精华内容
下载资源
问答
  • matlab建立多元线性回归模型并进行显著性检验及预测问题例子;x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]'; X=[ones(16,1) x]; 增加一个常数项 Y=[88 85 88 91 92 93 93 95 96 98 97 96 ...

    matlab建立多元线性回归模型并进行显著性检验及预测问题

    例子;

    x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]'; X=[ones(16,1) x]; 增加一个常数项 Y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]'; [b,bint,r,rint,stats]=regress(Y,X) 得结果:b = bint = -16.0730 -33.7071 1.5612 0.7194 0.6047 0.8340 stats = 0.9282 180.9531 0.0000 即对应于b的置信区间分别为[-33.7017,1.5612]、[0.6047,0.834]; r2=0.9282, F=180.9531, p=0.0000 p<0.05, 可知回归模型 y=-16.073+0.7194x 成立. 这个是一元的,如果是多元就增加X的行数!

    function [beta_hat,Y_hat,stats]=regress(X,Y,alpha)

    % 多元线性回归(Y=Xβ+ε)MATLAB代码

    %

    % 参数说明

    % X:自变量矩阵,列为自变量,行为观测值

    % Y:应变量矩阵,同X

    % alpha:置信度,[0 1]之间的任意数据

    % beta_hat:回归系数

    % Y_beata:回归目标值,使用Y-Y_hat来观测回归效果

    % stats:结构体,具有如下字段

    % stats.fTest=[fV,fH],F检验相关参数,检验线性回归方程是否显著 % fV:F分布值,越大越好,线性回归方程越显著 % fH:0或1,0不显著;1显著(好)

    % stats.tTest=[tH,tV,tW],T检验相关参数和区间估计,检验回归系数β是否与Y有显著线性关系

    % tV:T分布值,beta_hat(i)绝对值越大,表示Xi对Y显著的线性作用

    % tH:0或1,0不显著;1显著

    % tW:区间估计拒绝域,如果beta(i)在对应拒绝区间内,那么否认Xi对Y显著的线性作用

    % stats.TUQR=[T,U,Q,R],回归中使用的重要参数

    % T:总离差平方和,且满足T=Q+U

    % U:回归离差平方和

    % Q:残差平方和

    % R∈[0 1]:复相关系数,表征回归离差占总离差的百分比,越大越好

    % 举例说明

    % 比如要拟合 y=a+b*log(x1)+c*exp(x2)+d*x1*x2,注意一定要将原来方程线化 % x1=rand(10,1)*10;

    展开全文
  • 作者:薛定饿了么 ...来源:知乎 著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。 Question:1.什么是显著性检验? 2....在统计学中,显著性检验是“统计假设检验”(Statis.

    作者:薛定饿了么
    链接:https://www.zhihu.com/question/30272097/answer/472809487
    来源:知乎
    著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
     

    Question:1.什么是显著性检验? 2.为什么要做显著性检验? 3.怎么做显著性检验?(阅读本回答预计用时9分钟)

    后文将对该三个问题作出解释,最后推荐一个CrashCourse统计学扫盲课程

    一.什么是显著性检验?

    在统计学中,显著性检验是“统计假设检验”(Statistical hypothesis testing)的一种,显著性检验是用于检测科学实验中实验组与对照组之间是否有差异以及差异是否显著的办法。“统计假设检验”这一正名实际上指出了“显著性检验”的前提条件是“统计假设”,换言之“无假设,不检验”。在使用显著性检验之前必须在心里明白自己的统计假设(无效假设,也称为零假设)是什么,否则显著性检验就是“水中月,镜中花”。

    一般来说显著性检验会先对科研数据做一个无效假设,然后用检验来检查作出的假设是否正确。

    无效假设:数据结果之间本身不存在显著性差异。(差异:我不是,我没有,你看错了)

    若原假设为真,而检验的结论却劝你放弃原假设。此时,我们把这种错误称之为第一类错误。通常把第一类错误出现的概率记为α

    若原假设不真,而检验的结论却劝你采纳原假设。此时,我们把这种错误称之为第二类错误。通常把第二类错误出现的概率记为β

    通常只限定犯第一类错误的最大概率α, 不考虑犯第二类错误的概率β。我们把这样的假设检验称为显著性检验概率α称为显著性水平。显著性水平是数学界约定俗成的,一般有α =0.05,0.01的情况。代表着显著性检验的结论错误率必须低于5%或1%

    在目前的统计学中,通常将(阈yǜ值)发生几率小于5%的事件称之为“不可能事件”,在不同的领域内该阈值(P)有其特定的统计意义和不同的取值

    (以上解释了显著性检验与统计假设检验的关系)

    统计假设检验是什么?
    所谓统计假设检验就是事先对总体(随机变量)的 参数总体分布形式做出一个假设,然后利用样本信息来判断这个假设是否合理。而把只限定第一类错误概率的统计假设检验就称之为显著性检验。在上例中,我们的假设就是一种显著性检验。 因为方差检验不适用于估计参数和估计总体分布,而适用于检验试验的两个组间是否有差异。而方差检验正是用于检测我们所关心的是这两个集合(两个分布)的均值是否存在差异。

    二.为什么要做显著性检验?

    为了方便接下来的解释,这里假设一个问题场景。

    王先森开了一家公司,该公司分别在北京和杭州开设了分公司。现在存在下列数据作为两个分公司的销售额,样本集合中的每一个数代表着一年中各个月的公司销售额。

    (一共12个月的数据,强迫症不用数了)

    北京分公司B = {23,25,26,27,23,24,22,23,25,29,30,32}

    杭州分公司H = {24,25,23,26,27,25,25,28,30,31,29,28}

    王先森想要知道两个公司的销售额是否有存在明显的差异(即是否存在北京分公司销售额>杭州分公司销售额,抑或反之)以便对接下来公司的战略业务调整做出规划。下属们知道王老板的难处,纷纷建议“只需要求平均值就知道哪个分公司的销售额更大了”。但是作为拥有高学历的王先森知道“我们生活在概率的世界之中”。那也就意味着,平均值并不能够说明什么问题,即便杭州分公司的销售额平均值大于北京分公司的销售额平均值仍然不能说明杭州分公司的销售额一定就大于北京分公司的销售额,因为“这样一种看似存在的大于关系实质上是偶然造成的而并不是一种必然”。

    (有数学直觉的人都知道平均数并不像以前小学老师讲的那样能简单粗暴解决这个大问题)


    三.怎么做显著性检验?

    王先森根据零假设的定义,作出“两个分公司的销售额没有显著差异”的假设,最后王先森计算得出,方差检验的p 值= 0.459,那也就意味着,虽然杭州分公司的年平均销售额26.75大于北京分公司的销售额25.75,但是实质上,两个分公司的销售额并没有明显的差异

    销售额统计
    分公司 个案数 平均值 标准差 标准误差平均值
    1 12 25.75 3.166 .914
    2 12 26.75 2.491 .719

    (相信此时的你心中有万千草泥马奔过:p值是什么东西?为什么p=0.459意味着销售额没有明显差异?方差检验是怎么做到的?不要急,不要慌,我们一手一个慢动作)

    • “无假设,不检验”,王先森做了什么样的假设(Hypothesis)?

    由于王先森想要知道两个公司的销售额是否有存在明显的差异 ,所以他的无效假设就是“样本集B(北京分公司)和样本集H(杭州分公司)不存在显著性差异,换言之这两个集合没有任何区别(销售额间没有区别)!”。那么问题来了,为什么王先森要假设这两个样本集之间不存在任何区别,而不是假设这两个样本集存在区别。因为这个假设(Hypothesis)正是方差检验的原假设(null hypothesis)。问题又来了,什么是原假设。所谓原假设是数学界为了方便讨论而默认的“原始的假设”。没有什么reason可言,这是约定好的。

    无效假设:是对研究总体提出一个假想目标, 所谓“无效”是指处理效应与假设值之间没有真实差异,试验结果所得的差异乃误差所致。国内多译作 假设
    • p值是什么东西?

    具体求解该过程需要利用到方差分析的方法。

    方差分析(Analysis of Variance,简称ANOVA),又称“变异数分析”,是R.A.Fisher发明的,用于两个及两个以上样本均数差别的显著性检验。

    其中方差分析的结果中将给出p值,p值是衡量控制组与实验组差异大小的指标。

    在显著性水平α =0.05的情况下,p>0.05接受原假设,p值<0.05拒绝原假设。我们的原假设是样本集B和样本集H间不存在显著性差异,但是由于p=0.459>0.05,所以接受原假设,即样本集B和样本集H间不存在显著性差异。如果这里的p值小于0.05,那么就要拒绝原假设,即集合B和集合H间存在显著性差异。

    对于p的另一种角度:这个情境下的 p=0.459,意思就是说 偶然因素导致数据发生这种差异的概率是0.459,跟0.05一比大好多。那么就是说偶然因素很有可能导致了这种差异,所以数据本身之间是不存在差异的。【引申到比如p=0.02<0.05,偶然因素导致差异的概率是0.02,不太可能是偶然因素使得坏,所以得出结论是数据本身之间存在差异】

    在这个问题下可以根据显著性水平α和0.05的关系由法则"大同小异"得出是否存在显著差异。

    "大同":显著性水平α>0.05,王先森的两家分公司销售额大致相同,不存在显著性差异。

    "小异":显著性水平α<0.05,王先森的两家分公司销售额不相同,存在显著性差异。

    • 方差检验具体做法似乎超出题主的问题了,这里只以通俗语言理解显著性检验,大家要是有必要的话我再修改。
    • 想要进一步理解假设检验,可以参考Crash Course的统计学课程↓

    https://www.bilibili.com/video/av20624185?p=22​www.bilibili.com

    展开全文
  • 显著性检验

    千次阅读 2018-10-12 16:41:51
    作为明年七月毕业,要即将去某厂工作的数据分析岗位新员工,前几日在收到女朋友的消息让帮忙给她讲解一下“显著性检验”这个概念的知识,介于当场答应了她并且维护自己在她心中那种一直啥事都会的“大(zha)神(zha...

    目录

    引言

    显著性检验的含义

    显著性检验的相关概念

    显著性检验的原理

    显著性检验的步骤


    引言

    作为明年七月毕业,要即将去某厂工作的数据分析岗位新员工,前几日在收到女朋友的消息让帮忙给她讲解一下“显著性检验”这个概念的知识,介于当场答应了她并且维护自己在她心中那种一直啥事都会的“大(zha)神(zha)”形象,遂翻阅各种知识文献,今日特来做下此笔记,回头讲解给她。

    关于显著性检验(significance test)概念,其解释:就是事先对总体随机变量)的参数或总体分布形式做出一个假设,然后利用样本信息来判断这个假设(备择假设)是否合理,即判断总体的真实情况与原假设是否有显著性差异。或者说,显著性检验要判断样本与我们对总体所做的假设之间的差异是纯属机会变异,还是由我们所做的假设与总体真实情况之间不一致所引起的。 显著性检验是针对我们对总体所做的假设做检验,其原理就是“小概率事件实际不可能性原理”来接受或否定假设。

    抽样实验会产生抽样误差,对实验资料进行比较分析时,不能仅凭两个结果(平均数或率)的不同就作出结论,而是要进行统计学分析,鉴别出两者差异是抽样误差引起的,还是由特定的实验处理引起的。(来源百度百科)

    显著性检验的含义

    显著性检验是用于检测科学实验中实验组与对照组之间是否有差异以及差异是否显著的办法。在检验开始的一个前提就是我们需要一个“假设”,所谓“无假设,不检验”。例如,在你的实验中,你培养了一批试验细胞,本意是要培养一定纯度的阳性细胞,但是在培养的过程中总会意外产生阴性细胞,这时候有一个边界值是a(百分比形式),只要阳性细胞比例大于这个值就认为满足条件,否则则不满足。这时候,就要假设这批细胞纯度不够(为什么要假设纯度不够而不是纯度够呢?这就要介绍接下来的原假设与备择假设的区别),你要去检验这批细胞的一个阳性率。

    显著性检验的相关概念

    • 原假设与备择假设:一般而言,把要检验的假设称之为原假设,记为H0;把与H0相对应(相反)的假设称之为备择假设,记为H1。换句话说:

    举个栗子

    为研究某山区的成年男子的脉搏均数是否高于一般成年男子脉搏均数,某医生在一山区随机抽查了25名健康成年男子,得其脉搏均数X为74.2次/分,标准差为6.0次/分。根据大量调差已知一般健康成年男子脉搏均数为72次/分,能否据此认为该山区成年的脉搏均数μ高于一般成年男子的脉搏均数

    问题1:造成这25名男子脉搏均数高于一般男子的原因是什么?

    由资料已知样本均数与总体均数不等,原因有二:

    (1)两者非同一总体,即两者差异由地理气候等因素造成,也就是可以说成高山成年人的脉搏比一般人的要高;

    (2)两者为同一总体,即两者差异由抽样误差造成。

    问题2:怎样判断以上哪个原因是成立的?

     若X接近,其差别可用抽样误差解释,X来自于

     若X相差甚远,其差别不宜用抽样误差解释,则怀疑X不属于

    检验如下假设

    原假设:高山成年人脉搏与一般人的脉搏没有差异:μ = 

    备择假设:高山成年人脉搏与一般人的脉搏有差异:μ ≠ 

     

    • 第一类错误/第二类错误
    1.  在原假设为真时,决定放弃原假设,称为第一类错误,其出现的概率通常记作α;
    2. 在原假设不真时,决定接受原假设,称为第二类错误,其出现的概率通常记作β。

    3. α+β 不一定等于1

    对上面的1、2两句话进行通俗的讲解就是 :

    如果原假设为真,而检验的结论却劝你放弃原假设。此时,我们把这种错误称之为第一类错误。通常把第一类错误出现的概率记为α

    如果原假设不真,而检验的结论却劝你不放弃原假设。此时,我们把这种错误称之为第二类错误。通常把第二类错误出现的概率记为β

    通常只限定犯第一类错误的最大概率α, 不考虑犯第二类错误的概率β。我们把这样的假设检验称为显著性检验,概率α称为显著性水平。显著性水平是数学界约定俗成的,一般有α =0.05,0.025.0.01这三种情况。代表着显著性检验的结论错误率必须低于5%或2.5%或1%(统计学中,通常把在现实世界中发生几率小于5%的事件称之为“不可能事件”)

    • 有三种形式

    (1)双侧检验:μ =  :μ ≠  (不等,有差异);

    (2)左侧检验:μ ≥  :μ <  (降低,减少);

    (3)右侧检验:μ ≤  :μ >  (提高,增加);

    注:上面三种形式又叫做“双尾检验和单尾检验(左单尾、右单尾)”,采用哪种形式,取决于备择假设的形式,

    采用哪种形式要根据实际问题。

    举几个栗子

    • 某种饮料的易拉罐瓶的标准容量为335毫升,为对生产过程进行控制,质量监测人员定期对某个分厂进行检查,确定易拉罐是否符合标准要求。如果易拉罐的平均容量大于或者小于335毫升,则表明生产过程不正常。试陈述用来检验生产过程是否正常的原假设和备择假设。
      解:研究者想收集证据予以证明的假设应该是“生产过程不正常”。建立的原假设和备择假设为
      :μ = 335ml              : μ ≠ 335ml
    • 消费者协会接到消费者投诉,指控品牌纸包装饮料存在容量不足,有欺骗消费者之嫌。包装上标明的容量为250ml。消费者协会从市场上随机抽取50盒该品牌纸包装饮品进行假设检验。试陈述此假设检验中的原假设和备择假设。
      解:消费者协会的意图是倾向于证实饮料厂包装饮料小于250ml。建立的原假设和备择假设为
      :μ ≥ 250ml               : μ < 250ml
    • 一家研究机构估计,某城市中家庭购买有价证券的比率超过30%。为了验证这一估计是否正确,该研究机构随机抽取了一个50户组成的样本进行检验,试陈述此问题中的原假设和备择假设。
      解:研究者想收集证据予以支持的假设是“城市中家庭购买有价证券的比率超过30%”。建立的原假设和备择假设为
      :μ ≤ 30%               : μ > 30%

    显著性检验的原理

    •  无效假设

    显著性检验的基本原理是提出“无效假设”和检验“无效假设”成立的机率(P)水平的选择。所谓“无效假设”,就是当比较实验处理组与对照组的结果时,假设两组结果间差异不显著,即实验处理对结果没有影响或无效。经统计学分析后,如发现两组间差异是抽样引起的,则“无效假设”成立,可认为这种差异为不显著(即实验处理无效)。若两组间差异不是由抽样引起的,则“无效假设”不成立,可认为这种差异是显著的(即实验处理有效)

    • “无效假设”成立的机率水平

    检验“无效假设”成立的机率水平一般定为5%,其含义是将同一实验重复100次,两者结果间的差异有5次以上是由抽样误差造成的,则“无效假设”成立,可认为两组间的差异为不显著,常记为p>0.05。若两者结果间的差异5次以下是由抽样误差造成的,则“无效假设”不成立,可认为两组间的差异为显著,常记为p≤0.05。如果p≤0.01,则认为两组间的差异为非常显著 。 

    显著性检验的步骤

    1. 根据具体的问题,建立原假设和备择假设
    2. 构造一个合适的统计量,计算其抽样分布
                                                                           (均值检验)
    3. 给定显著水平α通常取0.1、0.05或0.01。在确定了显著水平后,根据统计量的分布就可以确定找出接受区域拒绝区域的临界值。
    4. 根据样本的值计算统计量的数值并作出决策。
      如果统计量的值落在拒绝域中,那么就没有通过检验,说明有显著差异,拒绝原假设。
      如果统计量的值落在接受域中,通过了假设检验,说明这种差异是由于抽样造成,这个样本不能拒绝原假设。

    注:关于以上“统计量、抽样分布、拒绝区域和接受区域”关键词将在下面讲解。勿急!

     

    参考内容:百度百科、关于显著性检验,你想要的都在这儿了!!(基础篇)显著性检验-MBA智库百科

    展开全文
  • VB开发,可计算多元线性回归方程,并进行方程F检验和偏回归显著性检验
  • 统计假设检验之显著性检验(significance test)

    千次阅读 多人点赞 2019-07-14 17:52:03
    转载于 关于显著性检验,你想要的都在这儿了!!(基础篇) 无论你从事何种领域的科学研究还是统计调查,显著性检验作为判断两个乃至多个数据集之间是否存在差异的方法被广泛应用于各个科研领域。笔者作为科研界...

    转载于 关于显著性检验,你想要的都在这儿了!!(基础篇)


    无论你从事何种领域的科学研究还是统计调查,显著性检验作为判断两个乃至多个数据集之间是否存在差异的方法被广泛应用于各个科研领域。笔者作为科研界一名新人也曾经在显著性检验方面吃过许多苦头。后来醉心于统计理论半载有余才摸到显著性检验的皮毛,也为显著性检验理论之精妙,品种之繁多,逻辑之严谨所折服。在此,特写下这篇博文,以供那些仍然挣扎在显著性检验泥潭的非统计专业的科研界同僚们参考。由于笔者本人也并非统计专业毕业,所持观点粗陋浅鄙,贻笑大方之处还望诸位业界前辈,领域翘楚不吝赐教。小可在此谢过诸位看官了。
    本篇博文致力于解决一下几点问题,在此罗列出来:
    1.什么是显著性检验?
    2.为什么要做显著性检验?
    3.怎么做显著性检验?

    下面就请跟随笔者的步伐一步步走入显著性检验的“前世与今生”。


    一、显著性检验前传:什么是显著性检验?它与统计假设检验有什么关系?为什么要做显著性检验?

    “显著性检验”实际上是英文 significance test 的汉语译名。在统计学中,显著性检验是“统计假设检验”(Statistical hypothesis testing)的一种,显著性检验是用于检测科学实验中实验组与对照组之间是否有差异以及差异是否显著的办法,也是为了突出实验组效果比对照组效果明显,否则的话也便没有什么意义可言。实际上,了解显著性检验的“宗门背景”(统计假设检验)更有助于一个科研新手理解显著性检验。“统计假设检验”这一正名实际上指出了“显著性检验”的前提条件是“统计假设”,换言之“无假设,不检验”。任何人在使用显著性检验之前必须在心里明白自己的科研假设是什么,否则显著性检验就是“水中月,镜中花”,可望而不可即。用更通俗的话来说就是要先对科研数据做一个假设,然后用检验来检查假设对不对。一般而言,把要检验的假设称之为原假设,记为H0;把与H0相对应(相反)的假设称之为备择假设,记为H1。
    如果原假设为真,而检验的结论却劝你放弃原假设。此时,我们把这种错误称之为第一类错误。通常把第一类错误出现的概率记为α
    如果原假设不真,而检验的结论却劝你不放弃原假设。此时,我们把这种错误称之为第二类错误。通常把第二类错误出现的概率记为β
    通常只限定犯第一类错误的最大概率α, 不考虑犯第二类错误的概率β。我们把这样的假设检验称为显著性检验,概率α称为显著性水平。 显著性水平是数学界约定俗成的,一般有α =0.05,0.025.0.01这三种情况。代表着显著性检验的结论错误率必须低于5%或2.5%或1%(统计学中,通常把在现实世界中发生几率小于5%的事件称之为“不可能事件”)。以上这一段话实际上讲授了显著性检验与统计假设检验的关系。

    为了方便接下来的讲授,这里举一个例子。赵先生开了一家日用百货公司,该公司分别在郑州和杭州开设了分公司。现在存在下列数据作为两个分公司的销售额,集合中的每一个数代表着一年中某一个月的公司销售额。
    郑州分公司Z = {23,25,26,27,23,24,22,23,25,29,30}
    杭州分公司H = {24,25,23,26,27,25,25,28,30,31,29}
    现在,赵先生想要知道两个公司的销售额是否有存在明显的差异(是否存在郑州分公司销售额>杭州分公司销售额,抑或反之),以便对接下来公司的战略业务调整做出规划。下属们知道赵老板的难处,纷纷建议“只需要求平均值就知道哪个分公司的销售额更大了”。但是作为拥有高学历的赵先生懂得这样一件哲学即“我们生活在概率的世界之中”。那也就意味着,平均值并不能够说明什么问题,即便杭州分公司的销售额平均值大于郑州分公司的销售额平均值仍然不能说明杭州分公司的销售额一定就大于郑州分公司的销售额,因为“这样一种看似存在的大于关系实质上是偶然造成的而并不是一种必然”。这也便是做显著性检验的意义所在。
    赵先生最终决定,使用方差验检查这两个数据。(请先忽略为什么用方差检验,检验方法的选择下文中会详述)
    最后赵先生发现,方差检验的p 值= 0.2027,那也就意味着,虽然杭州分公司的年平均销售额26.63大于郑州分公司的销售额25.18,但是实质上,两个分公司的销售额并没有明显的差异。(相信此时的你心中有万千草泥马奔过:方差检验是怎么做的?p值是什么鬼?为什么p=0.2027意味着销售额没有明显差异?信息量好大肿么办?)

    不要急,不要慌,让我们从头来过,整理一下赵先生这里究竟发生了什么。这里很有必要了解一下根植于赵先生思维里的“慢动作”。
    第一点:如上文所述的一样,“无假设,不检验”,赵先生做了什么样的假设(Hypothesis)?
    由于赵先生想要知道两个公司的销售额是否有存在明显的差异 ,所以他的假设就是“样本集Z(郑州分公司)和样本集H(杭州分公司)不存在显著性差异,换言之这两个集合没有任何区别(销售额间没有区别)!”这就是赵先生的假设。那么问题来了,为什么赵先生要假设这两个样本集之间不存在任何区别,而不是假设这两个样本集存在区别。因为这个假设(Hypothesis)正是方差检验的原假设(null hypothesis)。那么问题又来了,什么是原假设。所谓原假设是数学界为了方便讨论而默认的“原始的假设”。没有什么为甚么可言,约定俗成罢了。
    第二点:p值怎么回事?
    这里并不用管p值是怎样得到的,直接给出结论。在显著性水平α =0.05的情况下,p>0.05接受原假设,p值<0.05拒绝原假设。我们的原假设是样本集Z和样本集H间不存在显著性差异,但是由于p=0.2027>0.05,所以接受原假设,即样本集Z和样本集H间不存在显著性差异。当然有接受就有拒接,如果这里的p值小于0.05,那么就要拒绝原假设,即集合Z和集合H间存在显著性差异。
    第三点:怎么做方差检验以及为何做方差检验之后再细讲,这里暂且不表。

    在这一章节的最后,给出本章的两个问题的答案,相信你现在已经可以理解:
    1、什么是统计假设检验?
    所谓统计假设检验就是事先对总体(随机变量)的参数或总体分布形式做出一个假设,然后利用样本信息来判断这个假设是否合理。而把只限定第一类错误概率的统计假设检验就称之为显著性检验。 在上例中,我们的假设就是一种显著性检验。因为方差检验不适用于估计参数和估计总体分布,而是用于检验试验的两个组间是否有差异。而方差检验正是用于检测我们所关心的是这两个集合(两个分布)的均值是否存在差异。
    2、为什么要做显著性检验?
    因为我们想要判断样本与我们对总体所做的假设之间的差异是纯属机会变异,还是由我们所做的假设与总体真实情况之间不一致所引起的。 在我们的例子中,差异就是H的均值要高于Z的均值,但是最终的结论p>0.05证明,这个差异纯属机会变异(H均值>Z均值是偶然的,当H和Z的采样点数趋于无穷多时,H的均值会趋近等于Z的均值)而不是假设与真实情况不一致。如果p值<0.05,那么也就意味着我们的假设(H集合和Z集合没差别)与真实情况不一致,这就使得假设不成立,即H集合和Z集合有差别。


    二、怎么做显著性检验?(基于MATLAB)

    显著性检验可以分为参数检验非参数检验。参数检验要求样本来源于正态总体(服从正态分布),且这些正态总体拥有相同的方差,在这样的基本假定(正态性假定方差齐性假定)下检验各总体均值是否相等,属于参数检验。

    当数据不满足正态性和方差齐性假定时,参数检验可能会给出错误的答案,此时应采用基于秩的非参数检验。

    2.1 参数检验(方差分析)

    参数检验的方法及其相应知识点的解释,这里只给出参数检验中常见的方差分析(anova)

    方差分析主要分为①单因素一元方差分析;②双因素一元方差分析 ; ③多因素一元方差分析 ; ④单因素多元方差分析 。下面一节对各种方差分析的实现方法进行介绍。但在介绍之前,我要首先“剧透”一下两个重要的点,理解这些点有助于区别不同类型的方差分析。
    什么叫做因素,什么叫做元?
    先解释一下什么叫做"元"。我假定正在看这篇博文的人一定具有小学以上文化水平,那么想必你一定对“一元二次方程”“二元一次方程”“多元一次方程”这种概念不陌生。所谓的“元”,正是指未知变量的个数。在统计假设检验中,仍然把待检验的未知变量称之为“元”而把影响未知变量的行为(事件)称之为“因素”。有过机器学习基础的同学可以把“元”和“因素”分别理解成机器学习中的“特征个数”和“标签个数”。拥有多个特征便是“多元”,而拥有多个标签便是“多因素”。

    2.1.1 单因素一元方差分析的方法和案例:

    相关MATLAB函数:
    函数一:anova1( X, Group, displayopt)
    参数解释:在第一种用法中,X是一个n行1列的数组,Group也是一个n行1列的数组。X为待检验的样本集,这个样本集中包括若干个对照组和实验组的全部数据。那么机器怎么知道哪个数据属于哪个组呢?很简单,通过Group这个列向量一一对应指明即可。一下这个例子来自于MATLAB的help文档,在这里用于实例说明:
    假定现在有三组数据
    组一(st):82 86 79 83 84 85 86 87
    组二(al1):74 82 78 75 76 77
    组三(al2):79 79 77 78 82 79
    现在需要对这三组数据做方差检验,使用anova1函数的方法如下
    1.首先将所有的数据放在同一个数组strength中:

    >> strength = [82 86 79 83 84 85 86 87 74 82 78 75 76 77 79 79 77 78 82 79];
    

    2.设置对应与strength对应位置的标签为alloy:

    >> alloy = {'st','st','st','st','st','st','st','st','al1','al1','al1','al1','al1','al1','al2','al2','al2','al2','al2','al2'};
    

    3.调用anova1函数

    >> p = anova1(strength,alloy)
    

    最终得到的结果会是一个数值和两幅图,一个值是p值。p值得看法在上文已经介绍过,这里不再细细的介绍。在本例中,p的值如下
    p =1.5264e-004
    显然,从p值看,三组值之间存在显著性差异。有一点必须提一下:这里p存在显著性差异并不意味着三组之间两两都存在显著性差异,而只是说明显著性差异在这三组之间存在。
    第一幅图是一张表,这张表被称之为ANOVA (Analysis of Variance) 表。相信许多非统计专业的同学见到ANOVA表的一瞬间是崩溃的,一堆问题奔涌而出:
    Source是什么鬼?SS是什么鬼,df是什么鬼,MS是什么鬼,F是什么鬼,Prob>F是什么鬼,etc.
    这里为了解决“什么鬼”的问题,对这张表给出详细的解释:

    Source表示方差来源(谁的方差),这里的方差来源包括Groups(组间),Error(组内),Total(总计);
    SS(Sum of squares)表示平方和
    df(Degree of freedom)表示自由度
    MS(Mean squares)表示均方差
    F表示F值(F统计量),F值等于组间均方和组内均方的比值,它反映的是随机误差作用的大小。
    Prob>F表示p值
    这里需要引出两个小问题:第一个小问题是F值怎么使用,第二个小问题是p值和F值的关系是什么?
    率先普及一下p值和F值之间的关系:
    F实际值>F查表值,则p<=0.05
    F实际值<F查表值,则p>0.05
    不难看出F值在本例中等于15.4,它正是组间方差92.4和组内方差6的比值。查F分布表(下图)

    根据 n=19( Total 的df),m=2(Groups的df)
    可得F0.05( m, n-m-1) = F0.05( 2, 16) = 3.634。F实际值15.4>F查表值3.634,所以可以判定显著性差异存在,且p值小于0.05
    以上讲述了如何仅仅使用F值判断显著性差异的方法并讲述了F值同p值之间的关系。

    这里有必要提一下anova1函数中的参数displayopt 的作用。在大规模的anova1调用中(例如把anova1放在for循环中反复调用),需要把displayopt设置为’off’,否则anova1每调用一次就会绘制两幅图,这样会迅速的耗费计算机的内存,容易造成程序崩溃。
    除了上文中介绍的第一种调用anova1的方式,还有一种方式用于均衡的方差分析所谓均衡就是要求不同的组别内的统计数据个数必须相同。在上例中出现的各个组的统计个数分别为{8,6,6}就属于非均衡。在均衡状态下,每个组的数据单独构成X中的一列,这样便可以省略参数Group,调用方式就可以简化为anova1(X)

    在上文中,我们提到过。方差分析必须满足两条假设,分别是正态性假定和方差齐性假定。因此,在一个完整的统计工程中,必须首先检测数据的正态性假定和方差齐性假定,这就涉及到另外两个函数 lillietest 正态检验函数(这正是我们上文提到的分布假设检验而不是参数检验,它检验的目标是数据集服从何种分布)和 vartestn 方差齐性检验(这正是我们上文提到的参数检验而不是分布假设检验 ,它检测的目标是数据集的分布服从什么样的参数,这里就是方差)

    函数二:lillietest(X)

    >> [h,p] = lillietest (strength(1:8))
    h =
         0
    p =
        0.5000
    

    解释:h = 0可以认为数据服从正态分布,h=1则认为不服从正态分布
    p >0.05可以认为接受原假设h = 0,则数据服从正态分布

    >> [h,p] = lillietest (strength(9:14))
    h =
         0
    p =
        0.5000
    >> [h,p] = lillietest (strength(15:20))
    h =
         0
    p =
        0.5000
    

    可以得出结论,strength中三组数都服从正态分布

    函数三:vartestn(X, Group)

    >> p = vartestn(strength,alloy,'off')
    p
    =0.5142
    

    注意:X和Group必须是列向量,否则会报错
    p>0.05则说明X中的不同Group是齐次的,也就是方差性齐。

    2.1.2 双因素一元方差分析的方法和案例:

    正如上文所述,既然是双因素,那便是有多个标签了。因此双因素一元方差分析可以理解成“单特征双标签机器学习技术”。由于双因素一元方差分析要求数据是均衡的,所以它的标签可以省略,就如同上文中介绍的anova1的第二种使用方法一样。这里的例子引用于MATLAB的anova2的help文档,用于说明anova2的使用方法。
    这里有一批爆米花数据,现在我们知道这些爆米花的质量打分同两个因素相关,一个是爆米花的品牌(有三个品牌:Gourmet,National,Generic)另一个是爆米花的制作工艺(油炸,气压)。这些数据如下所述:

    brand Gourmet National Generic
    methods
    油炸 5.5000 4.5000 3.5000
    油炸 5.5000 4.5000 4.0000
    油炸 6.0000 4.0000 3.0000
    气压 6.5000 5.0000 4.0000
    气压 7.0000 5.5000 5.0000
    气压 7.0000 5.0000 4.5000

    现在需要了解的目标有三个,第一:列和列之间是否有显著性差异(品牌间的显著性差异),原假设是显著性差异不存在;第二:行与行之间是否存在显著性差异,原假设是显著性差异不存在 ;第三:品牌和方法之间的交互作用是否明显,原假设是交互作用不明显
    为了完成以上三个问题,所以特别引入anova2函数,anova2函数的参数如下:
    p = anova2( X, reps, displayopt)
    X即为待检验数组。其中,X的每列一代表一种因素,X的每若干行代表另一种因素,这里的若干使用reps指明。displayopt同anova1一样,这里不再详述。anova2的返回是一值一幅图。下面是具体的MATLAB方法:

    >> popcorn =[
      5.5000  4.5000  3.5000
      5.5000  4.5000  4.0000
      6.0000  4.0000  3.0000
      6.5000  5.0000  4.0000
      7.0000  5.5000  5.0000
      7.0000  5.0000  4.5000];
     
    >> [p,table,stats] = anova2(popcorn,3)
     
    p =
        0.0000    0.0001    0.7462
    

    解释:p(1) = 0.0000, 推翻原假设,所以列与列之间的显著性差异存在(品牌间存在显著性差异);p(2) = 0.0001,推翻原假设,所以行与行之间的显著性差异存在(方法间的显著性差异存在);p(3) = 0.7462,保留原假设,则品牌和方法间的交互作用不明显。
    图表中的Columns代表列,Rows代表行,Interaction代表交互作用,其他的与我们在anova2中讲述的完全相同,这里也不再详细分析。

    2.1.3 多因素一元方差分析的方法和案例:

    p = anovan(X, Group, Opt)
    其中,X代表着待检验数据;Group代表着X的因素,由于是多因素,所以Group是多个列组成的。Opt可以选择为’model’,model后面可以填写’full’和’interaction’。
    比如因素有三个x,y,z,那么如果model为interaction,计算结果会包括x的显著性,y的显著性,z的显著性,xy,xz,yz的交互影响显著性
    如果model为full,计算结果会包括x的显著性,y的显著性,z的显著性,xy,xz,yz的交互影响显著性以及xyz的交互显著性。

    这里的例子仍然来自于MATLAB的help文档,y是待检验的数据,g1,g2,g3是与y中数据一一对应的3个因素(数据标签)

    y = [52.7 57.5 45.9 44.5 53.0 57.0 45.9 44.0]';
    g1 = [1 2 1 2 1 2 1 2];
    g2 = {'hi';'hi';'lo';'lo';'hi';'hi';'lo';'lo'};
    g3 = {'may';'may';'may';'may';'june';'june';'june';'june'};
    
    
    
    >> p = anovan(y,{g1 g2 g3},'model','interaction')
     
    p =
     
        0.0347
        0.0048
        0.2578
        0.0158
        0.1444
        0.5000
    

    这里有一个使用的小窍门,如果你想做非平衡双因素一元方差分析那么也可以采用多因素一元方差分析函数。

    2.1.4 单因素多元方差分析的方法和案例:

    [d, p] = manova1(X, Group);

    p,X和Group与之前相同。该方差分析的原假设是“各组的组均值是相同的多元向量”这里对d做出解释:
    d=0,接受原假设
    d=1,拒绝原假设,认为各组的组均值不完全相同,但是不能拒绝它们共线的假设。
    d=2,拒绝原假设,各组的组均值向量可能共面,但是不共线。
    四种商品(x1,x2,x3,x4)按照不同的两种销售方式进行销售,数据如下:

    编号 x1 x2 x3 x4 销售方式
    1 125 60 338 210 1
    2 119 80 233 330 1
    3 63 51 260 203 1
    4 65 51 429 150 1
    5 130 65 403 205 1
    6 65 33 480 260 1
    7 100 34 468 295 2
    8 65 63 416 265 2
    9 110 69 377 260 2
    10 88 78 299 360 2
    11 73 63 390 320 2
    12 103 54 416 310 2
    13 64 51 507 320 2

    >> X =
     
       125    60   338   210
       119    80   233   330
        63    51   260   203
        65    51   429   150
       130    65   403   205
        65    33   480   260
       100    34   468   295
        65    63   416   265
       110    69   377   260
        88    78   299   360
        73    63   390   320
       103    54   416   310
        64    51   507   320
    
    
    
    >> Groups =
     
         1
         1
         1
         1
         1
         1
         2
         2
         2
         2
         2
         2
         2
    >> [d, p] = manova1(X, Groups);
     
    d =
     
         0
    p =
     
        0.0695
    

    因此,拒绝原假设,各组的组均值不是相同的多元向量。

    2.2 非参数检验(Kruskal-Wallis检验和Friedman检验):

    到这里,参数检验部分就算是说完了。我们可以回顾一下,参数检验的四种函数分为anova1,anova2,anovan,manova1。他们都基于共同的两个假设:正态性假定和方差齐性假定 ,分别对应着函数 lillietest 和 vartestn。但是,我们在实际工作中,不可能总是遇到满足这两个假定的统计数据,这时候,如果强行采用参数检验就会造成错误。此时,可以采用基于秩和的非参数检验。这里我们介绍两种非参数检验:Kruskal-Wallis检验,Friedman检验。通过参数检验的部分介绍,想必读者已经对显著性检验入门,有些细节这里不再详细介绍,留作有兴趣读者自行查询。这里对分参数检验只做必要介绍。

    2.2.1 Kruskal-Wallis检验

    Kruskal-Wallis检验又被称之为单因素非参数方差分析,是非参数版的anova1。该检验的原假设是:k个独立样本来自于相同的正态总体。其MATLAB函数如下:

    p = kruskalwallis(X,Group)
    

    X,Group,p和参数检验里的完全相同。不再详细介绍。

    2.2.2 Friedman检验

    Friedman检验又被称之为双因素秩方差分析,是非参数版的anova2。同anova2一样,待检验的数据也必须是均衡的。但是需要特别注意的是,Friedman检验和anova2检验不完全相同,anova2同时注意两个因素对待检验数据的影响,但是,Friedman检验只注重2个因素中的其中一个对待检验数据的影响,而另一个因素则是用来区分区组用的。

    如上图所示矩阵X,Friedman检验只关注X的各个列(因素A)水平之间有无显著差异,他对各行之间(因素B,也被称之为区组因素)完全不感兴趣。因此,Friedman检验的原假设是k个独立样本(X的各列)来自于相同的正态总体。至于为何Friedman检验对因素B不感兴趣,这里通过一个例子说明。该例子来源于《MATLAB统计分析与应用40个案例分析》

    有4名美食评委1234对来自于四个地区ABCD的名厨的名菜水煮鱼做出评价打分,数据如下:

    地区ABCD
    美食评委
    185828279
    287758682
    390818076
    480758175

    现在我们想知道,这四个地方的水煮鱼品质是否相同。

    数据分析:我们的目标是四个地方水煮鱼的品质是否相同。那么同一个评委对四个地区厨师的打分就具有可参考性,而不同地区评委之间对同一个厨师的打分参考性几乎没有(受评委自己的主观意识影响太强)。因此,我们认为四个地区是因素A,而评委是因素B(区组因素),不同区组之间的数据没有可比较性。

    >> X =
     
        85    82    82    79
        87    75    86    82
        90    81    80    76
        80    75    81    75
    
    >> p = friedman(X,1)
    p = 0.0434
    

    因此可以认为,四个地区制作水煮鱼的水平有显著性差别。至于是那两个之间有显著性差别还需要一一比较。

    结语:讲到这里,常见的显著性检验方法就算是讲完了。希望通过这篇博文可以使显著性检验不再成为各位看官的心头大患,不必再谈“检”色变。如果真的可以做到这样,于愿足矣。

    总结一下:

    1、首先,要知道显著性检验是统计假设检验的一种,显著性检验只考虑犯第一类错误的情况,也就是原假设为真的情况下,我们却错误的拒绝它的概率。在机器学习领域中,如两个分类器的分类指标,分别进行了100轮的测试得到的平均准确率分别是70%和72%,单单从平均值的角度并不能得到A比B的分类效果好,因为这有可能是偶然造成的,并不是一种必然的现象,所以为了科学验证,必须对A和B的所有round得到的准确率结果进行显著性检验。

    2、上面讲解了两种显著性检验的方法,一种是参数检验:方差分析(anova),其中包括了四种不同数据情况下的方差分析方法,但是在使用这种参数检验的时候必须满足两个条件:正态性假定和方差齐性假定,也就是说它们应该服从正态分布并且具有相同的方法,所以在使用方差分析的时候,必须先进行正态性检验和方差齐性检验。由于日常的工作中的数据并不是一直满足上面的情况,所以另一种非参数检验也很有必要。非参数检验提到了两种基于秩和检验(rank sum test)的Kruskal-Wallis检验(克鲁斯卡尔-沃利斯检验)和Friedman检验(弗里德曼检验)。

    3、另外区分参数检验和非参数检验的区别也可以看出,一种是对数据的分布有假设,另一种对数据的分布并没有做出任何假设。这类似与机器学习中参数模型和非参数模型的区别

    展开全文
  • 显著性检验matlab* 第六章 显著性检验 基本思想 检验规则 检验步骤 常见的假设检验 基本思想 小概率原理: 如果对总体的某种假设是真实的,那么不利于或不能支持这一假设的事件A(小概率事件)在一次试验中几乎不可能...
  • 相关性和显著性检验学习笔记

    万次阅读 2018-09-07 14:49:51
    相关性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析,...为什么要对相关系数进行显著性检验?  因...
  • 显著性检验理解

    千次阅读 2018-03-12 11:58:33
    https://wenku.baidu.com/view/c16e77e8af1ffc4ffe47acdc.html无论你从事何种领域的科学研究还是统计...后来醉心于统计理论半载有余才摸到显著性检验的皮毛,也为显著性检验理论之精妙,品种之繁多,逻辑之严谨所...
  • 相关性的显著性检验

    千次阅读 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 和 Kendall 相关系数进行检验。、 格式:cor.test(x, y, alternative=, method=) x,y: ...
  • 显著性检验:P值和置信度

    千次阅读 2021-05-26 16:21:17
    显著性差异(ρ,Statistical significance) 是统计学上对数据差异性的评价。...在统计学中,显著性检验是“统计假设检验”(Statistical hypothesis tesing)的一种,显著性检验是检测科学实验中的实验组与对照.
  • ncl常用的小波分析方法,计算极涡指数并进行显著性检验
  • R语言进行的变量相关性显著性检验 在计算好相关系数以后,如何对它们进行统计显著性检验呢? 常用的原假设为变量间不相关(即总体的相关系数为0)。可以使用cor.test()函数对单个的Pearson、Spearman和Kendall相关...
  • 显著性检验基础知识

    2018-05-04 09:41:02
    转载自 https://www.cnblogs.com/hdu-zsk/p/6293721.html无论你从事何种领域的科学研究...后来醉心于统计理论半载有余才摸到显著性检验的皮毛,也为显著性检验理论之精妙,品种之繁多,逻辑之严谨所折服。在此,特...
  • ncl处理nc数据,并进行统计分析和显著性检验
  • 统计4:显著性检验

    2021-05-18 06:33:01
    在统计学中,显著性检验是“假设检验”中最常用的一种,显著性检验是用于检测科学实验中实验组与对照组之间是否有差异以及差异是否显著的办法。 一,假设检验 显著性检验是假设检验的一种,那什么是假设检验?假设...
  • 数学建模的时候自己找的显著性检验的几个有用的例子,感觉可以参考下,分享给大家
  • 【数学】显著性检验

    2021-07-01 16:30:23
    为什么要进行显著性检验 怎么做显著性检验 白话举例 参考 动机 看到论文中使用显著性分析,于是先了解下什么是显著性检验,于是是通过T检验手段,具体可以看本人另一篇博客【数学】T检验(显著性检验) 理解 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 32,794
精华内容 13,117
关键字:

怎么进行显著性检验