常用显著性检验_联合显著性检验

　1.t检验

　　适用于计量资料、正态分布、方差具有齐性的两组间小样本比较。包括配对资料间、样本与均数间、两样本均数间比较三种，三者的计算公式不能混淆。

　　2.t'检验

　　应用条件与t检验大致相同，但t′检验用于两组间方差不齐时，t′检验的计算公式实际上是方差不齐时t检验的校正公式。

　　3.U检验

　　应用条件与t检验基本一致，只是当大样本时用U检验，而小样本时则用t检验，t检验可以代替U检验。

　　4.方差分析

　　用于正态分布、方差齐性的多组间计量比较。常见的有单因素分组的多样本均数比较及双因素分组的多个样本均数的比较，方差分析首先是比较各组间总的差异，如总差异有显著性，再进行组间的两两比较，组间比较用q检验或LST检验等。

　　5.X2检验

　　是计数资料主要的显著性检验方法。用于两个或多个百分比(率)的比较。常见以下几种情况：四格表资料、配对资料、多于2行*2列资料及组内分组X2检验。

　　6.零反应检验

　　用于计数资料。是当实验组或对照组中出现概率为0或100％时，X2检验的一种特殊形式。属于直接概率计算法。

　　7.符号检验、秩和检验和Ridit检验

　　三者均属非参数统计方法，共同特点是简便、快捷、实用。可用于各种非正态分布的资料、未知分布资料及半定量资料的分析。其主要缺点是容易丢失数据中包含的信息。所以凡是正态分布或可通过数据转换成正态分布者尽量不用这些方法。

　　8.Hotelling检验

 

　　用于计量资料、正态分布、两组间多项指标的综合差异显著性检验。

计量经济学检验方法讨论

计量经济学中的检验方法多种多样，而且在不同的假设前提之下，使用的检验统计量不同，在这里我论述几种比较常见的方法。

在讨论不同的检验之前，我们必须知道为什么要检验，到底检验什么？如果这个问题都不知道，那么我觉得我们很荒谬或者说是很模式化。检验的含义是要确实因果关系，计量经济学的核心是要说因果关系是怎么样的。那么如果两个东西之间没有什么因果联系，那么我们寻找的原因就不对。那么这样的结果是没有什么意义的，或者说是意义不大的。那么检验对于我们确认结果非常的重要，也是评价我们的结果是否拥有价值的关键因素。所以要做统计检验。

t 检验，t检验主要是检验单个ols估计值或者说是参数估计值的显著性，什么是显著性？也就是给定一个容忍程度，一个我们可以犯错误的限度，错误分为两 类：1、本来是错的但是我们认为是对的。2、本来是对的我们认为是错的。统计的检验主要是针对第一种错误而言的。一般的计量经济学中的这个容忍程度是5%，也就是说可以容忍我们范第一类错误的概率是5%。这样说不准确，但是比较好理解。t-stastic是类似标准正态化的正态分布两一样，也就是估计 值减去假设值除以估计值得标准差，一般假设值是0，这一点不难理解，如果是0 ，那么也就意味着没有因果关系。这个t-static在经典假设之下服从t分布。t分布一般是和正态分布差不多，尤其是当样本的量足够大的时候，一般的经验认为在样本数量大于120的时候，就可以看成是正态分布的。

F-statistc：F检验是属于联合检验比较重要的一种，主要的目的是用于对于一系列的原因的是否会产生结果这样一个命题做出的检验。F统计量主要的产生来源是SSR\SST\SSE三个量。但是这个检验有一个缺点是必须在经典假设之下才能有效。

LM 检验：这个检验的性质和F检验的性质是一样的，都是检验联合显著性的，不同的是F统计量符合F分布，但是LM统计量服从卡方分布。卡方分布是正态分布的变 量的平方和，而F分布是卡方分布的商，并且分子和分布必须独立，这就是为什么F检验适用范围受限的原因。LM=n*SSR、或者是LM=n-SSR。

至于其他的White检验、Brusch-pagan检验（异方差的检验方法）、还有序列相关的t检验、DW检验基本原来是相同的。

关于异方差检验、序列相关的检验其中存在不同的地方，但是思想基本是相同的。

关于异方差检验的讨论：

1、Brusch-pagan检验：这个检验的思路比较简单，主要是要研究残查和X之间的关系，给定这样的一个方程：u=b0+b1*x1+……+bn*xn+u'的回归，其中进行F检验和LM检验。如果检验通过那么不存在异方差，如果不通过那么存在异方差。

2、 White检验：这个检验也是对异方差的检验，但是这个检验不同的是不仅对于X的一次方进行回归，而且考虑到残查和x的平方还有Xi*Xj之间的关系。给 定如下方程：u=b0+b1*y+b2*y^2+u'。也是用F和LM联合检验来检验显著性。如果通过那么不存在异方差，否则存在。

序列相关的检验方法的讨论：

对 于时间序列的问需要知道一个东西，也就是一介自回归过程，也就是一般在教科书中说到的：AR(1)过程，其中的道理主要是说在当期的变量主要是取决于过去 一个时期的变量和一个随机误差项。表示如下：Ut=p*U(t-1)+et。在这里我要说到几个概念问题，I(1)（一阶积整）、I(0)（零阶积整）。 其中的一介自回归过程AR(1)就属于零阶积整过程，而一阶积整过程实际上是随机游动和飘移的随机游动过程。随机游动过程：Ut=U(t-1)+et。也 就是在AR(1)的过程之下，其中的P是等于1的。飘移的随机游动过程：Ut=a+U(t-1)+et。其中随机游动过程和AR(1)过程中的不同点在于 一个弱相依性的强弱问题，实际上我们在时间序列问题中，我们可以认为任何一个过程是弱相依的，但是问题的关键是我们不知道到底有多弱？或者更加直观地说， 我们想知道P到底是多大，如果P是0.9或者是一个比较接近于1得数，那么可能我们可以认为这个时间序列有高度持久性，这个概念表示当期的变量却绝于一个 很早的时期的变量，比如一阶积整过程，实际上et是一个独立统分布的变量，而且条件数学期望等于0，没有异方差性。那么实际上这个序列的数学期望是和期数 没有什么关系的。那么也就意味着从第0期开始，U的数学期望值就是和很久以后的U的数学期望值一样的。但是方差就不同了，方差随着时间的增加不断扩大。我 们知道了，这种不同的概念就可以讨论在一阶自回归的条件之下的检验问题，但是我们说一介自回归的过程是参差序列的特征而已，其他的变量的特征问题我们不 谈。

在讨论检验的问题以前，我有必要交待一下时间序列在ols估计的时候我们应该注意什么。实际上解决序列自相关问题最主要的问题就是一个差分的方法。因为如果是长期持久的序列或者是不是长期持久的序列，那么一定的差分就可以解除这种问题。

1、 t检验。如果我们知道这个变量是一个一介自回归的过程，如果我们知道自回归过程是AR(1)的。那么我们就可以这样作，首先我们做OLS估计，得到的参差 序列我们认为是一阶自相关的。那么为了验证这种情况，那么我们可以做Ut和U(t-1)的回归，当然这里可以包含一个截距项。那么我们验证其中的参数的估 计是不是显著的，就用t检验。

 

t检验与F检验有什么区别

 

1.检验有单样本t检验，配对t检验和两样本t检验。

 

单样本t检验：是用样本均数代表的未知总体均数和已知总体均数进行比较，来观察此组样本与总体的差异性。

 

配对t检验：是采用配对设计方法观察以下几种情形，

 

1，两个同质受试对象分别接受两种不同的处理；

 

2,同一受试对象接受两种不同的处理；

 

3，同一受试对象处理前后。

 

F 检验又叫方差齐性检验。在两样本t检验中要用到F检验。从两研究总体中随机抽取样本，要对这两个样本进行比较的时候，首先要判断两总体方差是否相同，即方 差齐性。若两总体方差相等，则直接用t检验，若不等，可采用t'检验或变量变换或秩和检验等方法。其中要判断两总体方差是否相等，就可以用F检验。

 

2.t检验和方差分析的前提条件及应用误区用于比较均值的t检验可以分成三类，

 

第一类是针对单组设计定量资料的；

 

第二类是针对配对设计定量资料的；

 

第三类则是针对成组设计定量资料的。

 

后两种设计类型的区别在于事先是否将两组研究对象按照某一个或几个方面的特征相似配成对子。无论哪种类型的t检验，都必须在满足特定的前提条件下应用才是合理的。　　

 

若是单组设计，必须给出一个标准值或总体均值，同时，提供一组定量的观测结果，应用t检验的前提条件就是该组资料必须服从正态分布；若是配对设计，每对数据的差值必须服从正态分布；

 

若是成组设计，个体之间相互独立，两组资料均取自正态分布的总体，并满足方差齐性。

 

之所以需要这些前提条件，是因为必须在这样的前提下所计算出的t统计量才服从t分布，而t检验正是以t分布作为其理论依据的检验方法。　　值得注意的是，方差分析与成组设计t检验的前提条件是相同的，即正态性和方差齐性。　　

 

t 检验是目前医学研究中使用频率最高，医学论文中最常见到的处理定量资料的假设检验方法。t检验得到如此广泛的应用，究其原因，不外乎以下几点：现有的医学 期刊多在统计学方面作出了要求，研究结论需要统计学支持；传统的医学统计教学都把t检验作为假设检验的入门方法进行介绍，使之成为广大医学研究人员最熟悉 的方法；t检验方法简单，其结果便于解释。简单、熟悉加上外界的要求，促成了t检验的流行。但是，由于某些人对该方法理解得不全面，导致在应用过程中出现 不少问题，有些甚至是非常严重的错误，直接影响到结论的可靠性。将这些问题归类，可大致概括为以下两种情况：

 

不考虑t检验的应用前提，对两组的比较一律用t检验；

 

将各种实验设计类型一律视为多个单因素两水平设计，多次用t检验进行均值之间的两两比较。

 

以上两种情况，均不同程度地增加了得出错误结论的风险。而且，在实验因素的个数大于等于2时，无法研究实验因素之间的交互作用的大小。

 

u检验和t检验区别与联系

 

 

 

 

方差分析与两样本T检验区别

 

 

 

 

 

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s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5.2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。

 

3. 双侧检验与单侧检验的选择 需根据研究目的和专业知识予以选择。单侧检验和双侧检验中的t值计算过程相同，只是t界值不同，对同一资料作单侧检验更容易获得显著的结果。单双侧检验的选择，应在统计分析工作开始之前就决定，若缺乏这方面的依据，一般应选用双侧检验。

 

4. 假设检验的结论不能绝对化 假设检验统计结论的正确性是以概率作保证的，作统计结论时不能绝对化。在报告结论时，最好列出概率 P 的确切数值或给出P值的范围，如写成0.02<P<0.05，同时应注明采用的是单侧检验还是双侧检验，以便读者与同类研究进行比较。当 P接近临界值时，下结论应慎重。

 

5．正确理解P值的统计意义 P 是指在无效假设 H0 的总体中进行随机抽样,所观察到的等于或大于现有统计量值的概率。其推断的基础是小概率事件的原理,即概率很小的事件在一次抽样研究中几乎是不可能发生的，如发生则拒绝H0。因此，只能说明统计学意义的“显著” 。

 

6．假设检验和可信区间的关系 假设检验用以推断总体均数间是否相同，而可信区间则用于估计总体均数所在的范围，两者既有联系又有区别。

 

 

 

T检验属于均值分析，它是用来检验两类母体均值是否相等。均值分析是来考察不同样本之间是否存在差异，而方差分析则是评估不同样本之间的差异是否由某个因素起主要作用。

 

 

 

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s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5.2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。

 

3. 双侧检验与单侧检验的选择 需根据研究目的和专业知识予以选择。单侧检验和双侧检验中的t值计算过程相同，只是t界值不同，对同一资料作单侧检验更容易获得显著的结果。单双侧检验的选择，应在统计分析工作开始之前就决定，若缺乏这方面的依据，一般应选用双侧检验。

 

4. 假设检验的结论不能绝对化 假设检验统计结论的正确性是以概率作保证的，作统计结论时不能绝对化。在报告结论时，最好列出概率 P 的确切数值或给出P值的范围，如写成0.02<P<0.05，同时应注明采用的是单侧检验还是双侧检验，以便读者与同类研究进行比较。当 P接近临界值时，下结论应慎重。

 

5．正确理解P值的统计意义 P 是指在无效假设 H0 的总体中进行随机抽样,所观察到的等于或大于现有统计量值的概率。其推断的基础是小概率事件的原理,即概率很小的事件在一次抽样研究中几乎是不可能发生的，如发生则拒绝H0。因此，只能说明统计学意义的“显著” 。

 

6．假设检验和可信区间的关系 假设检验用以推断总体均数间是否相同，而可信区间则用于估计总体均数所在的范围，两者既有联系又有区别。

 

 

 

T检验属于均值分析，它是用来检验两类母体均值是否相等。均值分析是来考察不同样本之间是否存在差异，而方差分析则是评估不同样本之间的差异是否由某个因素起主要作用。

 

 

 

 t检验：是假设检验的一种常用方法，当方差未知时，可以用来检验一个正态总体或两个正态总体的均值检验假设问题，也可以用来检验成对数据的均值假设问题。具体内容可以参考《概率论与数理统计》。可以用来判断两组数倨差异是否有显著意义，也就是结果有没有统计学意义。

 

 

 

 

 

方差分析：它是处理实验研究资料时重要的分析方法之一，代表数据是否具有统计意义,


一般一组数据代表某个条件或因素,方差分析可以判断你选取的这个因素是否有意义,是不是影响因素


如果你做统计为了找到事物相关性,而方差结果显示数据无统计学差异,很可能代表实验失败或设计有问题

 

在 对均值进行假设检验时，一般有两种参数检验方法，即t检验与方差分析。t检验仅用在单因素两水平设计（包括配对设计和成组设计）和单组设计（给出一组数据 和一个标准值的资料）的定量资料的均值检验场合；而方差分析用在单因素k水平设计（k≥3）和多因素设计的定量资料的均值检验场合。应当进一步说明的是， 方差分析有十几种，不同的方差分析取决于不同的设计类型。很多人习惯于用t检验取代一切方差分析。

不能用t检验取代方差分析的情况

①单因素k（k≥3）水平设计时的情形。为了便于理解，举例说明。

[实例]研究单味中药对小鼠细胞免疫机能的影响，把40只小鼠随机均分为4组，每组10只，雌雄各半，用药15d后测定E-玫瑰结成率（%），结果如下，试比较各组总体均值之间的差别有无显著性意义？
对照组： 14 10 12 16 13 14 12 10 13 9
党参组： 21 24 18 17 22 19 18 23 20 18
黄芪组： 24 20 22 18 17 21 18 22 19 23
淫羊藿组： 35 27 23 29 31 40 35 30 28 36
处 理本例资料，通常人们错误的做法是，重复运用成组设计资料的t检验对4个组的均值进行6次两两比较；而正确的做法是，先进行单因素4水平设计资料的方差分 析，若4个总体均值之间的差别有显著性意义，再用q检验等方法进行多个均值之间的两两比较。下面将从多个方面来说明上述两种分析方法之间的差异（表1）。

表1 用t检验与方差分析处理[实例]资料的区别

比较的内容 资料的利用率 对原实验设计的影响 犯假阳性错误的概率结论的可靠性

t检验 低： 每次仅用两组 残：割裂了整体设计 大：1-（1-0.05）6 = 0.265 低：统计量的自由度小（υ=18）

方差分析加q检验 高：每次要用全部数据 全：与原实验设计相呼应 小：0.05（假定α=0.05）高：统计量的自由度大（υ=36）

注：自由度大，所对应的统计量的可靠性就高，它相当于“权重”，也类似于产生“代表”的基数，基数越大，所选出的“代表”就越具有权威性。


②多因素设计时的情形。为了便于理解，仍举例说明（表2）。

表2 注射氯化锂或烟碱后不同时间大鼠体温的下降值

使用氯化锂与否 使用烟碱与否 第二次注射后不同时间体温下降值（摄氏度）

0.7 1.5 3 5

—- —- 0.0±0.4 0.2±0.5 0.1±0.4 0.3±0.5

+ —- 0.7±0.5 0.1±0.5 0.1±0.6 0.2±0.5

—- + 1.2±0.8 0.1±0.6 0.4±0.5 0.4±0.3

+ + 1.7±0.6 0.7±0.6 0.3±0.6 0.1±0.5


显 然,表2中涉及到的3个实验因素(即”使用氯化锂与否”、“使用烟碱与否”、“药物在体内作用时间”)。这些因素之间一般都存在不同程度的交互作用，应当 选用与设计类型（本例为具有一个重复测量的三因素设计）相对应的方差分析方法。然而，对于处置复杂的实验设计问题，人们常犯的错误是在；其一，将多因素各 水平的不同组合（本例中共有16种不同的组合，相当于16种不同的实验条件）、简单地看作单因素的多个水平（即视为单因素16水平），混淆了因素与水平之 间的区别，从而错误地确定了实验设计类型；其二，分析资料时，常错误用单因素多水平设计或仍采用多次t检验进行两两比较。误用这两种方法的后果是，不仅无 法分析因素之间的交互作用的大小，而且，由于所选用的数学模型与设计不匹配，易得出错误的结论。

 

 

 

答：t 检验适用于两个变量均数间的差异检验，多于两个变量间的均数比较要用方差分析。用于比较均值的t检验可以分成三类，第一类是针对单组设计定量资料的；第二 类是针对配对设计定量资料的；第三类则是针对成组设计定量资料的。后两种设计类型的区别在于事先是否将两组研究对象按照某一个或几个方面的特征相似配成对 子。无论哪种类型的t检验，都必须在满足特定的前提条件下应用才是合理的。　　若是单组设计，必须给出一个标准值或总体均值，同时，提供一组定量的观测结 果，应用t检验的前提条件就是该组资料必须服从正态分布；若是配对设计，每对数据的差值必须服从正态分布；若是成组设计，个体之间相互独立，两组资料均取 自正态分布的总体，并满足方差齐性。之所以需要这些前提条件，是因为必须在这样的前提下所计算出的t统计量才服从t分布，而t检验正是以t分布作为其理论 依据的检验方法。　　值得注意的是，方差分析与成组设计t检验的前提条件是相同的，即正态性和方差齐性。　　t检验是目前医学研究中使用频率最高，医学论 文中最常见到的处理定量资料的假设检验方法。t检验得到如此广泛的应用，究其原因，不外乎以下几点：现有的医学期刊多在统计学方面作出了要求，研究结论需 要统计学支持；传统的医学统计教学都把t检验作为假设检验的入门方法进行介绍，使之成为广大医学研究人员最熟悉的方法；t检验方法简单，其结果便于解释。 简单、熟悉加上外界的要求，促成了t检验的流行。但是，由于某些人对该方法理解得不全面，导致在应用过程中出现不少问题，有些甚至是非常严重的错误，直接 影响到结论的可靠性。将这些问题归类，可大致概括为以下两种情况：不考虑t检验的应用前提，对两组的比较一律用t检验；将各种实验设计类型一律视为多个单 因素两水平设计，多次用t检验进行均值之间的两两比较。以上两种情况，均不同程度地增加了得出错误结论的风险。而且，在实验因素的个数大于等于2时，无法 研究实验因素之间的交互作用的大小。





u检验

（u test）以服从u分布的统计量检验统计假设的方法。①均值μ的检验。 一个正态总体： 当σ0:μ＝μ0 2－σ2已知时，用检验统计量：其中，μ0、σ02为已知正态总体的均值与方差，X为样本平均数，n为样本含量。当总体分布未知但样本含量较大时，用检验 统计量： 两个正态总体： H0：μ1＝μ 2 当两个总体方差σ12、 σ22已知时，用检验统计量：当总体分布未知但样本含量较大时，用检验统计量： ②总体率π的检验（适用于大样本）。 一个总体：H0 : π ＝ π0用检验统计量：两个总体：H0：π1＝π2用检验统计量：其中，为两样本率的加权平均数，m1、m2分别为两样本中某事件出现的频数。 u检验的判断结论：对给定的显著性水平α，查正态分布表，当α＝0.05、0.01时，临界值分别为1.96、2.58。当｜u｜＜1.96 时，P＞0.05，不拒绝H0，差异不具显著性；当1.96≤｜u｜≤2.58时，P≤0.05，拒绝H0，差异具显著性；当｜ u ｜ ≥2. 58时，P≤0.01，拒绝H0，差异具高度显著性。只要u检验的条件满足，如正态总体σ02已知或是大样本，都可使用该方法，如某一运动队通过一段时间 的训练后成绩是否有所提高，可以进行u检验。



皮尔逊x2检验和卡方检验一样吗？

皮尔逊x2检验是检验实际频数和理论频数是否较为接近，统计学家卡尔?皮尔逊1900年提出了如下检验统计量：X^2=∑{【（实际频数-理论频数的）^2】/理论频数}
它近似服从自由度为V =组格数－估计参数个数－1 的 分布。式中， n 是样本量，理论频数是由样本量乘以由理论分布确定的组格概率计算的。求和项数为组格数目。
皮尔逊 统计量的直观意义十分显然： 是各组格的实际观测频数与理论期望频数
的相对平方偏差的总和，若 值充分大，则应认为样本提供了理论分布与统计分布不同的
显著证据，即假设的总体分布与总体的实际分布不符，从而应否定所假定的理论分布。所以，
应当在 分布密度曲线图的右尾部建立拒绝域。
卡方检验有很多种，跟他们叫卡方检验是因为构造的统计量服从或近似服从卡方分布，然后再根据卡方分布建立检验规则，比如检验正态总体方差的是否为某定值的卡方检验构造的统计量是那样的~~这个统计量服从n-1的卡方分布，，所以这个检验也叫卡方检验。

 T检验

 

 

 

 

（T Test）

 

什么是T检验

 

　　T检验是用于小样本（样本容量小于30）的两个平均值差异程度的检验方法。它是用T分布理论来推断差异发生的概率，从而判定两个平均数的差异是否显著。

 

　 　T检验是戈斯特为了观测酿酒质量而发明的。戈斯特在位于都柏林的健力士酿酒厂担任统计学家，基于Claude Guinness聘用从牛津大学和剑桥大学出来的最好的毕业生以将生物化学及统计学应用到健力士工业程序的创新政策。戈特特于1908年在 Biometrika上公布T检验，但因其老板认为其为商业机密而被迫使用笔名（学生）。实际上，戈斯特的真实身份不只是其它统计学家不知道，连其老板也 不知道。

 

T检验的步骤

 

　　1、建立虚无假设H0:μ1 = μ2，即先假定两个总体平均数之间没有显著差异；

 

　　2、计算统计量T值，对于不同类型的问题选用不同的统计量计算方法；

 

　　1）如果要评断一个总体中的小样本平均数与总体平均值之间的差异程度，其统计量T值的计算公式为：

 

　　

 

　　2）如果要评断两组样本平均数之间的差异程度，其统计量T值的计算公式为：

 

　　

 

　　3、根据自由度df=n-1，查T值表，找出规定的T理论值并进行比较。理论值差异的显著水平为0.01级或0.05级。不同自由度的显著水平理论值记为T(df)0.01和T(df)0.05

 

　　4、比较计算得到的t值和理论T值，推断发生的概率，依据下表给出的T值与差异显著性关系表作出判断。

 

　　5、根据是以上分析，结合具体情况，作出结论。

 

T检验举例说明

 

　 　例如，T检验可用于比较药物治疗组与安慰剂治疗组病人的测量差别。理论上，即使样本量很小时，也可以进行T检验。（如样本量为10，一些学者声称甚至更 小的样本也行），只要每组中变量呈正态分布，两组方差不会明显不同。如上所述，可以通过观察数据的分布或进行正态性检验估计数据的正态假设。方差齐性的假 设可进行F检验，或进行更有效的Levene's检验。如果不满足这些条件，只好使用非参数检验代替T检验进行两组间均值的比较。

 

　 　T检验中的P值是接受两均值存在差异这个假设可能犯错的概率。在统计学上，当两组观察对象总体中的确不存在差别时，这个概率与我们拒绝了该假设有关。一 些学者认为如果差异具有特定的方向性，我们只要考虑单侧概率分布，将所得到t-检验的P值分为两半。另一些学者则认为无论何种情况下都要报告标准的双侧T 检验概率。

 

　　1、数据的排列

 

　　为了进行独立样本T检验，需要一个自（分组）变量（如性别：男女）与一个因变量（如测量值）。根据自变量的特定值，比较各组中因变量的均值。用T检验比较下列男、女儿童身高的均值。

 

 

 

 

 

 

 

 

 

T统计量(T-statistic)和T检验（T-test)是一回事吗？如何不是，它们之间有什么关系？
相 关，但不是一件事。T-test是指用T-statistic来做假设检验(hypothesis testing), 而T-statistic是根据model计算的，用来做检验的统计量。正常T-statistic应该在0假设(null hypothesis)为真时，服从T分布(T-distribution)。
T-test时根据T-statistic值的大小计算p-value，决定是接受还是拒绝假设。

 

参数估计和假设估计的区别和联系

 

参数估计：指的是用样本中的数据估计总体分布的某个或某几个参数，比如给定一定样本容量的样本，要求估计总体的均值、方差等。

 

假设检验：通过样本分布，检验某个参数的属于某个区间范围的概率。
参数估计分两种：一种是点估计，另一种是区间估计。其中，区间估计与假设检验可以看作同一个问题的不同表述方式。

 

 

 

统计学方法包括描述统计和推断统计两种方法，其中，推断统计又包括参数估计和假设检验。

 

 

 

1..参数估计就是用样本统计量去估计总体的参数，它的方法有点估计和区间估计两种。

 

点估计是用估计量的某个取值直接作为总体参数的估计值。点估计的缺陷是没法给出估计的可靠性，也没法说出点估计值与总体参数真实值接近的程度。

 

区间估计是在点估计的基础上给出总体参数估计的一个估计区间，该区间通常是由样本统计量加减估计误差得到的。在区间估计中，由样本估计量构造出的总体参数在一定置信水平下的估计区间称为置信区间。统计学家在某种程度上确信这个区间会包含真正的总体参数。

 

在区间统计中置信度越高，置信区间越大。置信水平为1-a, a为小概率事件或者不可能事件，常用的置信水平值为99%，95%，90%，对应的a为0.01, 0.05， 0.1

 

置信区间是一个随机区间，它会因样本的不同而变化，而且不是所有的区间都包含总体参数。

 

一个总体参数的区间估计需要考虑总体是否为正态分布，总体方差是否已知，用于估计的样本是大样本还是小样本等

 

（1） 来自正态分布的样本均值，不论抽取的是大样本还是小样本，均服从正态分布

 

（2） 总体不是正态分布，大样本的样本均值服从正态分布，小样本的服从t 分布

 

（3） 不论已判断是正态分布还是t 分布，如果总体方差未知时，都按t 分布来处理

 

（4） t 分布要比标准正态分布平坦，那么要比标准正态分布离散，随着自由度的增大越接近

 

（5） 样本均数服从的正态分布为N（u a^2/n）远远小于原变量离散程度N (u a^2)

 

 

 

2. 假设检验是推断统计的另一项重要内容，它与参数估计类似，但角度不同，参数估计是利用样本信息推断未知的总体参数，而假设检验则是先对总体参数提出一个假设值，然后利用样本信息判断这一假设是否成立。

 

<1>检验的基本思想：先提出假设，然后根据资料的特点，计算相应的统计量，来判断假设是否成立，如果成立的可能性是一个小概率的话，就拒绝该假设，因此称小概率的反证法。最重要的是看能否通过得到的概率去推翻原定的假设，而不是去证实它

 

 

 

<2>统计学中假设检验的基本步骤：

 

（1）建立假设，确定检验水准α

 

假设有零假设（H0）和备择假设（H1）两个，零假设又叫作无效假设或检验假设。H0和H1的关系是互相对立的，如果拒绝H0，就要接受H1，根据备择假设不同，假设检验有单、双侧检验两种。检验水准用α表示，通常取0.05或0.10，检验水准说明了该检验犯第一类错误的概率。

 

（2）根据研究目的和设计类型选择适合的检验方法

 

这里的检验方法，是指参数检验方法，有u检验、t检验和方差分析三种，对应于不同的检验公式。

 

（3）确定P值并作出统计结论

 

u检验得到的是u统计量或称u值，t检验得到的是t统计量或称t值。方差分析得到的是F统计量或称F值。将 求得的统计量绝对值与界值相比，可以确定P值。当α＝0.05时，u值要和u界值1.96相比较，确定P值。如果u＜1.96，则P＞0.05.反之，如 u＞1.96，则P＜0.05.t值要和某自由度的t界值相比较，确定P值。如果t值＜t界值，故P＞0.05.反之，如t＞t界值，则P＜0.05。相 同自由度的情况下，单侧检验的t界值要小于双侧检验的t界值，因此有可能出现算得的t值大于单侧t界值，而小于双侧t界值的情况，即单侧检验显著，双侧检 验未必就显著，反之，双侧检验显著，单侧检验必然会显著。即单侧检验更容易出现阳性结论。当P＞0.05时，接受零假设，认为差异无统计学意义，或者说二 者不存在质的区别。当P＜0.05时，拒绝零假设，接受备择假设，认为差异有统计学意义，也可以理解为二者存在质的区别。但即使检验结果是P＜0.01甚 至P＜0.001，都不说明差异相差很大，只表示更有把握认为二者存在差异。

 

 

 

3 参数估计与假设检验之间的联系与区别：

 

（1） 主要联系：
a、都是根据样本信息推断总体参数；
b、都以抽样分布为理论依据，建立在概率论基础之上的推断；
c、二者可相互转换，形成对偶性。

 

（2） 主要区别：
a、参数估计是以样本资料估计总体参数的真值，假设检验是以样本资料检验对总体参数的先验假设是否成立；
b、区间估计求得的是求以样本估计值为中心的双侧置信区间，假设检验既有双侧检验，也有单侧检验；
c、区间估计立足于大概率，假设检验立足于小概率。

 

 

 

区间估计：

1、单个正态总体均值的区间估计：
法 1：打开数据文件：Descriotive Statistics →Explore:Dsplay中选 Statistics，在Dependent List中输入所求的变量名 Statistics对话框中选择Descriptives，并在Confidence Interval for Means中输入数值，作为置信度.得统计量描述表中Lower Bound为置信区间的下限, Upper Bound为置信区间的上限
法2： 利用单个样本t检验过程求均值的置信区间Compare Means→One_Sample T Test,在Test Variables中输入所求的变量名，在Test Value中输入所假设的均值，打开Option对话框中Confidence interval输入置信度.

2、两个正态总体均值的区间估计：
打开数据文件：Compare Means→Independent_Sample T Test, 在Test Variables中输入所求的变量名，在Grouping Variabli中输入两个正态总体变量名，打开Define Groups对话框，在Group 1中输入第一个正态总体变量名，Group 2中输入第二个正态总体变量名，打开Option对话框中Confidence interval输入置信度. 得两个独立样本在方差齐和方差不齐两种情况下均值差的置信区间

三、假设检验：

1、单个正态总体均值的假设检验
打开数据文件：Compare Means→One_Sample T Test,在Test Variables中输入所求的变量名，在Test Value中输入总体的均值，打开Option对话框中Confidence interval输入置信度（1-a）
Missing Values中选择缺失值的处理方式：
Exclude cases analysis by analysis：在需要分析的数据中剔除含有缺失值的个案
Exclude cases：删除所有数据中含有缺失值的个案数据
统计量表中列出：
N 变量的数据个数；Mean 均值；Std.Deviation 标准离差;Std.Error Mean 均值的标准误差;
成果表中列出：
Test Vaule 检验值；t t值；df 自由度；Sig.(2_tailed) 双尾显著性概率；Mean Difference 均值差；Confidence interval of Mean Difference 均值差的置信区间;
当显著性概率大于a，认为样本的均值与总体的均值没有明显差异

 假设检验就是检验单个样本总体，或是两个样本总体的相关度和差异度。。。

常用的假设检验方法有u—检验法、t—检验法、X2检验法、F—检验法等。

假设检验的一般步骤

    假设检验的一般步骤：

    （一）根据所研究问题的要求，提出原假设  和备择假设  。

    有三种类型的原假设和备择假设，以总体均值的假设检验为例加以说明。

    1.  ：  ；  ： 

    2.  ：  ；  ： 

    3.  ：  ；  ： 

  其中，1. 是双侧假设检验；2. 是右侧假设检验；3. 是左侧假设检验。因为假设检验是根据概率意义下的反证法来否定原假设，所以原假设必须包含等号。究竟采用哪一种检验要视具体问题而定，尤其是选择右侧检验还是左侧检验时，更要慎重。

    （二）找出检验的统计量及其分布。

    与参数估计一样，假设检验也要根据样本数据进行统计推断。用于判断是否接受原假设  的统计量称为检验统计量。在实际应用时，检验统计量的选择及其分布要根据检验的具体内容、抽样的方式、样本容量的大小和总体方差是否已知等多种因素来确定，常用的检验统计量有  统计量、  统计量、  统计量及  统计量等。

    （三）规定显著性水平  ，就是选择发生第一类错误的最大允许概率。

    显 著性水平  的大小，取决于发生第一类错误和第二类错误产生的后果。如果  取的较小，那么  将会较大，虽然否定一个真实原假设（弃真）的风险小了，其 代价是增加了接受一个不真实原假设（取伪）的概率；反之，如果  取的较大，那么  将会较小，虽然接受一个不真实原假设（取伪）的的风险小了，其代价是 增加了否定一个真实原假设（弃真）的概率。因此，要根据研究问题的需要选择一个合适的  ，通常  选为  、  或  等。

    （四）确定决策规则。

    在选择好检验统计量和规定了显著性水平后，就可以根据

        

求出否定原假设和接受原假设的临界值，从而也就确定了否定域  。

    （五）计算检验统计量的值，作出统计决策。

    如果检验统计量的值落在否定域  里，则否定  ；否则，不否定  。

    需 要说明的是，显著性检验只对发生第一类错误的概率进行了控制，而不对发生第二类错误的概率加以限制。因此，当我们决定接受  时，并不意味着  一定为 真，因为我们不能确定该决策有多大的可靠性。确切的说法是：在显著性水平为  时，根据这次试验得到的样本数据，不足以否定  。鉴于发生第二类错误的不 确定性，通常在做决策时，统计学家建议我们采用“不否定  或不拒绝  ”的说法，而不采用“接受  ” 的说法。但是，要否定  ，只要一个反例就足够了。否定了 ，也就避免了第二类错误，所以根据样本数据，作出否定  的决策就具有了可靠性

  

显著性检验中的第一类错误是指：原假设事实上正确，可是检验统计量的观测值却落入拒绝域，因而否定了本来正确的假设。这是弃真的错误。发生第一类错误的概率在双侧检验时是两个尾部的拒绝域面积之和；在单侧检验时是单侧拒绝域的面积。
显著性检验中的第二类错误是指：原假设事实上不正确，而检验统计量的观测值却落入了不能拒绝域，因而没有否定本来不正确的原假设，这是取伪的错误。发生第二类错误的概率是把来自θ＝θ1(θ1≠θ0)的总体的样本值代入检验统计量所得结果落入接受域的概率。
根据不同的检验问题，对于和大小的选择有不同的考虑。
在 样本容量不变的条件下，犯两类错误的概率常常呈现反向的变化，要使和都同时减小，除非增加样本的容量。在控制犯第一类错误的概率情况下，尽量使犯第二类错 误的概率小。在实际问题中，往往把要否定的陈述作为原假设，而把拟采纳的陈述本身作为备择假设，只对犯第一类错误的概率加以限制，而不考虑犯第二类错误的 概率。
这就是说，在假设检验中，相对而言，当原假设被拒绝时，能够以较大的把握肯定备择假设的成立。而当原假设未被拒绝时，并不能认为原假设确实成立。

 

统计学中第一类错误与第二类错误

 

统计学中第一类错误与第二类错误：

 

　　当假设检验拒绝了实际上成立的零假设时，所犯的错误称为第一类错误，其概率用α表示。

 

　　当假设检验接受实际上不成立的零假设时，所犯的错误称为第二类错误，其概率用β表示。

 

　　当样本含量一定时，α愈大，β愈小，反之，α愈小，β愈大。1－β称为检验效能或把握度，其意义是两总体确有差别，按α水准能发现它们有差别的能力。

 同一假设检验，我们构造了不同的统计量，形成了不同的检验方法，那么这些方法是完全等价的吗？

 

问题的背景是，计量经济学中，参数线性约束有一个F检验统计量。F=(RSSR-RSSU)/m/(RSSU/(n-ku)),在原假设成立条件下服从F分布，然后====
然而，在原假设成立条件下 RSSR/(n-kr)还服从卡方分布（RSSR为约束条件下的残差平方和，kr为要估计的参数个数），我们为什么不用这个统计量进行检验呢？是这个检验效率低吗？
我们假设，随机误差项的方差为1，进行上述讨论。

 

势不同吧利用信息多的检验势一般更足

 

呃，首先是大样本还是小样本吧？渐进的性质一般会好很多。然后，F和卡方这个可以推导一下，很可能在一定假设下是相互等价的。比如最简单的情况，只检验一个参数非零约束的时候，F等价于t，而t分布在大样本下等价于卡方……