标签：theta 假设 H0 假设检验 alpha Theta 拒绝域
假设检验的基本思想
以“女士品茶”为例，对于该女士有没有品茶的能力，有两种假设：该女士没有品茶能力和该女士有品茶能力。在统计上这两个非空不相交参数集合称作统计假设，简称假设。通过样本对一个假设作出对与不对的判断，则称为该假设的一个检验。若检验结果否定该命题，则称拒绝这个假设，否则就**接受（不拒绝）**这个假设。
假设可分为两种：
- 参数假设检验，即已经知道数据的分布，针对总体的某个参数进行假设检验；
- 非参数假设检验，即数据分布未知，针对该分布进行假设检验。
假设检验的基本步骤
- 建立假设
- 选择检验统计量，给出拒绝域形式
- 选择显著性水平
- 给出拒绝域
- 做出判断
Step 1：建立假设
主要针对参数假设检验问题
设有来自某分布族 { F ( x , θ ) ∣ θ ∈ Θ } \{F(x,\theta)|\theta\in\Theta\} {F(x,θ)∣θ∈Θ}的样本 x 1 , . . . , x n x_1,...,x_n x1,...,xn，其中 Θ \Theta Θ为参数空间，设 Θ 0 ∈ Θ \Theta_0\in\Theta Θ0∈Θ，且 Θ 0 ≠ ϕ \Theta_0\neq\phi Θ0=ϕ，则命题 H 0 : θ ∈ Θ 0 H_0:\theta\in\Theta_0 H0:θ∈Θ0称为原假设或零假设（null hypothesis），若有另一个 Θ 1 \Theta_1 Θ1（ Θ 1 ∈ Θ , Θ 1 Θ 0 = ϕ \Theta_1\in\Theta,\Theta_1\Theta_0=\phi Θ1∈Θ,Θ1Θ0=ϕ，常见的一种情况是 Θ 1 = Θ − Θ 0 \Theta_1=\Theta-\Theta_0 Θ1=Θ−Θ0），则命题 H 1 : θ ∈ Θ 1 H_1:\theta\in\Theta_1 H1:θ∈Θ1称为 H 0 H_0 H0的对立假设或备择假设（alternative hypotheis），当 H 0 H_0 H0为简单假设，即 Θ 0 \Theta_0 Θ0只含一个点时，备择假设有三种可能： H 1 ′ : θ ≠ θ 0 H_1':\theta\neq\theta_0 H1′:θ=θ0， H 1 ′ ′ : θ < θ 0 H_1'':\theta<\theta_0 H1′′:θ<θ0， H 1 ′ ′ ′ : θ > θ 0 H_1''':\theta>\theta_0 H1′′′:θ>θ0。
Step 2：选择检验统计量，给出拒绝域形式
根据样本计算统计量 Z Z Z（如样本均值、标准差等，称为检验统计量），并基于某个法则既可以决定接受 H 0 H_0 H0还是拒绝 H 0 H_0 H0，具体地，当统计量在拒绝域 W W W中即拒绝 H 0 H_0 H0，在接受域 W ‾ \overline{W} W中即接受 H 0 H_0 H0。由此可见，一个拒绝域 W W W唯一确定一个检验法则，反之，一个检验法则也唯一确定一个拒绝域。
注：不能用一个样本（例子）证明一个命题（假设成立），但是可以用一个样本（例子）去推翻一个命题。此外，拒绝域与接受域之间有一个模糊域，即统计量恰好符合法则，通常将模糊域归为接受域，因此接受域是复杂的。
Step 3：选择显著性水平
假设检验基于小概率事件，即小概率事件在一次试验中几乎不会发生，因此选择一个很小的概率值 α \alpha α，令 p ( 拒 绝 H 0 ∣ H 0 为 真 ) ≤ α p(拒绝H_0|H_0为真)\leq\alpha p(拒绝H0∣H0为真)≤α，表示 Z ∈ W Z\in W Z∈W是一个小概率事件，在一次试验中不应该发生。如果通过样本得到的统计量 z ∈ W z\in W z∈W，即不该发生的小概率事件竟然发生了，那么应该拒绝 H 0 H_0 H0。
由于向本是随机的，通常做检验时可能做出错误判断，由此引入了两个错误，分别为第一类错误和第二类错误，如下表所示：
| 观测数据情况 | 总体情况 | 总体情况 |
|---|---|---|
| H 0 H_0 H0为真 | H 1 H_1 H1为真 | |
| 接受 H 0 H_0 H0 | 第一类错误（拒真） | 正确 |
| 拒绝 H 0 H_0 H0 | 正确 | 犯第二类错误（取伪） |
犯第一类错误概率： α = P ( X ∈ W ∣ H 0 ) \alpha=P(X\in W|H_0) α=P(X∈W∣H0)，即 α = P ( 拒 绝 H 0 ∣ H 0 为 真 ) \alpha=P(拒绝H_0|H_0为真) α=P(拒绝H0∣H0为真)；
犯第二类错误概率： β = P ( X ∈ W ‾ ∣ H 1 ) \beta=P(X\in \overline{W}|H_1) β=P(X∈W∣H1)，即 β = P ( 接 受 H 0 ∣ H 0 为 假 ) \beta=P(接受H_0|H_0为假) β=P(接受H0∣H0为假)。
可以证明的，在一定样本量下，两类错误概率无法共同减小，但是当样本增加时，可以同时减小。
证明该问题需要引入是函数，下面将简单介绍势函数，但不对上述结论证明。
定义：设检验问题
H
0
:
θ
∈
Θ
0
v
s
H
1
:
θ
∈
Θ
1
H_0:\theta\in\Theta_0\quad vs\quad H_1:\theta \in \Theta_1
H0:θ∈Θ0vsH1:θ∈Θ1的拒绝域为
W
W
W，则样本观测值
X
\mathbf{X}
X落在拒绝域
W
W
W内的概率称为该检验的势函数，记为
g ( θ ) = P θ ( X ∈ W ) , θ ∈ Θ = Θ 0 ∪ Θ 1 g ( θ ) = { α ( θ ) θ ∈ Θ 0 1 − β ( θ ) θ ∈ Θ 1 g(\theta)=P_\theta(\mathbf{X}\in W),\ \theta\in\Theta=\Theta_0\cup\Theta_1\\ g(\theta)=\left\{\begin{matrix} \alpha(\theta) & \theta\in\Theta_0\\ 1-\beta(\theta) &\theta\in\Theta_1 \end{matrix}\right. g(θ)=Pθ(X∈W), θ∈Θ=Θ0∪Θ1g(θ)={α(θ)1−β(θ)θ∈Θ0θ∈Θ1
第一类错误概率 α \alpha α即为初始设定的很小的概率，称为置信水平，称该检验时显著性水平为 α \alpha α的显著性检验，简称水平为 α \alpha α的检验。为了尽量减少两类错误，可简单的将其简化为减小第一类错误概率（第二类错误概率难求）。常用的 α = 0.05 \alpha=0.05 α=0.05有时也选择0.1或0.01。
Step 4：给出拒绝域
为了使得第一类错误的概率尽可能小，给定一个较小的 α \alpha α，并选择一个数 k k k，设定若 Z ≥ k Z\geq k Z≥k拒绝 H 0 H_0 H0，使得 P ( u = ∣ z − μ σ / n ∣ ≥ k ) ≤ α P(u=|\frac{z-\mu}{\sigma/\sqrt{n}}|\geq k)\leq \alpha P(u=∣σ/n z−μ∣≥k)≤α，所以 k = u α / 2 k=u_{\alpha/2} k=uα/2。
注：算拒绝域时，需基于标准正态分布。
Step 5：做出判断
通过样本计算统计量，若统计量在拒绝域中，则拒绝原假设，否则接受原假设。
检验的 p p p 值
不同置信水平 α \alpha α的取值，可能会存在不同的结果。因此引入新的指标，即利用样本观测值能够作出拒绝原假设的最小显著水平，称为检验的 p p p值。由检验的 p p p值与心目中的显著性水平 α \alpha α进行比较，可以容易做出检验结论：
- 若 α ≥ p \alpha\geq p α≥p，则在显著性水平 α \alpha α下拒绝 H 0 H_0 H0；
- 若 α < p \alpha<p α<p，则在显著性水平 α \alpha α下接受 H 0 H_0 H0.
注：一般以 p < 0.05 p<0.05 p<0.05 为有统计学差异， p < 0.01 p<0.01 p<0.01 为有显著统计学差异， p < 0.001 p<0.001 p<0.001为有极其显著的统计学差异。
标签：theta,假设,H0,假设检验,alpha,Theta,拒绝域 来源： https://blog.csdn.net/zyziszy/article/details/112162606
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。