假设检验即显著性检验(significance test),是根据总体的理论分布和小概率原理,对未知或不完全知道的总体提出两种彼此对立的假设,然后由样本的实际结果,经过一定的计算,作出在一定概率意义上应该接受的那种假设的推断。生物统计学中,一般认为≤0.05或0.01的概率为小概率。通过假设检验,可以正确分析处理效应和随机误差,作出可靠的结论。
1. 提出假设:
无效假设(ineffective hypothesis)或零假设(null hypothesis),H0,假设处理效应与总体参数之间没有真实的差异,试验结果是误差所致。无效假设是直接检验的假设。
备择假设(alternative hypothesis),HA,与H0对立。
2. 确定显著性水平:
即否定H0的概率标准,记为α,常取α=0.05和α=0.01两个标准。
3. 计算概率:
在假设H0正确的前提下,根据样本平均数的抽样分布计算出由抽样误差造成的概率。样本平均数可能大于也可能小于总体平均数,因此需要考虑差异的正负两个方面,所以一般计算的都是双尾概率。
4. 推断是否接受假设
根据显著水平α的统计数临界值,进行差异是否显著的推断。如T-test中,根据自由度df查表得t 0.05,而实际计算得|t|≥t 0.05,则P≤0.05,差异显著,反之亦然。
假设检验中的两类错误
α错误:如果H0是真实的,假设检验却否定了它,就犯了一个否定真实假设的错误,这类错误叫第一类错误,亦称弃真错误(error of abandoning trueness);
β错误:如果H0是不真实的,假设检验时却接受了它而否定了HA,则犯了接受不真实假设的错误,这类错误即第二类错误,亦称纳伪错误(error of accepting mistake)。
上述错误的发生是由样本平均数的抽样分布坐落于某种分布对应区间的概率决定的,当显著性水平取0.05时,落在该区间的概率是0.95,即当落于该区间,则95%的把握接受H0,犯α错误的概率为5%,而当显著性水平取0.01时,犯α错误的概率为1%,但相应的犯β错误的概率就会提高,所以,确定显著性水平时显著性水平不一定要定的太高,取α=0.05比较合适。
说明:生物统计学教材《生物统计学(第三版)》,李春喜等,2005;spss应用教材《spss13.0在生物统计中的应用》,张力,2006。
https://m.sciencenet.cn/blog-116082-216878.html
上一篇:
新的一年下一篇:
那些花儿之一—雪莲一种?