假设检验项目假设检验回归分析与方差分析
项目八 假设检验、回归分析与方差分析
实验1 假设检验
实验目的 掌握用Mathematica 作单正态总体均值、方差的假设检验, 双正态总体的均值差、方差比的假设检验方法, 了解用Mathematica 作分布拟合函数检验的方法.
基本命令
1.调用假设检验软件包的命令< 输入并执行命令 < 2.检验单正态总体均值的命令MeanTest 命令的基本格式为 MeanTest[样本观察值,0H 中均值0μ的值, TwoSided->False(或True), Known Variance->None (或方差的已知值20σ), SignificanceLevel->检验的显著性水平α,FullReport->True] 该命令无论对总体的均值是已知还是未知的情形均适用. 命令MeanTest 有几个重要的选项. 选项Twosided->False 缺省时作单边检验. 选项 Known Variance->None 时为方差未知, 所作的检验为t 检验. 选项Known Variance->20σ时 为方差已知(20σ是已知方差的值), 所作的检验为u 检验. 选项Known Variance->None 缺省 时作方差未知的假设检验. 选项SignificanceLevel->0.05表示选定检验的水平为0.05. 选项FullReport->True 表示全面报告检验结果. 3.检验双正态总体均值差的命令MeanDifferenceTest 命令的基本格式为 MeanDifferenceTest[样本1的观察值,样本2的观察值, 0H 中的均值21μμ-,选项1,选项2,…] 其中选项TwoSided->False(或True), SignificanceLevel->检验的显著性水平α, FullReport->True 的用法同命令MeanTest 中的用法. 选项EqualVariances->False(或True)表示两个正态总体的方差不相等(或相等). 4.检验单正态总体方差的命令VarianceTest 命令的基本格式为 VarianceTest[样本观察值,0H 中的方差20σ的值,选项1,选项2,…] 该命令的选项与命令MeanTest 中的选项相同. 5.检验双正态总体方差比的命令VarianceRatioTest 命令的基本格式为 VarianceRatioTest[样本1的观察值,样本2的观察值, 0H 中方差比22 2 1σσ的值,选项1,选项2,…] 该命令的选项也与命令MeanTest 中的选项相同. 注: 在使用上述几个假设检验命令的输出报告中会遇到像OneSidedPValue-> 0.000217593这样的项,它报告了单边检验的P 值为0.000217593. P 值的定义是: 在原假设成立的条件下, 检验统计量取其观察值及比观察值更极端的值(沿着对立假设方向)的概率. P 值也称作“观察”到的显著性水平. P 值越小, 反对原假设的证据越强. 通常若P 低于5%, 称此结果为统计显著; 若P 低于1%,称此结果为高度显著. 6.当数据为概括数据时的假设检验命令 当数据为概括数据时, 要根据假设检验的理论, 计算统计量的观察值, 再查表作出结论. 用以下命令可以代替查表与计算, 直接计算得到检验结果. (1)统计量服从正态分布时, 求正态分布P 值的命令NormalPValue. 其格式为 NormalPValue[统计量观察值,显著性选项,单边或双边检验选项] (2)统计量服从t 分布时, 求t 分布P 值的命令StudentTPValue. 其格式为 StudentTPValue[统计量观察值,自由度,显著性选项,单边或双边检验选项] (3)统计量服从2χ分布时, 求2χ分布P 值的命令ChiSquarePValue. 其格式为 ChiSquarePValue[统计量观察值,自由度,显著性选项,单边或双边检验选项] (4)统计量服从F 分布时, 求F 分布P 值的命令FratioPValue. 其格式为 FratioPValue[统计量观察值,分子自由度,分母自由度,显著性选项,单边或双边检验选项] (5)报告检验结果的命令ResultOfTest. 其格式为 ResultOfTest[P 值,显著性选项,单边或双边检验选项,FullReport->True] 注:上述命令中, 缺省默认的显著性水平都是0.05, 默认的检验都是单边检验. 实验举例 单正态总体均值的假设检验(方差已知情形) 例 1.1 (教材 例 1.1) 某车间生产钢丝, 用X 表示钢丝的折断力, 由经验判断),(~2σμN X , 其中228,570==σμ, 今换了一批材料, 从性能上看, 估计折断力的方差2σ不会有什么变化(即仍有228=σ), 但不知折断力的均值μ和原先有无差别. 现抽得样本, 测得其折断力为 578 572 570 568 572 570 570 572 596 584 取,05.0=α试检验折断力均值有无变化? 根据题意, 要对均值作双侧假设检验 570:,570:10≠=μμH H 输入 < 执行后, 再输入 data1={578,572,570,568,572,570,570,572,596,584}; MeanTest[data1,570,SignificanceLevel->0.05, KnownVariance->64,TwoSided->True,FullReport->True] (*检验均值, 显著性水平05.0=α, 方差083.02=σ已知*) 则输出结果 {FullReport-> Mean TestStat Distribution 575.2 2.05548 NormalDistribution[] TwoSidedPValue->0.0398326, Reject null hypothesis at significance level ->0.05} 即结果给出检验报告: 样本均值2.575=x , 所用的检验统计量为u 统计量(正态分布),检验统计量的观测值为 2.05548, 双侧检验的P 值为0.0398326, 在显著性水平05.0=α下, 拒绝原假设, 即认为折断力的均值发生了变化. 例 1.2 (教材 例 1.2) 有一工厂生产一种灯管, 已知灯管的寿命X 服从正态分布)40000,(μN , 根据以往的生产经验, 知道灯管的平均寿命不会超过1500小时. 为了提高灯管的平均寿命, 工厂采用了新的工艺. 为了弄清楚新工艺是否真的能提高灯管的平均寿命,他们测试了采用新工艺生产的25只灯管的寿命. 其平均值是1575小时, 尽管样本的平均值大于1500小时, 试问: 可否由此判定这恰是新工艺的效应, 而非偶然的原因使得抽出的这25只灯管的平均寿命较长呢? 根据题意, 需对均值的作单侧假设检验 1500:,1500:10>≤μμH H 检验的统计量为 n X U /0σμ-= , 输入 p1=NormalPValue[(1575-1500)/200*Sqrt[25]] ResultOfTest[p1[[2]],SignificanceLevel ->0.05,FullReport ->True] 执行后的输出结果为 OneSidedPValue ->0.0303964 {OneSidedPValue->0.0303964, Fail to reject null hypothesis at significance level ->0.05} 即输出结果拒绝原假设 单正态总体均值的假设检验(方差未知情形) 例1.3 (教材 例1.3) 水泥厂用自动包装机包装水泥, 每袋额定重量是50kg, 某日开工后随机抽查了9袋, 称得重量如下: 49.6 49.3 50.1 50.0 49.2 49.9 49.8 51.0 50.2 设每袋重量服从正态分布, 问包装机工作是否正常(05.0=α)? 根据题意, 要对均值作双侧假设检验: 50:;50:10≠=μμH H 输入 data2={49.6,49.3,50.1,50.0,49.2,49.9,49.8,51.0,50.2}; MeanTest[data2,50.0,SignificanceLevel ->0.05,FullReport ->True] (*单边检验且未知方差,故选项TwoSided,KnownVariance 均采用缺省值*) 执行后的输出结果为 {FullReport-> Mean TestStat Distribution, 49.9 -0.559503 StudentTDistribution[8] OneSidedPValue ->0.295567, Fail to reject null hypothesis at significance level ->0.05} 即结果给出检验报告: 样本均值9.49=X , 所用的检验统计量为自由度8的t 分布(t 检验),检验统计量的观测值为-0.559503, 双侧检验的P 值为0.295567, 在显著性水平05.0=α下, 不拒绝原假设, 即认为包装机工作正常. 例1.4 (教材 例1.4) 从一批零件中任取100件,测其直径,得平均直径为5.2,标准差为1.6.在显著性水平05.0=α下,判定这批零件的直径是否符合5的标准. 根据题意, 要对均值作假设检验: .5:;5:10≠=μμH H 检验的统计量为n s X T /0 μ-=, 它服从自由度为1-n 的t 分布. 已知样本容量,100=n 样本均值2.5=X , 样本标准差6.1=s . 输入 StudentTPValue[(5.2-5)/1.6*Sqrt[100],100-1, TwoSided->True] 则输出 TwoSidedPValue->0.214246 即P 值等于0.214246, 大于0.05, 故不拒绝原假设, 认为这批零件的直径符合5的标准. 单正态总体的方差的假设检验 例1.5 (教材 例1.5) 某工厂生产金属丝, 产品指标为折断力. 折断力的方差被用作工厂生产精度的表征. 方差越小, 表明精度越高. 以往工厂一直把该方差保持在64(kg 2)与64以下. 最近从一批产品中抽取10根作折断力试验, 测得的结果(单位为千克) 如下: 578 572 570 568 572 570 572 596 584 570 由上述样本数据算得74.75,2.5752==s x . 为此, 厂方怀疑金属丝折断力的方差是否变大了. 如确实增大了, 表明生产精度不如以前, 就需对生产流程作一番检验, 以发现生产环节中存在的问题. 根据题意, 要对方差作双边假设检验: 64:;64:2120>≤σσH H 输入 data3={578,572,570,568,572,570,572,596,584,570}; VarianceTest[data3,64,SignificanceLevel->0.05,FullReport->True] (*方差检验,使用双边检验,05.0=α*) 则输出 {FullReport-> Variance TestStat Distribution 75.7333 10.65 ChiSquareDistribution[9] OneSidedPValue->0.300464, Fail to reject null hypothesis at significance level->0.05} 即检验报告给出: 样本方差,7333.752=s 所用检验统计量为自由度4的2χ分布统计量(2χ 检验), 检验统计量的观测值为10.65, 双边检验的P 值为0.300464, 在显著性水平05.0=α 时, 接受原假设, 即认为样本方差的偏大系偶然因素, 生产流程正常, 故不需再作进一步的 检查. 例1.6 (教材 例1.6) 某厂生产的某种型号的电池, 其寿命(以小时计) 长期以来服从方差50002=σ的正态分布, 现有一批这种电池, 从它的生产情况来看, 寿命的波动性有所改变. 现随机取26只电池, 测出其寿命的样本方差92002=s .问根据这一数据能否推断这批电池的寿命的波动性较以往的有显著的变化(取02.0=α)? 根据题意, 要对方差作双边假设检验: 5000:; 5000:2120≠=σσH H 所用的检验统计量为,)1(202 2σχS n -=它服从自由度为1-n 的2χ分布.已知样本容量 ,26=n 样本方差.92002=s 输入 ChiSquarePValue[(26-1)*9200/5000, 26-1,TwoSided->True] 则输出 TwoSidedPValue->0.0128357. 即P 值小于0.05, 故拒绝原假设. 认为这批电池寿命的波动性较以往有显著的变化. 双正态总体均值差的检验(方差未知但相等) 例1.7 (教材 例1.7) 某地某年高考后随机抽得15名男生、12名女生的物理考试成绩 如下: 男生: 49 48 47 53 51 43 39 57 56 46 42 44 55 44 40 女生: 46 40 47 51 43 36 43 38 48 54 48 34 从这27名学生的成绩能说明这个地区男女生的物理考试成绩不相上下吗?(显著性水平05.0=α). 根据题意, 要对均值差作单边假设检验: 211210:,:μμμμ≠=H H 输入 data4={49.0,48,47,53,51,43,39,57,56,46,42,44,55,44,40}; data5={46,40,47,51,43,36,43,38,48,54,48,34}; MeanDifferenceTest[data4,data5,0,SignificanceLevel->0.05, TwoSided->True,FullReport->True,EqualVariances->True,FullReport->Tr ue] (*指定显著性水平05.0=α,且方差相等*) 则输出 {FullReport-> MeanDiff TestStat Distribution 3.6 1.56528 tudentTDistribution[25], OneSidedPValue->0.13009, Fail to reject null hypothesis at significance level->0.05} 即检验报告给出: 两个正态总体的均值差为3.6, 检验统计量为自由度25的t 分布(t 检验),检验统计量的观察值为1.56528, 单边检验的P 值为0.13009, 从而没有充分理由否认原假 设, 即认为这一地区男女生的物理考试成绩不相上下. 双正态总体方差比的假设检验 例1.8 (教材 例1.8) 为比较甲、乙两种安眠药的疗效, 将20名患者分成两组, 每组10人, 如服药后延长的睡眠时间分别服从正态分布, 其数据为(单位:小时): 甲: 5.5 4.6 4.4 3.4 1.9 1.6 1.1 0.8 0.1 -0.1 乙: 3.7 3.4 2.0 2.0 0.8 0.7 0 -0.1 -0.2 -1.6 问在显著性水平05.0=α下两重要的疗效又无显著差别. 根据题意, 先在21,μμ未知的条件下检验假设: 2221122210:,:σσσσ≠=H H 输入 list1={5.5,4.6,4.4,3.4,1.9,1.6,1.1,0.8,0.1,-0.1}; list2={3.7,3.4,2.0,2.0,0.8,0.7,0,-0.1,-0.2,-1.6}; VarianceRatioTest[list1,list2,1,SignificanceLevel->0.05, TwoSided->True,FullReport->True] (*方差比检验,使用双边检验,05.0=α*) 则输出 {FullReport-> Ratio TestStat Distribution 1.41267 1.41267 FratioDistribution[9,9], TwoSidedPValue->0.615073, Fail to reject null hypothesis at significancelevel->0.05} 即检验报告给出: 两个正态总体的样本方差之比222 1s s 为 1.41267, 检验统计量的分布为 )9,9(F 分布(F 检验), 检验统计量的观察值为1.41267, 双侧检验的P 值为0.615073. 由检验报告知两总体方差相等的假设成立. 其次, 要在方差相等的条件下作均值是否相等的假设检验: 211210:,:μμμμ≠'='H H 输入 MeanDifferenceTest[list1,list2,0,EqualVariances->True, SignificanceLevel->0.05,TwoSided->True,FullReport->True] (*均值差是否为零的检验,已知方差相等,05.0=α,双边检验*) 则输出 {FullReport-> MeanDiff TestStat Distribution 1.26 1.52273 StudentTDistribution[18], TwoSidedPValue->0.1452, Fail to reject null hypothesis at significance level->0.05} 根据输出的检验报告, 应接受原假设,:210 μμ='H 因此, 在显著性水平05.0=α下可认为21μμ=. 综合上述讨论结果, 可以认为两种安眠药疗效无显著差异. 例1.9 (教材 例1.9) 甲、乙两厂生产同一种电阻, 现从甲乙两厂的产品中分别随机抽 取12个和10个样品, 测得它们的电阻值后, 计算出样本方差分别为,40.121 =s .38.422=s 假设电阻值服从正态分布, 在显著性水平10.0=ε下, 我们是否可以认为两厂生产的电阻值的方差相等. 根据题意, 检验统计量为,22 21S S F =它服从自由度(1,121--n n )的F 分布.已知样本容量10,1221==n n , 样本方差.38.4,40.12221 ==s s 该问题即检验假设: 22 21122210:,:σσσσ≠=H H 输入 FRatioPValue[1.40/4.38,12-1,10-1,TwoSided->True,SignificanceLevel->0.1] 则输出 TwoSidedPValue->0.0785523, Reject null hypothesis at significance level->0.1} 所以, 我们拒绝原假设, 即认为两厂生产的电阻阻值的方差不同 分布拟合检验——2χ检验法 例1.10 (教材 例1.10) 下面列出84个伊特拉斯坎男子头颅的最大宽度(单位:mm): 141 148 132 138 154 142 150 146 155 158 150 140 147 148 144 150 149 145 149 158 143 141 144 144 126 140 144 142 141 140 145 135 147 146 141 136 140 146 142 137 148 154 137 139 143 140 131 143 141 149 148 135 148 152 143 144 141 143 147 146 150 132 142 142 143 153 149 146 149 138 142 149 142 137 134 144 146 147 140 142 140 137 152 145 试检验上述头颅的最大宽度数据是否来自正态总体(1.0=α)? 输入数据 data2={141,148,132,138,154,142,150,146,155,158,150,140, 147,148, 144,150,149,145,149,158,143,141,144,144,126,140, 144,142,141,140, 145,135,147,146,141,136,140,146,142,137, 148,154,137,139,143,140, 131,143,141,149,148,135,148,152, 143,144,141,143,147,146,150,132, 142,142,143,153,149,146, 149,138,142,149,142,137,134,144,146,147, 140,142,140,137,152,145}; 输入 Min[data2]|Max[data2] 则输出 126|158 即头颅宽度数据的最小值为126, 最大值为158. 考虑区间[124.5,159.5], 它包括了所有的数据. 以5为间隔, 划分小区间. 计算落入每个小区间的频数, 输入 pshu=BinCounts[data2,{124.5,159.5,5}] 则输出 {1,4,10,33,24,9,3} 因为出现了两个区间内的频数小于5, 所以要合并小区间. 现在把频数为1, 4的两个区间合并, 再把频数为9, 3的两个区间合并. 这样只有5个小区间. 这些区间为 (5.134,-∞),),,5.154(,],5.139,5.134(+∞Λ 为了计算分布函数在端点的值, 输入 zu=Table[129.5+j*5,{j,1,4}] 则输出 {134.5,139.5,144.5,149.5} 以这4个数为分点,把),(+∞-∞分成5个区间后,落入5个小区间的频数分别为5, 10, 33, 24, 12.它们除以数据的总个数就得到频率. 输入 plv={5,10,33,24,12}/Length[data2] 则输出 ? ?????71,72,2811,425,845 下面计算在0H 成立条件下, 数据落入5个小区间的概率. 输入 nor=NormalDistribution[Mean[data2],StandardDeviationMLE[data2]]; (*Mean[data2]是总体均值的极大似然估计, StandardDeviationMLE[data2]是总体标准差的极大似然估计, NormalDistribution 是正态分布, 因此nor 是由极大似然估计得到的正态分布*) Fhat=CDF[nor,zu] (*CDF 是分布函数的值*) 则输出 {0.0590736,0.235726,0.548693,0.832687} 此即0H 成立条件下分布函数在分点的值. 再求相邻两个端点的分布函数值之差, 输入 Fhat2=Join[{0},Fhat,{1}]; glv=Table[Fhat2[[j]]-Fhat2[[j-1]],{j,2,Length[Fhat2]}] 则输出 {0.0590736,0.176652,0.312967,0.283994,0.167313} 输入计算检验统计量2χ值的命令 chi=Apply[Plus,(plv-glv)^2/glv*Length[data2]] 则输出 3.59235 再输入求2χ分布的P 值命令 ChiSquarePValue[chi,2] (*5-2-1=2为2χ分布的自由度*) 则输出 OneSidedPValue->0.165932 这个结果表明0H 成立条件下, 统计量2χ取3.59235及比它更大的概率为0.165932, 因此不拒绝0H , 即头颅的最大宽度数据服从正态分布. 实验习题 1.设某种电子元件的寿命X (单位:h)服从正态分布22,),,(σμσμN 均未知. 现测得16只元件的寿命如下: 159 280 101 212 224 379 179 264 222 362 168 250 149 260 485 170 问是否有理由认为元件的平均寿命225h?是否有理由认为这种元件寿命的方差≤852? 2.某化肥厂采用自动流水生产线,装袋记录表明,实际包重)2,100(~2N X ,打包机必须定期进行检查,确定机器是否需要调整,以确保所打的包不至过轻或过重,现随机抽取9包, 测得数据(单位:kg)如下 102 100 105 103 98 99 100 97 105 若要求完好率为95%,问机器是否需要调整? 3.某炼铁厂的铁水的含碳量X 在正常情况下服从正态分布.现对操作工艺进行了某些改进,从中抽取5炉铁水测得含碳量百分比的数据如下 4.421 4.052 4.357 4.287 4.683 据此是否可以认为新工艺炼出的铁水含碳量的方差仍为?)05.0(108.02=α 4.机器包装食盐,假设每袋盐的净重服从正态分布,规定每袋标准重量为500g,标准差不能超过0.02.某天开工后,为检验机械工作是否正常,从装好的食盐中随机地抽取9袋,则其净重(单位:500g)为 0.994 1.014 1.02 0.95 0.968 0.968 1.048 0.982 1.03 问这天包装机工作是否正常(05.0=α)? 5.(1)某切割机在正常工作时,切割每段金属棒的平均长度为10.5cm.今从一批产品中随机地抽取15段,测得其长度(单位:cm)如下 10.4 10.6 10.1 10.4 10.5 10.3 10.3 10.2 10.9 10.6 10.8 10.5 10.7 10.2 10.7 设金属棒长度服从正态分布,且标准差没有变化,试问该机工作是否正常(05.0=α)? (2)上题中假定切割的长度服从正态分布,问该机切割的金属棒的平均长度有无显著变化(05.0=α)? (3)如果只假定切割的长度服从正态分布,问该机切割的金属棒长度的标准差有无显著 变化(05.0=α)? 6. 在平炉上进行一项试验以确定改变操作方法的建议是否会增加钢的得率,试验是在同一平炉进行的, 每炼一炉钢时除操作方法外, 其他方法都尽可能做到相同.先用标准方法炼一炉, 然后用建议的新方法炼一炉, 以后交替进行, 各炼了10炉, 其得率分别为 (1) 标准方法 78.1 72.4 76.2 74.3 77.4 78.4 76.0 75.5 76.7 77.3 (2) 新 方 法 79.1 81.0 77.3 79.1 80.0 79.1 79.1 77.3 80.2 82.1 设这两个样本相互独立, 且分别来自正态总体),(21σμN 和),(22σμN ,21,μμ和2σ均未知.问建议的新操作方法能否提高得率(05.0=α). 7.某自动机床加工同一种类型的零件.现从甲、乙两班加工的零件中各抽验了5各,测得它们的直径(单位:cm)分别为 甲: 2.066 2.063 2.068 2.060 2.067 乙: 2.058 2.057 2.063 2.059 2.060 已知甲、乙二车床加工的零件其直径分别为),(~),,(~2221σμσμN Y N X ,试根据抽样结果来说明两车床加工的零件的平均直径有无显著性差异(05.0=α)? 8.设某产品的使用寿命近似服从正态分布,要求平均使用寿命不低于1000h.现从一批产品中任取25只, 测得平均使用寿命为950h,样本方差为100, 在05.0=α下,检验这批产 品是否合格. 9. 两台机器生产某种部件的重量近似服从正态分布.分别抽取60与30个部件进行检 测,样本方差分别为.66.9,46.152221==s s 试在05.0=α下检验假设 .:;:2221122210σσσσ>=H H 10.设某电子元件的可靠性指标服从正态分布,合格标准之一为标准差.05.00=σ现检测15次,测得指标的平均值95.0=x ,指标的标准差.03.0=s 试在1.0=α下检验假设 .05.0:;05.0:221220≠=σσH H 11.对两种香烟中尼古丁含量进行6次测试,得到样本均值与样本方差分别为 22.9,25.6,67.25,5.252221====s s y x 设尼古丁含量都近似服从正态分布,且方差相等.取显著性水平,05.0=α检验香烟中尼古丁含量的方差有无显著差异. 第一节方差分析原理 一、方差分析基本思想 方差分析（analysis of variance，或缩写ANOVA）又称变异数分析，是一种应用非常广泛的统计方法。其主要功能是检验两个或多个样本平均数的差异是否有统计学意义，用以推断它们的总体均值是否相同。它是真正用来进行上述“多组比较”问题的正确方法，从这个意义上说，它可看成是t检验等“两组比较法”的推广。理解方差分析的原理，主要在于其基本思想，而不在于数学推导。 以单因素完全随机化实验设计为例（这是最简单的多组实验设计）介绍方差分析的原理。注意下面列出的该种设计的数学模式，假设有k 个处理，每个处理下有n 个被试，一共有nk 个被试。K个处理下的数据构成比较中的k个组或k个样本。 不失一般地，其对应的图示如下： 根据测量学中的真分数理论，观测值等于真值和误差之和；据此，对照上面的数据可得到下面的数学模型： 其中： X ij指第j 个处理下的第i 个被试的实验数据； μ指总体均值；在图中样本数据中，即红色线表示的总平均； μj指第j 个处理的均值； τj称为第j 个处理的效应；通常，τj=μj–μ，也即各组均值偏离总平均的离差； εij为随机误差（idd表示误差独立同分布）；在该模型中，误差就是各组中数据偏离其组均值的离差。因为根据单因素完全随机化设计的特点，同组中的被试，其各方面条件都相同，接受的处理也相同，其观测值间的差异只能归结为随机误差。 首先对检验的零假设进行变换： 下面我们就需要构造一个统计量使得它在Ho"下无未知量且有精确的分布，以进行假设检验。由于τ2j是每个处理的平均数与总平均之差，所以我们考虑从数据的离均差的平方入手来构造统计量： 对每个观测数据： 即：任意一个数据与总平均数的离差= 该数与所在组平均数的离差+ 所在组的平均数与总平均数的离差。 我们针对第j 组中每个数据的上述分解式的平方求和得： 单因素方差分析 单因素方差分析也称作一维方差分析。它检验由单一因素影响的一个(或几个相互独立的)因变量由因素各水平分组的均值之间的差异是否具有统计意义。还可以对该因素的若干水平分组中哪一组与其他各组均值间具有显著性差异进行分析，即进行均值的多重比较。One-Way ANOVA过程要求因变量属于正态分布总体。如果因变量的分布明显的是非正态，不能使用该过程，而应该使用非参数分析过程。如果几个因变量之间彼此不独立，应该用Repeated Measure过程。 [例子] 调查不同水稻品种百丛中稻纵卷叶螟幼虫的数量，数据如表5-1所示。 表5-1 不同水稻品种百丛中稻纵卷叶螟幼虫数 数据保存在“DATA5-1.SAV”文件中，变量格式如图5-1。 图5-1 分析水稻品种对稻纵卷叶螟幼虫抗虫性是否存在显著性差异。 1）准备分析数据 在数据编辑窗口中输入数据。建立因变量“幼虫”和因素水平变量“品种”，然后输入对应的数值，如图5-1所示。或者打开已存在的数据文件“DATA5-1.SAV”。 2）启动分析过程 点击主菜单“Analyze”项，在下拉菜单中点击“Compare Means”项，在右拉式菜单中点击“0ne-Way ANOVA”项，系统 打开单因素方差分析设置窗口如图5-2。 图5-2 单因素方差分析窗口 3）设置分析变量 因变量:选择一个或多个因子变量进入“Dependent List”框中。本例选择“幼虫”。 因素变量:选择一个因素变量进入“Factor”框中。本例选择“品种”。 4）设置多项式比较 单击“Contrasts”按钮，将打开如图5-3所示的对话框。该对话框用于设置均值的多项式比较。 图5-3 “Contrasts”对话框 定义多项式的步骤为： 均值的多项式比较是包括两个或更多个均值的比较。例如图5-3中显示的是要求计算“1.1×mean1-1×mean2”的值，检验的假设H0：第一组均值的1.1倍与第二组的均值相等。单因素方差分析的“0ne-Way ANOVA”过程允许进行高达5次的均值多项式比较。多项式的系数需要由读者自己根据研究的需要输入。具体的操作步骤如下： ① 选中“Polynomial”复选项，该操作激活其右面的“Degree”参数框。 ② 单击Degree参数框右面的向下箭头展开阶次菜单，可以选择“Linear”线性、“Quadratic”二次、“Cubic”三次、“4th”四次、“5th”五次多项式。 ③ 为多项式指定各组均值的系数。方法是在“Coefficients”框中输入一个系数，单击Add按钮，“Coefficients”框中的系数进入下面的方框中。依次输入各组均值的系数，在方形显示框中形成—列数值。因素变量分为几组，输入几个系数，多出的无意义。如果多项式中只包括第一组与第四组的均值的系数，必须把第二个、第三个系数输入为0值。如果只包括第一组与第二组的均值，则只需要输入前两个系数，第三、四个系数可以不输入。 可以同时建立多个多项式。一个多项式的一组系数输入结束，激话“Next”按钮，单击该按钮后“Coefficients”框中清空，准备接受下一组系数数据。 §3 检验母体方差 3.1 检验正态母体的方差 ——2 χ检验 母体),(~2σμN X ，2 ,σμ均未知，试对 2 σ与2 0σ有无显著差异作假设检验. ①在母体上作 假设 ?=2 020:σσH 2021:σσ≠H ②检验统计量 )1( ~ )1(22 02 2 --=*n S n H χσχ ③给定显著水平α，如图存在 )1(22 1-- n α χ 和)1(2 2 -n αχ，使 2 )}1({)}1({2 2 222 12α χχχ χαα = ->=-<- n P n P 故取拒绝域 } )1()1(),,,{(2 2 222 12 21->-<=- n n x x x W n αα χχχ χ或 ④决策：当抽样结果是 W x x x n ∈),,,(21 时，拒绝0 H ，认为2 σ与2 0σ有 显著差异；否则接受0 H ，认为2 σ与20 σ无 显著差异. 例3.3.1 某细纱车间纺出的一种细纱支数的标准差2.10=σ，现从某日纺出的一批细纱中随机抽出16缕进行支数测 量，算得子样标准差1.2* =s ，问：纱的均 匀度有无显著变化（取05.0=α）？假定 母体分布是正态的。 解: 设该日纺出的纱的支数 ),(~2 σμN X ，2 ,σμ均未知， 作假设?=2.1:20σH 2.1:21 ≠σH 检验统计量)1(~ )1(22 22 --= *n S n H χσ χ 给定显著水平α，拒绝域为 } )1()1(),,,{(2 2 222 1221->-<=-n n x x x W n ααχχχχ或 这时16=n ，2.10=σ，1.2* =s ，从而94.452 =χ，又05.0=α，查表得 262.6)15()1(975.02 1==-- χχ α n ， 488.27)15()1(025.02 ==-χχαn ， 可见)1(2 2 ->n αχχ，故应拒绝0H ，认为 这天细纱的均匀度有显著变化。 例3.3.2 ),(~2 σμN X ， 2 ,σμ均未知， 当45>n ，作如下假设检验 ?=2 2 0:σσH 2021:σσ≠H 检验统计量取为2 02 2 )1(σχ *-= S n ，证明：给 定显著水平α，则拒绝域为 } )1(2)1({})1(2)1({2 22 2ααχχu n n u n n W ---≤-+-≥= . 证明：作假设?=2020:σσH 2 021:σσ≠H ， 0H 成立时检验统计量 项目八假设检验、回归分析与方差分析 实验3 方差分析 实验目的学习利用Mathematica求单因素方差分析的方法. 基本命令 1.调用线性回归软件包的命令< 中,向量Y是因变量,也称作响应变量.矩阵X称作设计矩阵, ?是参数向量??是误差向量? ????????DesignedRegress也是作一元和多元线性回归的命令, 它的应用范围更广些. 其格式与命令Regress的格式略有不同: DesignedRegress[设计矩阵X,因变量Y的值集合, RegressionReport ->{选项1, 选项2, 选项3,…}] RegressionReport(回归报告)可以包含:ParameterCITable(参数?的置信区间表???? ?PredictedResponse (因变量的预测值), MeanPredictionCITable(均值的预测区间), FitResiduals(拟合的残差), SummaryReport(总结性报告)等, 但不含BestFit. 实验准备—将方差分析问题纳入线性回归问题 在线性回归中, 把总的平方和分解为回归平方和与误差平方和之和, 并在输出中给出了方差分析表. 而在方差分析问题 中, 也把总的平方和分解为模型平方和与误差平方和之和, 其方法与线性回归中的方法相同. 因此只要把方差分析问题转化为线性模型的问题, 就可以利用线性回归中的设计回归命令DesignedRegress 做方差分析. 单因素试验方差分析的模型是 ?? ? ??==+=. ,,2,1;,,2,1,),,0(~,2s j n i N Y j ij ij ij j ij ΛΛ独立各εσεεμ (3.1) 上式也可改写成 ?? ? ??===+-+==+=.,,2,1;,,2,1,),,0(~; ,,3,2,)(, ,,2,1,2111111s j n i N s j Y n i Y j ij ij ij j ij i i ΛΛΛΛ独立各εσεεμμμεμ (3.2) 给定具体数据后, 还可(2.2)式写成线性模型的形式: 多元统计分析第三章假设检验与方差分析 第3章 多元正态总体的假设检验与方差分析 从本章开始，我们开始转入多元统计方法和统计模型的学习。统计学分析处理的对象是带有随机性的数据。按照随机排列、重复、局部控制、正交等原则设计一个试验，通过试验结果形成样本信息（通常以数据的形式），再根据样本进行统计推断，是自然科学和工程技术领域常用的一种研究方法。由于试验指标常为多个数量指标，故常设试验结果所形成的总体为多元正态总体，这是本章理论方法研究的出发点。 所谓统计推断就是根据从总体中观测到的部分数据对总体中我们感兴趣的未知部分作出推测，这种推测必然伴有某种程度的不确定性，需要用概率来表明其可靠程度。统计推断的任务是“观察现象，提取信息，建立模型，作出推断”。 统计推断有参数估计和假设检验两大类问题，其统计推断目的不同。参数估计问题回答诸如“未知参数θ的值有多大?”之类的问题,而假设检验回答诸如“未知参数θ的值是0θ吗?”之类的问题。本章主要讨论多元正态总体的假设检验方法及其实际应用，我们将对一元正态总体情形作一简单回顾，然后将介绍单个总体均值的推断， 两个总体均值的比较推断，多个总体均值的比较检验和协方差阵的推断等。 3.1一元正态总体情形的回顾 一、 假设检验 在假设检验问题中通常有两个统计假设（简称假设）,一个作为原假设（或称零假设），另一个作为备择假设（或称对立假设），分别记为0H 和1H 。 1、显著性检验 为便于表述，假定考虑假设检验问题：设1X ，2X ，…,n X 来自总体),(2 σμN 的样本，我们要检验假设 100:,:μμμμ≠=H H （3.1） 原假设0H 与备择假设1H 应相互排斥，两者有且只有一个正确。备择假设的意思是，一旦否定原假设0H ，我们就选择已准备的假设1H 。 当2 σ已知时，用统计量n X z σ μ -= 正态总体均值及方差的假设检验表： 单正态总体均值及方差的假设检验表(显著性水平α) 1 a n ～N (0,1)2 01 a S n ～t 2 2 02 1 0n i n i a ～ 2或 2 21 2 n 2 2n 2 21 n 20 ～ 22 21 1 2 n 2 21n 21 1 n 2 212 12 n n ～N (0,1) 2 1 2 11W S n n ～ 2 , 22 1122 122 n S n S n n 22 22 21112 2 1 2 1i i n i i a a n ～12,F n n 2 或 2 2 221 n S n ～21,1n 1 2或 2 Z =ξ-η～N (a 1-a 2，21σ+2 2σ)，Z i =ξi -ηi . 2 21 2 Z n ) 2 1 S n ～ 2 单正态总体均值及方差的区间估计(置信度1-α) 已知 1 a n ～N (0,1)0 1 1 , n n u u n n 1 a S n ～t , 1 1 t t n n 2 02 1 n i n i a ～ 001 122, 12 2 i i i i n n a a 20 ～ 21 ,12 2 n 2个正态总体均值差及方差比的区间估计(置信度1-α) 12 212 12 a n n ～N (0,1) 2212 12 u n n 112 11W a S n n 22 n t 1 22 12 11W n n t S n n )2 a ξ-12 ,1 ,2 2 n n A F A 2 112 222 2 11n S n S ～ 2 2 21112W n S n S n n 212 1212 2 2 1 n i i n i i n a A n a ，2 122 2 21111n n S B n n S ． （注：专业文档是经验性极强的领域，无法思考和涵盖全面，素材和资料部分来自网络，供参考。可复制、编制，期待你的好评与关注） 实验四 假设检验 实验目的：通过此实验熟练掌握如何利用假设检验工具根据不同条件 选择相应检验工具进行检验，有助于学习者理解假设检验的过程及结果 实验要求：能够运用Excel 对总体均值进行假设检验，学会针对实际 背景提出原假设和备择假设来检验实际问题，并根据检验结果作出符合统计学原理和实际情况的判断和结论，加深对统计学方法的广泛应用背景的理解 假设检验与区间估计两者之间存在密切的关系，二者用的是同一个样本、同一个统计量、同一种分布，所以也可以用区间估计进行假设检验，两者结论是一致的。在Excel 中进行假设检验，除可按区间估计过程用公式和逆函数计算外，还备有专用的假设检验工具，包括Z —检验工具、T —检验工具和F —检验工具。使用这些工具，可以直接根据样本数据进行计算，一次给出检验统计量、单尾和双尾临界值以及小于或等于临界值的概率等所需要的数值。实验四主要介绍假设检验工具的使用。 一、假设检验的一般过程 假设检验主要是根据计算出的检验统计量与相应临界值比较，作出拒绝或接受原假设的决定。 根据全国汽车经销商协会报道，旧车的平均销售价格是10192美元。堪萨斯城某旧车经销处的一名经理检查了近期在该经销处销售的100辆旧车。结果样本平均价格是9300美元，样本标准差是4500美元。在0.05的显著性水平下，检验H 0：10192≥μ H 1：10192<μ。问：假设检验的结论是什么？这名经理接下来可能会采取什么行动？ 本例由于样本容量比较大，其均值近似服从正态分布，总体方差未知，需要用样本标准差来代替，选择T 统计量进行检验。T 统计量的计算公式如下： )1(~1 0--= -n t n s x t n μ 单击任一空单元格，输入“=(9300-10192)/(4500/SQRT(100))”，回车确认，得出t 统计量为-1.982。单击另一空单元格，输入“=TINV(0.025,99)”，回车确认，得出t 分布的右临界值为2.276。因为276.2982.1<-，所以不拒绝原假设，认为此旧车经销处旧汽车平均销售价格不小于10192美元。那么接下来这名经理会采取什么相应行动？（请读者思考）。 本例主要介绍了假设检验的一般过程，利用Excel 的公式和函数求出相应的统计量值和临界值，最后作出结论。 二、假设检验工具的使用 接下来介绍如何使用Excel 的假设检验工具。使用这一工具应该注意二点：第一，由于现实世界和生活中大量的数据服从正态分布，Excel 的假设检验工具是按正态总体设计的（以下各例未特殊说明，认为其服从或近似服从正态分布）；第二，Excel 的假设检验工具主要用于检验两总体之间有无显著差异。具体来讲，Z —检验工具是对方差或标准差已知的两总体均值进行差异性检验；T —检验工具是对方差和标准差未知的两总体均值进行差异性检验，其中包括等方差假设检验、异方差假设检验和成对双样本检验；F —检验工具是对总体的标准差进行检验。 （一）Z —检验工具的使用 国际航空运输协会对商务旅行者进行调查以确定大西洋两岸过关机场的等级分数。假定：要求50名商务旅行者组成的随机样本给迈阿密机场打分，另50名商务旅行者组成的随机样本给洛杉机机场打分，最高等级为10分。两个样本数据如下： 迈阿密机场得分数据： 6 4 6 8 7 7 6 3 3 8 10 4 8 7 8 7 5 9 5 8 4 3 8 5 5 4 4 4 8 4 5 6 2 5 9 9 8 4 8 9 9 5 9 7 8 3 10 8 9 6 洛杉机机场得分数据： 10 9 6 7 8 7 9 8 10 7 6 5 7 3 5 6 8 7 10 8 4 7 8 6 9 9 5 3 1 8 9 6 8 5 4 6 10 9 8 3 2 7 9 5 3 10 3 5 10 8 假定两总体的等级标准差已知（这里用样本标准差代替总体标准差）， SPSS--One-Way ANOVA过程--单因素方差分析 One-Way ANOVA过程 该命令用于两组及多组独立样本平均数差异显著性的比较，即成组设计的方差分析。还可进行随后的两两成对比较。 1 界面说明 【Dependent List框】 选入需要分析的变量，可选入多个结果变量（因变量）。 【Factor框】 选入需要比较的分组因素，只能选一个。 【Contrast钮】 弹出Contrast对话框，用于对精细趋势检验和精确两两比较的选项进行定义，该对话框比较专业，也较少用，这里做简单介绍。?Polynomial复选框定义是否在方差分析中进行趋势检验。?Degree下拉列表和Polynomial复选框配合使用，可选则从线性趋势一直到最高五次方曲线来进行检验。 ?Coefficients框定义精确两两比较的选项。按分组变量升序给每组一个系数值，注意最终所有系数值相加应为0。如果不为0仍可检验，只不过结果是错的。比如说在下面的例2要对一、三组进行单独比较，则在这里给三组分配系数为1、0、-1，就会在结果中给出相应的检验内容。 【Post Hoc按钮】 弹出Post Hoc Multiple Comparisons对话框，用于选择进行各组间两两比较的方法： ?EquaL Variances Assumed复选框：当各组数据方差齐性时的两两比较方法，共14种。其中最常用的为LSD和S-N-K法。?EquaL Variances Not Assumed复选框:当各组方差不齐性时的两两比较方法，共4种，其中以Dunnetts's C法较常用。?Significance Level框定义两两比较时的显著性水平，默认为0.05。 【Options按钮】 弹出Options对话框，用于定义相关的选项： ?Statistics复选框：选择一些附加的统计分析项目，有统计描述（Descriptive）和方差齐性检验 （Homogeneity-of-variance）。 ?Means plot复选框：用各组均数做图，直观了解它们的差异。 ?Missing Values单选框组：定义分析中对缺失值的处理方法，可以是具体分析时用到的变量有缺失值才去除该记录 （Excludes cases analysis by analysis），或只要相关变 第五节方差分析的SPSS操作 一、完全随机设计的单因素方差分析 1．数据 采用本章第二节所用的例1中的数据，在数据中定义一个group变量来表示五个不同的组，变量math表示学生的数学成绩。数据输入格式如图6－3（为了节省空间，只显示部分数据的输入）： 图6-3 单因素方差分析数据输入 将上述数据文件保存为“6-6-1.sav”。 2．理论分析 要比较不同组学生成绩平均值之间是否存在显著性差异，从上面数据来看，总共分了5个组，也就是说要解决比较多个组（两组以上）的平均数是否有显著的问题。从要分析的数据来看，不同组学生成绩之间可看作相互独立，学生的成绩可以假设从总体上服从正态分布，在各组方差满足齐性的条件下，可以用单因素的方差分析来解决这一问题。单因素方差分析不仅可以检验多组均值之间是否存在差异，同时还可进一步采取多种方法进行多重比较，发现存在差异的究竟是哪些均值。 3．单因素方差分析过程 （1）主效应的检验 假如我们现在想检验五组被试的数学成绩（math）的均值差异是否显著性，可依下列操作进行。①单击主菜单Analyze/Compare Means/One-W ay Anova…，进入主对话框，请把math选入到因变量表列（Dependent list）中去，把group选入到因素（factor）中去，如图6-4所示： 图6-4：One-Way Anova主对话框 ②对于方差分析，要求数据服从正态分布和不同组数据方差齐性，对于正态性的假设在后面非参数检验一章再具体介绍；One-Way Anova可以对数据进行方差齐性的检验，单击铵钮Options，进入它的主对话框，在Homogeneity-of-variance项上选中即可。设置如下图6-5所示： 图6-5：One-Way Anova的Options对话框 点击Continue，返回主对话框。 ③在主对话框中点击OK，得到单因素方差分析结果 4．结果及解释 （1）输出方差齐性检验结果 Test of Homogeneity of Variances MATH Levene Statistic df1 df2 Sig. 1.238 4 35 .313 上表结果显示，Levene方差齐性检验统计量的值为1.238，Sig=0.313>0.05，所以五个组的方差满足方差齐性的前提条件，如果不满足方差齐性的前提条件，后面方差分析计算F统计量的方法要稍微复杂，本章我们只考虑方差齐性条件满足的情况。 （2）输出方差分析主效应检验结果（方差分析表） 教学单元案例： 参数估计与假设检验 北京化工大学 李志强 教学内容：统计量、抽样分布及其基本性质、点估计、区间估计、假设检验、方差分析 教学目的：统计概念及统计推断方法的引入和应用 （1）理解总体、样本和统计量等基本概念；了解常用的抽样分布； （2）熟练掌握矩估计和极大似然估计等方法； （3）掌握求区间估计的基本方法； （4）掌握进行假设检验的基本方法； (5) 掌握进行方差分析的基本方法； （6）了解求区间估计、假设检验和方差分析的MA TLAB 命令 。 教学难点：区间估计、假设检验、方差分析的性质和求法 教学时间：150分钟 教学对象：大一各专业皆可用 一、统计问题 引例 例1 已知小麦亩产服从正态分布，传统小麦品种平均亩产800斤，现有新品种产量未知，试种10块，每块一亩，产量为： 775,816,834,836,858,863,873,877,885,901 问：新产品亩产是否超过了800斤？ 例2 设有一组来自正态总体),(2 σμN 的样本0.497, 0.506, 0.518, 0.524, 0.488, 0.510, 0.510, 0.512. (i) 已知2 σ=0.012，求μ的95%置信区间； (ii) 未知2σ，求μ的95%置信区间； (iii) 求2σ的95%置信区间。 例3现有某型号的电池三批, 分别为甲乙丙3个厂生产的, 为评比其质量, 各随机抽取5 只电池进行寿命测试, 数据如下表示, 这里假设第i 种电池的寿命),(.~ 2σμi i N X . (1) 试在检验水平下,检验电池的平均寿命有无显著差异? (2) 利用区间估计或假设检验比较哪个寿命最短. 实验四 假设检验 实验目的：通过此实验熟练掌握如何利用假设检验工具根据不同条件 选择相应检验工具进行检验，有助于学习者理解假设检验的过程及结果 实验要求：能够运用Excel 对总体均值进行假设检验，学会针对实际 背景提出原假设和备择假设来检验实际问题，并根据检验结果作出符合统计学原理和实际情况的判断和结论，加深对统计学方法的广泛应用背景的理解 假设检验与区间估计两者之间存在密切的关系，二者用的是同一个样本、同一个统计量、同一种分布，所以也可以用区间估计进行假设检验，两者结论是一致的。在Excel 中进行假设检验，除可按区间估计过程用公式和逆函数计算外，还备有专用的假设检验工具，包括Z —检验工具、T —检验工具和F —检验工具。使用这些工具，可以直接根据样本数据进行计算，一次给出检验统计量、单尾和双尾临界值以及小于或等于临界值的概率等所需要的数值。实验四主要介绍假设检验工具的使用。 一、假设检验的一般过程 假设检验主要是根据计算出的检验统计量与相应临界值比较，作出拒绝或接受原假设的决定。 根据全国汽车经销商协会报道，旧车的平均销售价格是10192美元。堪萨斯城某旧车经销处的一名经理检查了近期在该经销处销售的100辆旧车。结果样本平均价格是9300美元，样本标准差是4500美元。在0.05的显著性水平下，检验H 0：10192≥μ H 1：10192<μ。问：假设检验的结论是什么？这名经理接下来可能会采取什么行动？ 本例由于样本容量比较大，其均值近似服从正态分布，总体方差未知，需要用样本标准差来代替，选择T 统计量进行检验。T 统计量的计算公式如下： 单击任一空单元格，输入“=(9300-10192)/(4500/SQRT(100))”，回车确认，得出t 统计量为-1.982。单击另一空单元格，输入“=TINV(0.025,99)”， 云南大学滇池学院 方差分析与假设检验实验报告二 学生姓名：方炜学号：20092123080专业：软件工程 一、实验目的和要求： 1、初步了解SPSS的基本命令； 2、掌握方差分析和假设检验。 二、实验内容： 1、为比较5中品牌的合成木板的耐久性，对每个品牌取4个样本作摩擦试验测量磨损量，得以下数据： （1）它们的耐久性有无明显差异？ （2）有选择的作两品牌的比较，能得出什么结果？ 2、将土质基本相同的一块耕地分成5块，每块又分成均等的4小块。在每块地内把4个品 种的小麦分钟在4小块内，每小块的播种量相同，测得收获量如下： 考察地块和品种对小麦的收获量有无显著影响？并在必要时作进一步比较。 3、为了研究合成纤维收缩率和拉伸倍数对纤维弹性的影响进行了一些试验。收缩率取0，4， 8，12四个水平；拉伸倍数取460，520，580，640四个水平，对二者的每个组合重复作两次试验，所得数据如下： （1）收缩率，拉伸倍数及其交互作用对弹性有无显著影响？ （2）使弹性达到最大的生产条件是什么？ 三、实验结果与分析： 1、运行结果截图： 1、结果分析： （1）、Sig<0.05，耐久性有明显差异 （2）、由样本分析，品牌3分为一类；品牌1，2，5分为一类；品牌4分为一类。而品牌3和品牌4差距最大，品牌3的耐久性最差，品牌4的耐久性最好。 2、运行结果截图： 2、结果分析： （1）、地块（A组）Sig>0.05对小麦的收获量无显著影响，品种（B组）Sig<0.05对小麦的收获量有显著影响。 （2）、由图得，地块4最适合种小麦，地块1最不适合种小麦；而品种2的小麦收获量最大，品种4的小麦收获量最小。 3、运行结果截图： 假设检验和方差分析 目录 一．正态总体均值的检验 (1) 1.单个总体 (1) 2.两个总体 (2) 3.成对数据的t 检验 (3) 二．正态总体方差的检验——方差齐次检验 (3) 三．方差分析 (4) 1.单因素方差分析 (4) 2.均值的多重比较 (6) 3.方差分析前提的三个条件： (8) 4.双因素方差分析 (9) 一．正态总体均值的检验 R 中函数为：t.test() ，使用格式为： t.test(x, y = NULL, alternative = c("two.sided", "less", "greater"), mu = 0, paired = FALSE, var.equal = FALSE, conf.level = 0.95, ...) 其中，x 、y 是由数据构成的向量（如果只提供x ，则作单个正态总体的均值检验；提供x 和y 做两个总体的均值检验）。alternative 表示备择假设，two.sided （缺省）表示双边检验（10:H μμ≠），less 表示单边检验（10:H μμ<），greater 表示单边检验（10:H μμ>）。mu 表示原假设0μ，conf.level 是置信水平，即1α-，通常是0.95。var.equal 是逻辑变量，若var.equal=T 表示认为两样本方差相同，若var.equal=F 表示认为两样本。paired 是逻辑变量，表示是否进行配对样本t 检验，默认为不配对。 注意：假设检验的基本思想是：为了检验一个“假设”是否成立，就现假定这个“假设”是成立的。从这个假定也看产生的后果，如果导致一个不合理的现象出现，那么就表明原先的假定不成立，如果没有导出不合理的现象发生，则不能拒绝原来的假设，称原假设是相容的。这里的“不合理”，并不是形式逻辑中的绝对矛盾，而是基于人们实践中广泛采用的一个原则：小概率事件在一次观察中可以认为基本不会发生。 选择备择假设的原则：事先有一定信任度或者出于某种考虑是否要加以“保护”。 1.单个总体 例1：某种元件的寿命x （小时），服从正态分布2 (,)N μσ，其中μ，2σ均未知，16只原件的寿命（单位：小时）如下，问是否有理由认为元件的平均寿命大于225小时。 第七章 假设检验与方差分析 习题答案 一、名词解释 用规范性的语言解释统计学中的名词。 1. 假设检验：对总体分布或参数做出某种假设，然后再依据抽取的样本信息，对假设是否正确做出统计判断，即是否拒绝这种假设。 2. 原假设：又叫零假设或无效假设，是待检验的假设，表示为 H 0，总是含有等号。 3. 备择假设：是零假设的对立，表示为 H 1，总是含有不等号。 4. 单侧检验：备择假设符号为大于或小于时的假设检验。 5. 显著性水平：原假设为真时，拒绝原假设的概率。 6. 方差分析：是检验多个总体均值是否相等的一种统计分析方法。 二、填空题 根据下面提示的内容，将适宜的名词、词组或短语填入相应的空格之中。 1. u ，n x σμ0 -，标准正态； ),(),(2/2/+∞--∞n z n z σ σ αα 2. 参数检验，非参数检验 3. 弃真，存伪 4. 方差 5. 卡方， F 6. 方差分析 7. t ，u 8. n s x 0 μ-，不拒绝 9. 单侧，双侧 10．新产品的废品率为5% ，0.01 11．相关，总变异，组间变异，组内变异 12．总变差平方和=组间变差平方和+组内变差平方和 13．连续，离散 14．总体均值 15．因子，水平 16．组间，组内 17．r-1，n-r 18. 正态，独立，方差齐 三、单项选择 从各题给出的四个备选答案中，选择一个最佳答案，填入相应的括号中。 1．B 2．B 3. B 4．A 5． C 6． B 7． C 8． A 9． D 10． A 11． D 12． C 四、多项选择 从各题给出的四个备选答案中，选择一个或多个正确的答案，填入相应的括号中。 1.AC 2．A 3.B 4.BD 5. AD 五、判断改错 对下列命题进行判断，在正确命题的括号内打“√”；在错误命题的括号内打“×”，并在错误的地方下划一横线，将改正后的内容写入题下空白处。 1. 在任何情况下，假设检验中的两类错误都不可能同时降低。 ( × ) 样本量一定时 2. 对于两样本的均值检验问题，若方差均未知，则方差分析和t 检验均可使用，且两者检验结果一致。 ( √ ) 3. 方差分析中，组间离差平方和总是大于组内离差平方和。( × ) 不一定 4. 在假设检验中，如果在显著性水平0.05下拒绝了 00:μμ≤H ，则在同一水平一定可以拒绝假设00:μμ=H 。( × ) 不一定 5. 为检验k 个总体均值是否显著不同，也可以用t 检验，且与方差分析相比，犯第一类错误的概率不变。（ × ） 会增加 6. 方差分析中，若拒绝了零假设，则认为各个总体均值均有显著性差异。( × ) 不完全相等 六、简答题 根据题意，用简明扼要的语言回答问题。 1. 假设检验与统计估计有何区别与联系？ 【答题要点】 假设检验是在给定显著性水平下，计算出拒绝域，并根据样本统计量信息来做出是否拒 项目八 假设检验、回归分析与方差分析 实验1 假设检验 实验目的 掌握用Mathematica 作单正态总体均值、方差的假设检验, 双正态总体的均值差、方差比的假设检验方法, 了解用Mathematica 作分布拟合函数检验的方法. 基本命令 1.调用假设检验软件包的命令< §3 检验母体方差 3.1检验正态母体的方差——2 χ检验 母体),(~2σμN X ，2 ,σμ均未知，试对 2 σ与2 0σ有无显著差异作假设检验. ① 在 母体上作 假设 ?=2 2 0:σσH 2 021:σσ≠H ②检验统计量)1( ~ )1(2 20 2 20 --=*n S n H χσχ ③给定显著水平α，如图存在 )1(22 1-- n α χ 和)1(2 2 -n αχ，使 2 )}1({)}1({2 2 22 2 12α χχχ χαα = ->=-<- n P n P 故取拒绝域 } )1()1(),,,{(2 2 222 1221->-<=-n n x x x W n ααχχχχ或 ④决策：当抽样结果是 W x x x n ∈),,,(21 时，拒绝0H ，认为2 σ与20σ有 显著差异；否则接受0H ，认为2 σ与20 σ无 显著差异. 例3.3.1 某细纱车间纺出的一种细纱支数X 的标准差2.10=σ，现从某日纺出的一批细纱中随机抽出16缕进行支数 测量，算得子样标准差1.2*=s ，问：纱的 均匀度有无显著变化（取05.0=α）？假 定母体X 的分布是正态的。 解: 设该日纺出的纱的支数 ),(~2 σμN X ，2 ,σ μ均未知， 作假设?=2202.1:σH 2 21 2.1:≠σH 检验统计量)1(~ )1(22 022 --=*n S n H χσχ 给定显著水平α，拒绝域为 } )1()1(),,,{(2 2 222 1221->-<=-n n x x x W n ααχχχχ或 这时16=n ，2.10=σ，1.2* =s ，从而 94.452 =χ，又05.0=α，查表得 262.6)15()1(22975 .02 1==-- χχαn ， 488.27)15()1(22 025 .02 ==-χχαn ， 可见)1(2 2->n αχχ，故应拒绝0H ，认为 这天细纱的均匀度有显著变化。 例3.3.2 ),(~2 σμN X ， 2 ,σμ均未知， 当45>n ，作如下假设检验 ?=2020:σσH 2021:σσ≠H 检验统计量取为2 02 2 )1(σχ*-= S n ，证明：给 定显著水平α，则拒绝域为 } )1(2)1({})1(2)1({2 22 2ααχχu n n u n n W ---≤-+-≥= . 证明：作假设?=2020:σσH 2 021:σσ≠H ， 0H 成立时检验统计量 One-Way ANOVA过程 One-Way ANOVA过程用于进行两组及多组样本均数的比较，即成组设计的方差分析，如果做了相应选择，还可进行随后的两两比较，甚至于在各组间精确设定哪几组和哪几组进行比较。 界面说明 【Dependent List框】 选入需要分析的变量，可选入多个结果变量（应变量）。 【Factor框】 选入需要比较的分组因素，只能选入一个。 【Contrast钮】 弹出Contrast对话框，用于对精细趋势检验和精确两两比较的选项进行定义。 o Polynomial复选框定义是否在方差分析中进行趋势检验。 o Degree下拉列表和Polynomial复选框配合使用，可选则从线 性趋势一直到最高五次方曲线来进行检验。 o Coefficients框定义精确两两比较的选项。这里按照分组变量升序给每组一个系数值，注意最终所有系数值相加应为0。如果不为0仍可检验，只不过结果是错的。比如有三组数据，要对第 一、三组进行单独比较，则在这里给三组分配系数为1、0、-1， 就会在结果中给出相应的检验内容。 【Post Hoc钮】 弹出Post Hoc Multiple Comparisons对话框，用于选择进行各组间两两比较的方法，有： o Equar Variances Assumed复选框组当各组方差齐时可用的两两比较方法，共有14中种这里不一一列出了，其中最常用的为LSD和S-N-K法。 o Equar Variances Not Assumed复选框组一组当各组方差不齐时可用的两两比较方法，共有4种，其中以Dunnetts's C法较常用。 T检验及其与方差分析的区别 假设检验是通过两组或多组的样本统计量的差别或样本统计量与总体参数的差异来推断他们相应 的总体参数是否相同。 t 检验：1.单因素设计的小样本（n＜50）计量资料 2.样本来自正态分布总体 3.总体标准差未知 4.两样本均数比较时，要求两样本相应的总体方差相等 ?根据研究设计t检验可由三种形式： –单个样本的t检验 –配对样本均数t检验(非独立两样本均数t检验) –两个独立样本均数t检验 （1）单个样本t检验 ?又称单样本均数t检验(one sample t test),适用于样本均数与已知总体均数μ0的比较,其比较目的是检验样本均数所代表的总体均数μ是否与已知总体均数μ0有差别。 ?已知总体均数μ0一般为标准值、理论值或经大量观察得到的较稳定的指标值。 ?单样t检验的应用条件是总体标准 未知的小样本资料( 如n<50),且服从正态分布。 （2）配对样本均数t检验 ?配对样本均数t检验简称配对t检验(paired t test),又称非独立两样本均数t检验,适用于配对设计计量资料均数的比较,其比较目的是检验两相关样本均数所代表的未知总体均数是否有差别。 ?配对设计(paired design)是将受试对象按某些重要特征相近的原则配成对子，每对中的两个个体随机地给予两种处理。 ?应用配对设计可以减少实验的误差和控制非处理因素，提高统计处理的效率。 ?配对设计处理分配方式主要有三种情况： ①两个同质受试对象分别接受两种处理，如把同窝、同性别和体重相近的动物配成一对，或把同性别和年龄相近的相同病情病人配成一对； ②同一受试对象或同一标本的两个部分，随机分配接受两种不同处理，如例资料； ③自身对比(self-contrast)。即将同一受试对象处理（实验或治疗）前后的结果进行比较，如对高血压患者治疗前后、运动员体育运动前后的某一生理指标进行比较。 （3）两独立样本t检验 两独立样本t 检验(two independent samples t-test)，又称成组t 检验。 ?适用于完全随机设计的两样本均数的比较,其目的是检验两样本所来自总体的均数是否相等。 ?完全随机设计是将受试对象随机地分配到两组中，每组对象分别接受不同的处理，分析比较处理的效应。或分别从不同总体中随机抽样进行研究。 ?两独立样本t检验要求两样本所代表的总体服从正态分布N(μ1，σ12)和N(μ2，σ22)，且两总体方差σ12、σ22相等,即方差齐性(homogeneity of variance, homoscedasticity)。 ?若两总体方差不等,即方差不齐，可采用t’检验,或进行变量变换,或用秩和检验方法处理。 t 检验中的注意事项 1.假设检验结论正确的前提作假设检验用的样本资料，必须能代表相应的总体，同时各对比组 具有良好的组间均衡性,才能得出有意义的统计结论和有价值的专业结论。这要求有严密的实验设计和抽样设计,如样本是从同质总体中抽取的一个随机样本,试验单位在干预前随机分组,有足够的样本量等。 2.检验方法的选用及其适用条件,应根据分析目的、研究设计、资料类型、样本量大小等选用适当 的检验方法。t 检验是以正态分布为基础的，资料的正态性可用正态性检验方法检验予以判断。 若资料为非正态分布，可采用数据变换的方法，尝试将资料变换成正态分布资料后进行分析。第一节 方差分析原理
第五章方差分析
3[1]3总体方差的假设检验
案例库 项目八假设检验 回归分析与方差分析
最新多元统计分析第三章 假设检验与方差分析
正态总体均值及方差的假设检验表
假设检验与方差分析
One-Way-ANOVA过程--单因素方差分析
spss方差分析操作示范-步骤-例子
数理统计--参数估计、假设检验、方差分析(李志强) (3)
假设检验及方差分析
方差分析与假设检验实验报告二
8.假设检验和方差分析
07第七章 假设检验与方差分析 习题答案
假设检验项目假设检验回归分析与方差分析
3.3总体方差的假设检验
[整理]SPSS 方差分析过程.
T检验及其与方差分析的区别
- 八章假设检验与方差分析-精品
- 假设检验和方差分析()
- 假设检验与方差分析
- 统计学 第6章 假设检验与方差分析1(选教))
- 金融统计-假设检验和方差分析
- 第五章 假设检验与方差分析
- 假设检验及方差分析
- 假设检验与方差分析
- 第七章 假设检验与方差分析
- 最新多元统计分析第三章 假设检验与方差分析
- 假设检验项目假设检验回归分析与方差分析
- 第六章 假设检验与方差分析
- 第八 假设检验与方差分析
- 统计学 第6章 假设检验与方差分析
- 多元正态总体的假设检验和方差分析
- 假设检验与方差分析.ppt
- 案例库 项目八假设检验 回归分析与方差分析
- 07第七章 假设检验与方差分析 习题答案
- 假设检验与方差分析
- 第八章 假设检验与方差分析