精华内容
下载资源
问答
  • 单侧检验和双侧检验侧检验和双侧检验医学统计学及其软件包 上海第二医科大学 生物统计教研室 第一节 医学统计学 第一节 医学统计学 1.统计学 (statistics):收集,整理和分析带有随机性的数据。 2.医学统计学 ...

    单侧检验和双侧检验单侧检验和双侧检验

    医学统计学及其软件包 上海第二医科大学 生物统计教研室 第一节 医学统计学 第一节 医学统计学 1.统计学 (statistics):收集,整理和分析带有随机性的数据。 2.医学统计学 (medical statistics):统计学的原理和方法在医学和生物学中的应用。 第一节 医学统计学 医学统计学的主要内容有: 1.统计研究设计 2.统计描述 3.统计推断 4.研究联系 5.研究分类,鉴别 6.研究检测 统计研究设计 1.估计研究对象的数量(样本大小估计) 2.跟据研究目的确定对照的类型 3.保证随机化和双盲原则的贯彻 4.跟据研究目的确定主要和次要考核指标 5.如何收集和汇总数据以保证数据质量 6.如何进行统计分析 统计研究设计 1.调查研究或观察性研究(observational study) 2.实验研究(experimental study) 统计描述(statistical discription) ? 统计描述指用统计指标、统计表、统计图等方法,对资料的数量特征及其分布规律进行测定和描述。 统计推断(statistical inference) 统计推断指用样本推断总体。 总体(population):一个统计问题所研究对象的全体。 总体中每一个研究对象称为个体(individual)。 有限总体:有确定的时间和空间范围,总体内观察单 位是有限的。 无限总体:没有时间和空间范围限制,因而观察单位 数无限。 样本(sample):按随机的方式从总体中抽取若干个 体构成一个样本。 参数(parameter) :用于描述总体分布的数字特征 的量。如:?,?,? 统计量(statistics):不包含总体中任何未知参数的 样本指标和样本数据的函数。如: ,S,P 1.参数估计(estimation of parameter) 根据总体中所抽得的样本,由样本统计量估计总体分布中的未知参数。可分为点估计和区间估计。 1)点估计(point estimation):选择一个适当的样本统计量作为总体参数的估计值称为点估计。 统计推断(statistical inference) 2)区间估计(interval estimation):根据一定的精确度要求,确定一个概率水平,由样本统计量计算出一个适当的区间作为未知总体参数真值所在的范围,称为区间估计。称此概率水平为可信度,或置信度,或可信水平,或置信水平( confidence level)。所估计的区间称为可信区间或置信区间(confidence interval),区间的端点称为可信限(confidence limit),有上限,下限之分。 例如,估计用某方法治疗某病的治愈率。从患某病的病人总体中随机抽得100例病人进行治疗,治愈50例,则可得样本治愈率为50%。总体治愈率的点估计为50%。总体治愈率区间估计,当可信度为95%时,总体治愈率的95%可信区间为40%~60%。当可信度为99%时,总体治愈率的99%可信区间为37%~63%。 统计推断(statistical inference) 统计推断(statistical inference) 2.假设检验(hypothesis testing) 又称显著性检验(significance testing)。 先对总体的参数或分布作出某种假设,例如总体为正态分布,两个总体均数相等,两总体率相等,然后检验这个假设成立的可能性大小,作出推断。 ? ? 统计推断(statistical inference) 无效假设(null hypothesis)H0 : π1=π2 备择假设(alternative hypothesis) H1 :π1≠π2 然后根据检验假设, π1=π2=70%,成立的情况 下,计算由于抽样误差得到目前样本及更极端情况 的可能性大小。本例用卡方检验,得到检验统计量 χ2=9.524,根据检验统计量的分布计算概率(可 能性大小)P值,P=0.002,可能性很小。 统计推断(statistical inference) 概率论认为:在一次试验中小概率事件不可能发生。 在统计中,一般公认为P≤0.05为小概率。本例P=0.002<0.05,因此可认为假如π1=π2,即使抽样误差也不可能得到目前样本,于是检验假设, π1=π

    展开全文
  • Deriving a one-tailed test from two-tailed output 从单侧检验派生出双侧检验 The default among statistical packages performing tests is to report two-tailed p-values. Because the most commonly used ...

    What are the

    differences

    between one-tailed and two-tailed

    tests?

    来源:

    Institute for Digital Research

    and Education

    When you conduct a test of statistical significance, whether it

    is from a correlation, an ANOVA, a regression or some other kind of

    test, you are given a p-value somewhere in the

    output. If your test statistic is symmetrically

    distributed, you can select one of three alternative hypotheses.

    Two of these correspond to one-tailed tests and one corresponds to

    a two-tailed test. However, the p-value presented

    is (almost always) for a two-tailed test. But how

    do you choose which test? Is the p-value

    appropriate for your test? And, if it is not, how can you calculate

    the correct p-value for your test given the p-value in your

    output?

    就相关性、方差、回归等方面做统计学显著性检验,在结果中总会给出p值。倘若检定统计量(test

    statistic)为均匀分布,那么就可以在三个替代假设(alternative

    hypotheses)中选择一个。其中,有两个跟单侧检验(one-tailed test)对应,一个跟双侧检验(two-tailed

    test)对应。不过,无论如何,p值(总是)采用的是双侧检验。但是如何来选择检验方法呢?p值是否与其般配呢?如果不合适,如何来正确地计算p值呢?

    What is a two-tailed test?

    什么是双侧检验?

    First let’s start with the meaning of a two-tailed test.

    If you are using a significance level of 0.05, a

    two-tailed test allots half of your alpha to testing the

    statistical significance in one direction and half of your alpha to

    testing statistical significance in the other

    direction. This means that .025 is in each tail

    of the distribution of your test statistic. When using a two-tailed

    test, regardless of the direction of the relationship you

    hypothesize, you are testing for the possibility of the

    relationship in both directions. For example, we

    may wish to compare the mean of a sample to a given value x

    using a t-test. Our null hypothesis is that the

    mean is equal to x. A two-tailed test will test both if the

    mean is significantly greater than x and if the mean

    significantly less than x. The mean is considered

    significantly different from x if the test statistic is in

    the top 2.5% or bottom 2.5% of its probability distribution,

    resulting in a p-value less than

    0.05.

    首先来看双侧检验的定义。如果显著性水平为0.05,双侧检验将检测统计显著性的alpha的一半置于一侧,另外一半置于另一侧,即,一侧的检定量分布为0.025,另一侧的也是0.025。采用双侧检验的时候,无论假设的关系的方向如何,对关系的可能性都要要进行双侧检验。例如,当希望将某一样本的均值来跟一个给定的值

    x 做比较的时候,初始假设(null hypothesis)为均值等于 x 。接下来是一个双侧检验,看均值是否明显大于 x

    还是明显小于 x 。如果检定统计量位于概率分布的右侧的2.5%或者概率分布的左侧的2.5%,导致 p 值小于0.05的话,则认为均值与

    x 有明显的区别。

    概率正态分布

    What is a one-tailed test?

    什么是单侧检验?

    Next, let’s discuss the meaning of a one-tailed

    test. If you are using a significance level of

    .05, a one-tailed test allots all of your alpha to testing the

    statistical significance in the one direction of

    interest. This means that .05 is in one tail of

    the distribution of your test statistic. When using a one-tailed

    test, you are testing for the possibility of the relationship in

    one direction and completely disregarding the possibility of a

    relationship in the other direction. Let’s return

    to our example comparing the mean of a sample to a given value

    x using a t-test. Our null hypothesis is

    that the mean is equal to x. A one-tailed test will test

    either if the mean is significantly greater than x or if the

    mean is significantly less than x, but not both. Then,

    depending on the chosen tail, the mean is significantly greater

    than or less than x if the test statistic is in the top 5%

    of its probability distribution or bottom 5% of its probability

    distribution, resulting in a p-value less than

    0.05. The one-tailed test provides more power to

    detect an effect in one direction by not testing the effect in the

    other direction. A discussion of when this is an appropriate option

    follows.

    接下来讨论单侧检验的定义。如果显著性水平采用0.05,单侧检验将检验统计显著性的alpha完全放在相关的一侧,即,将0.05放在检验统计量分布的一侧。采用单侧检验的时候,考虑的只是一侧的关系概率,而对另一侧的则视之不见。退回到上例,采用

    t 检验对均值跟一个给定的 x 值做比较,原始假设为均值等于 x 。单侧检验只检验均值是否明显大于 x 或者明显小于 x

    ,不会同时检验两者。那么,根据所选择的一侧,如果检测统计量落在其概率分布的右侧的5%内或者左侧的5%内,均值明显大于或者小于 x

    将得出一个小于0.05的 p

    值。单侧检验,在对另一侧的效果不做检测的情况下,拥有更多的权重来检测一侧的效果。下面就来讨论在什么情况下适合采用单侧检验的方法。

    When is a one-tailed test appropriate?

    在什么情况下适合采用单侧检验的方法

    Because the one-tailed test provides more power to detect an

    effect, you may be tempted to use a one-tailed test whenever you

    have a hypothesis about the direction of an effect. Before doing

    so, consider the consequences of missing an effect in the other

    direction. Imagine you have developed a new drug

    that you believe is an improvement over an existing

    drug. You wish to maximize your ability to detect

    the improvement, so you opt for a one-tailed test. In doing so, you

    fail to test for the possibility that the new drug is less

    effective than the existing drug. The

    consequences in this example are extreme, but they illustrate a

    danger of inappropriate use of a one-tailed test.

    单侧检验具有更多的权限(power)来检测效果,只要手头有一个关于某一效果的方向的假设,实验者就想将它放在优先的位置来考虑。不过,在正式采用之前,必须斟酌因丢失另一个方向的效果而产生的各种后果。设想实验者开发了一种新药,并认为它相对于目前存在的某种药物有改善。他想最大化检测这种改善的能力,于是采用了单侧检验。这么一来,他没能对新药的效果是否不如现存的那种药物的效果进行检测。这不过是一个极端的例子,但是它揭示了采用单侧检验不当的危险。

    So when is a one-tailed test appropriate? If you consider the

    consequences of missing an effect in the untested direction and

    conclude that they are negligible and in no way irresponsible or

    unethical, then you can proceed with a one-tailed test. For

    example, imagine again that you have developed a new drug. It is

    cheaper than the existing drug and, you believe, no less

    effective. In testing this drug, you are only

    interested in testing if it less effective than the existing

    drug. You do not care if it is significantly more

    effective. You only wish to show that it is not

    less effective. In this scenario, a one-tailed test would be

    appropriate.

    那么什么时候采用单侧检验才合适呢?在对未检验一侧丢失的效果所产生的各种后果都做了考虑,并且认定它们可以忽略不计,绝对不是不负责任或者不道德的表现之后,才能实施单侧检验。例如,再次设想实验者开发来一种新药。它比现存的某种药物要便宜,并且实验者相信它绝对不会比现存的那种药物的效果要差。在检验这个药物的过程中,实验者仅仅对它是否比现存的药物的效果要差感兴趣。他对这种药物是否比现存的这种药物的效果明显要好不感兴趣。他只是希望它的效果不低于现有的药物。在这种情况下,采用单侧检验是合适的。

    When is a one-tailed test NOT appropriate?

    什么时候单侧检验不合适呢?

    Choosing a one-tailed test for the sole purpose of attaining

    significance is not appropriate. Choosing a

    one-tailed test after running a two-tailed test that failed to

    reject the null hypothesis is not appropriate, no matter how

    "close" to significant the two-tailed test was. Using statistical tests inappropriately can lead to invalid results

    that are not replicable and highly questionable–a steep price to

    pay for a significance star in your results

    table!

    Deriving a one-tailed test from two-tailed output

    从单侧检验派生出双侧检验

    The default among statistical packages performing tests is to

    report two-tailed p-values. Because the most

    commonly used test statistic distributions (standard normal,

    Student’s t) are symmetric about zero, most one-tailed p-values can

    be derived from the two-tailed

    p-values.

    Below, we have the output from a two-sample t-test in

    Stata. The test is comparing the mean male score

    to the mean female score. The null hypothesis is

    that the difference in means is zero. The

    two-sided alternative is that the difference in means is not

    zero. There are two one-sided alternatives that

    one could opt to test instead: that the male score is higher than

    the female score (diff > 0) or that the female

    score is higher than the male score (diff <

    0). In this instance, Stata presents results for

    all three alternatives. Under the headings Ha:

    diff < 0 and Ha: diff > 0 are the results for the

    one-tailed tests. In the middle, under the heading Ha: diff !=

    0 (which means that the difference is not equal to 0), are the

    results for the two-tailed test.

    Note that the test statistic, -3.7341, is the same for all of

    these tests. The two-tailed p-value is P >

    |t|. This can be rewritten as P(>3.7341) + P(<

    -3.7341). Because the t-distribution is symmetric

    about zero, these two probabilities are equal: P > |t| = 2

    * P(< -3.7341). Thus, we can

    see that the two-tailed p-value is twice the one-tailed p-value for

    the alternative hypothesis that (diff < 0). The other one-tailed alternative hypothesis has a p-value of

    P(>-3.7341) = 1-(P

    0.9999. So, depending on the

    direction of the one-tailed hypothesis, its p-value is either

    0.5*(two-tailed p-value) or 1-0.5*(two-tailed p-value) if the test

    statistic symmetrically distributed about zero.

    注意,检测统计量,-3.7341,对所有的检测来说都是相同的。双侧的 p 值为 P > |t|。这可以重新写做 P

    (>3.7341)+ P ( |t| =

    2 * P(< -3.7341)。因此,对应于替代假设 (diff <

    0),可以将双侧检验的 p 值看成是单侧检验的 p 值的两倍。另一侧的单侧替代假设的 P (>-2.7341)的 p 值 =

    1-(P

    0.9999。所以,根据单侧假设的方向,如果检测统计量是关于零的对称分布的话,它的 p 值要不是 0.5 * (双侧 p 值),就是 1-0.5 * (双侧 p 值)。

    In this example, the two-tailed p-value suggests rejecting the

    null hypothesis of no difference. Had we opted for the one-tailed

    test of (diff > 0), we would fail to reject the null because of

    our choice of tails.

    在这个例子中,双侧 p 值建议对无差异的原始假设(零假设)不予考虑。但是,倘若实验者采用了(diff >

    0)的单侧检验的话,他可能因为他所做的选择而不能排斥该原始假设。

    The output below is from a regression analysis in

    Stata. Unlike the example above, only the

    two-sided p-values are presented in this output.

    下面是采用统计软件 Stata 做的回归分析的结果。跟上面的例子不一样,该结果中只有双侧的 p 值。

    For each regression coefficient, the tested null hypothesis is that

    the coefficient is equal to zero. Thus, the

    one-tailed alternatives are that the coefficient is greater than

    zero and that the coefficient is less than zero. To get the p-value

    for the one-tailed test of the variable science having a

    coefficient greater than zero, you would divide the .008 by 2,

    yielding .004 because the effect is going in the predicted

    direction. This is P(>2.67). If you had made your prediction in

    the other direction (the opposite direction of the model effect),

    the p-value would have been 1 – .004 = .996. This

    is P(<2.67). For all three p-values, the test statistic is

    2.67.

    回归系数在原始假设里都等于零。因此,所有的单侧替代假设都将其系数设为大于零和小于零。为了取得系数大于零的变量“科学(science)”的单侧检验的

    p 值,必须将 0.008 除以 2,得0.004,因为该效果会落在预计的方向。这是 P

    (>2.67)。如果实验者在这之前将预测放在方向的另一侧(与本模型效果相反的方向),p 值就会是 1 –0.004 =

    0.996。这是 P (<2.67)。对所有三个 p 值,检验统计量都是 2.67。

    展开全文
  • 单侧检验和双侧检验都是属于现代医学上比较常见的一种检验的方法,通过单侧检验或者是双侧检验可以有效检查出药物数据以及专业知识等,而单侧检验和双侧检验也是存在一定的区别的,需要根据专业的检验结果来进行判断...

    单侧检验和双侧检验都是属于现代医学上比较常见的一种检验的方法,通过单侧检验或者是双侧检验可以有效检查出药物数据以及专业知识等,而单侧检验和双侧检验也是存在一定的区别的,需要根据专业的检验结果来进行判断。

    8b1bb8d07426e2ff23ff5424a55f09ca.png

    单侧检验和双侧检验的区别是什么?

    应考虑所要解决问题的目的,根据专业知识来确定用单侧检验还是双侧检验。若从专业知识判断一种方法的结果不可能低于或高于另一种方法的结果时,可用单侧检验;尚不能从专业知识判断两种结果谁高谁低时,则用双侧检验。

    例如:药物治疗之前和治疗之后的数据做t检验,如果从专业知识可以判断治疗后数据不可能低于(或高于)治疗前数据,可以选择单侧t检验。如果目前专业知识无法判断治疗前后结果谁高谁低时,要用双侧t检验。

    98fc3b98ea380a8a749dd3d4df21ed51.png

    相同的t值, 双侧的P值要比单侧的P值高;如下图所示:自由度df=10时,t=1.812, 双侧P=0.1,单侧P=0.05。单侧检验如果误认为是双侧检验,就不易拒绝H0;双侧检验如果误用单侧检验,就比较易拒绝H0。

    从专业知识判断, 如果不清楚后测数据是否高于前测数据,研究目的是想判断前后测的均值是否不同,就需要用双侧检验。如果从专业知识判断, 如果后测数据不可能低于前测数据,研究目的是仅仅想知道后测数据是不是高于前测数据,则可以采用单侧检验。

    f60881274cd2fe638fba9553c874f9a3.png

    相同的t值, 双侧的P值要比单侧的P值高。相同的P值, 双侧的t值要比单侧的t值高。单侧检验如果误认为是双侧检验,就不易拒绝H0;双侧检验如果误用单侧检验,就比较易拒绝H0。

    展开全文
  • 在假设检验中,双侧检验的假设为H0:μ=μ0,H1:μ≠μ0。但是在单侧检验中要判断是使用左单侧检验还是右单侧检验,两者对应的假设是相反的,如果用错检验,很可能得到错误的结论。对同一个问题使用不同侧的单侧...

    14816e087d56fcab82ddacdf89bd17d5.png

    在假设检验中,双侧检验的假设为H0:μ=μ0,H1:μ≠μ0。但是在单侧检验中要判断是使用左单侧检验还是右单侧检验,两者对应的假设是相反的,如果用错检验,很可能得到错误的结论。对同一个问题使用不同侧的单侧检验,如果得到相同的结论,仅仅是因为两者的拒绝域存在存在交集,一侧检验的样本观测值落在交集之内,另一侧检验的样本观察值落在交集之外。在有讲述假设检验的教材中,很少有对单侧检验中备择假设和原假设的设定进行讲解。关于单侧检验假设的设定到现在还是没有一致的说法,作为统计学的学生有时候也会对设定单侧检验的假设感到困惑。所以,我特地收集了关于单侧检验中备择假设和原假设的设定的相关资料。

    补充:为什么说如果用错检验,很可能得到错误的结论?

    开头所说的“如果用错检验,很可能得到错误的结论。”有网友提出质疑或者反对,下面以贾俊平的《统计学》中的例子简单说明一下。

    某种灯泡的质量标准是平均燃烧寿命不得低于1000小时。已知灯泡批量产品的燃烧寿命服从正态分布,且标准差为100小时。商店欲从工厂进货,随机抽取81个灯泡检查,测得

    =990小时,问商店是否决定购进这批灯泡(α=0.05)?

    使用左侧检验:

    H0:μ≥1000

    H1:μ<1000

    Z=

    =-0.9

    拒绝域为Z≤-Za,-0.9>-1.645,没有落入拒绝域,所以不能拒绝原假设,该批生产的灯泡达到规定标准。

    使用右侧检验:

    H0:μ≤1000

    H1:μ>1000

    Z统计量同上,-0.9

    拒绝域为Z≥Za,因为-0.9<1.645,没有落入拒绝域,所以不能拒绝原假设,该批生产的灯泡没有达到规定标准。

    左侧和右侧检验都不能拒绝原假设,得到了相反的结论。

    ddc41e2f73b76cb2e5a3fdc38143d246.png

    左侧检验和右侧检验存在共同的接受(H0)域,也就是正负临界值的区间内,当Z统计量落入该区域,左侧检验和右侧检验都不能拒绝原假设,从而得到相反的结论。如果Z统计量落入左侧检验的拒绝域内,则在左侧检验中拒绝原假设,右侧检验中不能拒绝原假设,两侧的检验会得到相同的结论。同理,如果Z统计量落入右侧检验的拒绝域内,两侧的检验也会得到相同的结论。所以,为什么说用错检验,很可能得到错误的结论而不是一定得到错误的结论,具体视通过样本数据得到的统计量而定。

    备择假设和原假设的设定的相关资料

    教材:

    高等教育出版社的《概率论与数理统计》:

    仅仅介绍什么是备择假设,什么是原假设,没有给出假设设定的标准。

    书中关于单侧检验的例题1 : 公司怀疑生产商在牛奶掺水牟利,问生产商牛奶是否掺水。

    原假设 : 牛奶未掺水

    备择假设 : 牛奶已掺水

    本人拙见 : 重点在于“怀疑”两个字,把想给予支持的假设作为备择假设。

    例题2 : 抽查一批元件的寿命,问是否有理由认为元件的平均寿命大于225小时。

    原假设 : 元件的平均寿命小于等于225小时

    备择假设 : 元件的平均寿命大于225小时

    本人拙见 : 对于是否有理由认为的问题,研究者应该是更倾向于证明有理由认为,所以把元件的寿命大于225小时作为备择假设。

    茆诗松的《概率论与数理统计》:

    常把没有把握不能轻易肯定的命题作为备择假设,而把没有充分理由不能轻易否定的命题作为原假设。

    例题1 : 某厂生产的微波炉长期以来都符合辐射控制指标(辐射量不超过0.12),现抽查25台微波炉,得到样本均值0.1203,问在α=0.05水平上,该厂生产的微波炉辐射量是否升高。

    原假设 : 辐射量没有升高(教材指出 : 由于长期以来该厂的辐射量不超过0.12,故将其作为原假设)

    备择假设 : 辐射量升高了

    本人拙见 : 长期符合标准,可以认为是原有的一般认知,将其作为原假设。

    例题2 : 某厂需要玻璃纸作包装,按规定供应商供应的玻璃纸横延伸率不应低于65,现从近期来货中抽查了100个样品,得样本均值=55.06,问在α=0.05水平上是否接受这批玻璃纸。

    原假设 : 玻璃纸延伸率达到标准

    备择假设 : 延伸率没达到标准(教材指出 : 由于若不接受这批玻璃纸需作退货处理,必须慎重,故将其作为备择假设)

    本人拙见 : 样本均值明显低于要求的指标,所以从厂家的角度应该是怀疑供应商的玻璃纸质量不过关,用不达标作为备择假设。

    贾俊平的《统计学》:

    如何确定假设并没有固定的统一标准,假设的确定通常与所要检验的问题的性质、检验者所要达到的目的有一定关系,也与检验员的经验和知识水平有关。不过,在假设检验中一般是把希望证明的命题放在备择假设上,而把原有的、传统的观点或结论放在原假设上,这样可以更好地体现假设检验的价值。

    例题1 :批发商抽查100个灯泡的寿命,样品均值为960小时(略小于1000小时的标准),问是否应该购买这批灯泡。

    原假设 : 灯泡的总体平均寿命达到标准

    备择假设 : 灯泡的总体平均寿命没有到标准

    本人拙见 : 教材是通过问题研究的是上限/下限来判断使用哪一侧的单侧检验。书中指出样本均值略小于1000小时的情况会经常出现,批发商更为关注可以容忍的下限。左单侧检验又称为下限检验,通过判断使用哪一侧的检验来决定备择假设的设立。

    例题2 : 抽查50个袋装食品的重量,规定不符合标准的比例到达5%就不得出厂,问这批食品是否出厂。

    原假设 : 不符合标准的比例小于等于5%

    备择假设 : 不符合标准的比例大于5%

    本人拙见 : 和上题类似,但关注的是上限。

    通过上面教材的例题,你应该找到了一点规律,单单应付期末考试是没有问题的。虽然有两本教材没有给出假设设定的标准,但是上面三本教材的例题中设定原假设和备择假设的思想是相同的,都符合茆诗松《概率论与数理统计》中:“常把没有把握不能轻易肯定(可以理解为证明)的命题作为备择假设,而把没有充分理由不能轻易否定的命题作为原假设。”但是仅靠这句话去建立假设显然是不妥的。如何选取假设需要在实践中积累经验,根据实际情况去考虑。

    相关研究 :

    黄发贵的《单侧假设检验中备择假设的设定依据》:

    原假设是在一次试验中有绝对优势出现的事件,而备择假设在一次试验中不易发生的事件。在进行单侧检验时,最好把原假设取为预想结果的反面,即把希望证明的命题放在备择假设上。由于把希望证明的命题放在了备择假设上,只要检验样本落入备择假设区域内,结论为接受备择假设,拒绝原假设,这时就有足够理由认为证明了备择假设的真,原假设的假。

    杨少华的《参数假设检验中原假设与备择假设的交换问题》:

    根据两类错误中后果严重的错误成为第Ⅰ类错误。

    当研究的目的是参数是否已经发生变化时,原假设的设立应建立在过去经验的基础之上,没有足够的证据是不能随意否定它的。

    张玉环的《浅谈假设检验中原假设和备择假设的建立》:

    1. 往往把有把握的、不能轻易被否定的命题作为原假设,而把无把握的、不能轻易肯定的命题作为备择假设。
    2. 当我们的目的是希望取得对某一陈述强有力的支持时,把这一陈述的对立面作为原假设。
    3. 尽量使后果严重的错误成为第一类错误。
    4. 若仅仅是判断一个陈述是否成立,并不同时考虑其他陈述,则此时直接把该陈述定为原假设。
    5. 把根据历史资料所提供的陈述作为原假设。
    6. 根据建立假设的角度和侧重点。
    7. 便于数学上处理的方便。
    展开全文
  • 单侧检验和双侧检验

    千次阅读 2019-02-02 22:13:22
    根据是否强调检验的方向性,将检验分为单侧检验和双侧检验双侧检验只关心两个总体参数之间是否有差异,而不关心谁大谁小。如引子中,研究者关心的是F中高三重点班学生和高三学生总体的平均智商是否有差异,而不是...
  • 应考虑所要解决问题的目的,根据专业知识来确定用单侧检验还是双侧检验。若从专业知识判断一种方法的结果不可能低于或高于另一种方法的结果时,可用单侧检验;尚不能从专业知识判断两种结果谁高谁低时,则用双侧检验...
  • 检验分为参数检验和非参数检验。参数检验假定数据可以由一个或多个参数定义的分布很好地描述,在大多数情况下是通过正态分布来描述的。对于给定的数据集,需要确定并解释该分布的最佳拟合参数和它们的置信区间。但是...
  • 用过SPSS的人都知道,卡方检验的时候,最重要的点在于,根据期望值选择什么计算P值的方法。所有期望数值>5,选择pearson 卡方p;1-5,选择连续校正P;<1,祖安泽精确概率的P值。如图,SPSS能够一个表格中一下...
  • 假设检验的特点就是采用逻辑上的反证法依据统计上 的小概率原理。小概率事件在单独一次的试验中基本上不会发生,可以不予考虑。在假设检验中,我们做出判断时所依据的逻辑是:如果在原假设正确的...
  • 在总体的分布函数只知其形式,但不知其参数的情况下,或者对总体...假设检验分为参数检验和非参数检验。我们通过简单示例来说明概念:某制药公司宣称,改公司研发的一款治疗打鼾的药,可以使患者两周内的治愈率为90%...
  • 今天我们不谈具体的步骤,而是通过案例全方面地将T检验的逻辑思想,掰开揉碎,尝试用白话讲一步,增进大家的理解,不知知足欢迎指出讨论。案例:5年前,全国男性的平均身高是1.75米(普查得到的总体均值),现在...
  • 假设检验的步骤【经典四步】 1.提出原假设(Null Hypothesis) 备择假设(Alternative Hypothesis) 2.设计检验统计量3.给定显著性水平确定相应的临界值4.依据假设检验的规则,由样本资料计算出检验统计量的实际值,...
  • 来源:检验医学网黄疸是指血液中总的胆红素超过正常值,透过皮肤表现为皮肤发黄。若抽血测定胆红素:足月儿在黄疸高峰期不超过:220.6umol/L(12.9mg/dl);早产儿不超过:256.5umol/L(15mg/dl)。一般是生...
  • 最近一段时间忙着写Paper,没有时间整理一下数据分析中的一个重要问题:异常值或者是离群值的检验问题(Outlier detection),如下图所示。实时上,关于异常值处理的问题,对于经济学中的实证分析并不是什么大问题,...
  • 所以,在多次假设检验中,我们总会抽到样本均值偏小样本均值偏大的两组样本,并导致它们直接的p值足够小,小到我们可以拒绝零假设,但是这样的结果显然是虚假的阳性结果。 因此,基于FDR的多重检验校正应运而生,...
  • 带你搞明白单侧双侧T检验

    万次阅读 2018-09-30 16:59:14
    双侧T检验 零假设H0: μ=0,对立假设Ha: μ≠0(p value可以通俗的理解为同时满足tscore对立假设的概率,所以越小越支持原假设)  如果t score=1.96,此时p value就是两个白色面积的,等于0.05 如果t score=...
  • 临床上血糖与尿糖产生矛盾的检验结果并不少,如何辨别是摆在我们检验人心中的难题,这也是检验最有魅力的因素之一。 参考资料 候丹凤,宋鉴清.血糖、尿糖矛盾结果为哪般?.“检验视界网”微信公众号,2018-08-24. ...
  • 例:神经学家测试一种药物对反应时间的效果,分别对100只老鼠注射一单位剂量的药物,对其进行神经刺激,然后记录反应时间,已知没有注射药物的老鼠的平均反应时间是1.2秒,100只注射了药物的老鼠的平均反应时间是...
  • 5、左侧检验和右侧检验合称单侧检验。双侧检验和单侧检验为统计假设检验中的两种检验形式。
  • 检验又分为双侧检验和单侧检验,只强调差异而不强调方向性的检验叫双侧检验;强调某一方向的检验叫单侧检验。如何选择得看实际生产工作中的需要。而检验的标准即为α,一般取值0.05/0.01/0.001。那么,我们检验什么...
  • t检验属于假设检验里的...依据检验形式的不同可以继续分为单侧检验和双侧检验,期望检验的下一步就是计算样本的t统计量,然后在一个给定显著性水平α下,比较计算获得的t统计量和临界tα的大小关系。单侧检验:H0:...
  • 类似我们之前讲解的正态分布,t分布曲线下面积也表示t统计量落在该区间的概率,如下图为所谓的t界值表,横标目为自由度v,纵标目为概率P,一侧尾部面积称为单侧概率,两侧尾巴面积之称为双侧概率或双尾概率。...
  • 论文研究-正态分布下产品...因此 ,利用单侧规格限下的抽样检验方案近似地导出综合双侧规格限下的抽样检验方案 .随机模拟结果表明 ,给出的近似方法是有效的 ,抽样检验方案是合理的 .此外 ,检验统计量 p的表达式较简单.
  • 双侧检验单侧检验 拒绝域显著性水平 双侧检验 左侧检验 案例 推导 分析: 因为要验证的是新系统有效,及消费超过1700元 那么备择假设就是H1>1700 相反的 原价设就是H0<=1700 所以该假设为右侧检验 ...
  • P-Value检验和假设检验

    千次阅读 2017-06-11 17:32:18
    看了一篇很好的解释p-value的文章,其中包括显著性单侧双侧检验,讲的很通俗易懂! 假设检验是推断统计中的一项重要内容。 用SAS、SPSS等专业统计软件进行假设检验,在假设检验中常见到P 值( P-Value...
  • 相关性的显著性检验

    2018-01-17 10:17:00
    对计算好的相关系数进行显著性检验。 原假设:变量间不相关,即总体的相关系数为0。 cor.test()对单个的 Pearson、Spearman Kendall 相关系数进行检验...alternative: 指定双侧检验单侧检验。two.side, les...
  • 单侧检验双侧检验 选定检验方法计算检验统计量 确定P值做出推断结论 假设检验的两类错误 T test 由来已久 from scipy import stats import numpy as np 假设检验也叫显著性检验,是以小概率反证法的逻辑...
  • 假设检验

    2020-07-08 11:40:04
    确定原假设H0 备择假设H1(双侧检验单侧检验) 在H0成立的条件下,根据我们要检验的量构造一个分布 分布:标准正态分布、t分布、F分步、X2分布 例如:在H0:W = 90 的条件下, W~N(90,4) 正态分布标准化...

空空如也

空空如也

1 2 3
收藏数 50
精华内容 20
关键字:

双侧检验和单侧检验