正态性假定：经典正态线性回归模型（2）
三、最大似然法 1.双变量回归模型的最大似然估计 — 似然函数 — 最大似然法的基本思想 — 回归系数和随机干扰项的ML估计量

2008-2009
样本统计量 临界值
抽样分布
2008-2009
1 -
置信水平 拒绝H0
0
样本统计量
临界值
✓决策规则
1. 给定显著性水平，查表得出相应的临 界值z或z/2， t或t/2
2. 将检验统计量的值与 水平的临界值进 行比较
3. 作出决策
双侧检验：I统计量I > 临界值，拒绝H0 左侧检验：统计量 < -临界值，拒绝H0 右侧检验：统计量 > 临界值，拒绝H0
H1 ： <某一数值，或 某一数值
例如, H1 ： < 10cm，或 10cm
2008-2009
➢提出假设
【例】一种零件的生产标准是直径应为10cm，为对生产过
程进行控制，质量监测人员定期对一台加工机床检查， 确定这台机床生产的零件是否符合标准要求。如果零件 的平均直径大于或小于10cm，则表明生产过程不正常， 必须进行调整。试陈述用来检验生产过程是否正常的原 假设和备择假设
2008-2009
❖利用P值进行决策
➢什么是P 值(P-value)
1. 在原假设为真的条件下，检验统计量的观察值 大于或等于其计算值的概率 双侧检验为分布中两侧面积的总和
2. 反映实际观测到的数据与原假设H0之间不一致 的程度
3. 被称为观察到的(或实测的)显著性水平 4. 决策规则：若p值<, 拒绝 H0
2008-2009
第6章 假设检验
统计研究目的
统计设计
推
断
客观
统
统
分
现象
计
计
析
数量
调
整
表现
查
理
描 述

假设检验课件假设检验课件假设检验是统计学中一种常用的推断方法，用于验证关于总体参数的假设。

在实际应用中，假设检验被广泛用于医学、经济、社会科学等领域。

本文将对假设检验的基本概念、步骤和常见方法进行介绍，并探讨其在实际问题中的应用。

一、假设检验的基本概念1.1 假设在假设检验中，我们需要对总体参数提出一个假设，并通过收集样本数据来判断这个假设是否成立。

一般来说，我们会提出一个原假设（H0）和一个备择假设（H1）。

原假设是我们需要进行检验的假设，备择假设则是对原假设的否定。

1.2 检验统计量检验统计量是用来衡量样本数据与原假设之间的差异程度的统计量。

常见的检验统计量有t值、F值、卡方值等。

通过计算检验统计量，我们可以得到一个观察到的差异程度，并据此进行假设检验。

1.3 显著性水平显著性水平是在假设检验中设定的一个临界值，用于判断原假设是否成立。

一般来说，我们将显著性水平设定为0.05或0.01。

如果计算得到的p值小于显著性水平，则拒绝原假设，否则接受原假设。

二、假设检验的步骤2.1 确定假设在进行假设检验之前，我们需要明确原假设和备择假设。

原假设通常是我们希望进行检验的假设，备择假设则是对原假设的否定。

2.2 选择适当的检验统计量根据问题的具体情况，选择适当的检验统计量进行计算。

不同的问题可能需要使用不同的统计量，例如，对两个总体均值的比较可以使用t检验，对多个总体均值的比较可以使用方差分析等。

2.3 计算检验统计量的值根据样本数据计算出检验统计量的值。

这一步需要根据具体的统计方法进行计算，例如，对于t检验，需要计算出样本均值、标准差和样本容量等。

2.4 计算p值根据检验统计量的值，计算出p值。

p值表示在原假设成立的情况下，观察到与之相差程度或更极端程度的结果出现的概率。

p值越小，说明观察到的差异越显著。

2.5 判断是否拒绝原假设根据显著性水平和计算得到的p值，判断是否拒绝原假设。

如果p值小于显著性水平，我们可以拒绝原假设，认为观察到的差异是显著的；如果p值大于显著性水平，我们则接受原假设，认为观察到的差异不是显著的。