假设检验中的两类错误
1、Ⅰ、Ⅱ类错误及其产生的原因2、两类错误的关系以及影响因素3、如何控制两类错误1、Ⅰ、Ⅱ类错误及其产生的原因
虽然小概率事件发生的概率很小,但依然有可能发生。由于抽样的随机性,利用小概率原理对H0是否成立作为判断时,难免会犯两类错误。
第一类错误(α错误/弃真错误):实际上H0H_0H0为真时,但利用随机抽样样本,构建的小概率事件出现了,作出拒绝H0H_0H0的决策,即α=P(拒绝H0H_0H0|H0H_0H0为真)
第二类错误(β错误/取伪错误):实际上H0H_0H0为伪时,但利用随机抽样样本,构建的小概率事件未出现了,作出接受H0H_0H0的决策,即β=P(接受H0H_0H0|H0H_0H0为伪)
2、两类错误的关系以及影响因素
第一类错误的影响因素由实际推断原理引起的,即“小概率事件不会发生”的假定所引起的,所以有理由将所有小概率事件发生的概率之和或者即显著性水平(α=0.05)看作α错误发生的概率,换言之,α错误发生的概率为检验所选择的显著性水平。如果是单侧检验,弃真错误的概率则为 α/2。
第二类错误的影响因素
通常情况下的做法只是控制犯第一类错误的概率α,而忽略第二类错误的概率β,但有些情况下,第二类错误不可忽视,为了实现对两类错误的控制,需要剖析两类错误的关系以及影响因素。
施行特征函数
定义若C是参数θ\thetaθ某检验问题的一个检验法,β(θ)=Pθ(接受H0)\beta(\theta)=P_{\theta}(接受H_0)β(θ)=Pθ(接受H0),称为检验法C的施行特征函数或者OC函数,其图形称为OC曲线。
若假定检验法的显著性水平α,即犯第一类错误的概率为Pθ∈H0≤α,则当P_{\theta \in H_0}≤α,则当Pθ∈H0≤α,则当θ∈H0\theta \in H_0θ∈H0时,做出正确判断的概率为:Pθ∈H0(接受H0)=β(θ)P_{\theta \in H_0}(接受H_0)=\beta(\theta)Pθ∈H0(接受H0)=β(θ) ≥ 1-α;则当$θ∈H1\theta \in H_1θ∈H1时,犯第二类错误的概率为Pθ∈H0(接受H0)=β(θ)=βP_{\theta \in H_0}(接受H_0)=\beta(\theta)=\betaPθ∈H0(接受H0)=β(θ)=β ,做出正确判断的概率为:Pθ∈H1(拒绝H0)=1−β(θ)P_{\theta \in H_1}(拒绝H_0)=1-\beta(\theta)Pθ∈H1(拒绝H0)=1−β(θ) 。
在检验的过程中希望α与β都尽可能小,即做出正确判断的概率Pθ∈H0(接受H0)=β(θ)P_{\theta \in H_0}(接受H_0)=\beta(\theta)Pθ∈H0(接受H0)=β(θ) ≥ 1-α与Pθ∈H1(拒绝H0)=1−β(θ)P_{\theta \in H_1}(拒绝H_0)=1-\beta(\theta)Pθ∈H1(拒绝H0)=1−β(θ)都越大越好,但这种期望能否达到呢?
设总体X∼N(u,σ2)X\sim N(u,\sigma^2)X∼N(u,σ2),其中u未知,σ已知,X1,X2,...,XnX_1,X_2,...,X_nX1,X2,...,Xn是来自X的样本。在显示性水平α下,对u进
行左侧检验:
H0:u≥u0H_0:u≥u_0H0:u≥u0 vs H1:u<u0H_1:u<u_0H1:u<u0,拒绝域Xˉ−u0σ/n≤−zα\frac{\bar X-u_0}{\sigma/ \sqrt n}≤-z_ασ/nXˉ−u0≤−zα
此检验的OC函数为:
β(u)=Pu(接受H0)=Pu(Xˉ−u0σ/n>−zα)=Pu(Xˉ−u0σ/n>−zα−u−u0σ/n)=ϕ(zα+λ)\beta(u)=P_u(接受H_0)=P_u(\frac{\bar X-u_0}{\sigma/ \sqrt n}>-z_α)=P_u(\frac{\bar X-u_0}{\sigma/ \sqrt n}>-z_α-\frac{ u-u_0}{\sigma/ \sqrt n})=\phi(z_\alpha+\lambda)β(u)=Pu(接受H0)=Pu(σ/nXˉ−u0>−zα)=Pu(σ/nXˉ−u0>−zα−σ/nu−u0)=ϕ(zα+λ)
其中,λ=u−u0σ/n\lambda=\frac{ u-u_0}{\sigma/ \sqrt n}λ=σ/nu−u0,其OC曲线如图所示:
β(u)\beta(u)β(u)函数性质如下:
是λ\lambdaλ的连续单调递增函数;limu→∞ˉβ(u)=1\displaystyle\lim_{u \rightarrow \bar \infty}\beta(u)=1u→∞ˉlimβ(u)=1,limu→u0β(u)=1−α\displaystyle\lim_{u \rightarrow u_0}\beta(u)=1-\alphau→u0limβ(u)=1−α
由检验的OC函数,β(u)可知,β=Pu<u0(接受H0)=ϕ(zα+u−u0σ/n)β=P_{u<u_0}(接受H_0)=\phi(z_α+\frac{u-u_0}{\sigma/\sqrt n})β=Pu<u0(接受H0)=ϕ(zα+σ/nu−u0)。因此,β的大小与显著性水平α、u的真实值、总体标准差σ、样本容量n有关。
显著性水平α
由分布函数的性质以及正态分布上的α分位可知,当其它条件不变时,α大,则β小;反之α小,必导致β大。故犯两类错误的概率α于β存在“此消彼长”的关系。
u的真实值
由OC函数的性质,limu→uˉ0β(u)=1−α\displaystyle\lim_{u \rightarrow \bar u_0}\beta(u)=1-\alphau→uˉ0limβ(u)=1−α可知,当u的真实值趋于uˉ0\bar u_0uˉ0时,不管其它量如何变化,只要α取值较小,β几乎等于1-α。即对所有的u∈H1u\in H_1u∈H1,控制β=Pu∈H1(接受H0)\beta=P_{u\in H_1}(接受H_0)β=Pu∈H1(接受H0)都很小是不可能实现的。只有当u与u0的差距较大时,方可有办法将β控制在一定范围之内。
总体标准差σ
σ是离散趋势的主要度量指标,σ越大,抽取的随机样本的代表性相对较差,由β=Pu<u0(接受H0)=ϕ(zα+u−u0σ/n)β=P_{u<u_0}(接受H_0)=\phi(z_α+\frac{u-u_0}{\sigma/\sqrt n})β=Pu<u0(接受H0)=ϕ(zα+σ/nu−u0)可知,在其他量一定的情况下,β是σ的增函数。因此,总体的标准差σ越小,β会越小。
样本容量n
样本容量n越大,抽选的随机样本所提供的有关总体的信息越多。由β=Pu<u0(接受H0)=ϕ(zα+u−u0σ/n)β=P_{u<u_0}(接受H_0)=\phi(z_α+\frac{u-u_0}{\sigma/\sqrt n})β=Pu<u0(接受H0)=ϕ(zα+σ/nu−u0)可知,在u与u0的差距较大,其他量不变的情况下,β是n的减函数。因此,在此条件允许的情况下,增大样本容量n,β会随之减少。
犯β错误的概率的计算是比较复杂的,由于β错误的出现原因是属于逻辑上的,所以在总体参数不知道的情况下是无法计算它出现概率的大小的。
3、如何控制两类错误
犯第一类错误的概率α\alphaα可以通过适当改变检验的拒绝域来进行调整。
由上文可知,β的大小与显著性水平α、u的真实值、总体标准差σ、样本容量n有关。这四个因素中,u未知,σ通常已知,因此没有办法通过这两个因素来有效控制β;在一定条件下,显著性水平σ与β存在“此消彼长”的关系,并且β是样本容量n的减函数,但是即使增大α或者增大n,也无法实现对β量化。一般情况下,无法直接控制β,但是可以通过间接的措施达到对β的控制的目的。
结合假设检验的基本思想,H0与H1的不对等性、假设检验的目的以及检验结果的解释,具体措施入如下:
巧妙建立假设
成功的假设检验策略,以拒绝H0为检验目的,假设检验只能证明H0的伪,而不能证明H0的真。因此,在假设的建立过程中要谨慎小心。一般把传统的,原始的观念设立为H0;H0中应包含等号;后果严重的错误设定为第一类错误
谨慎解释检验的结果
检验统计量的观测值落入接受域,仅仅表明所构建的小概率事件没有发生,但是不能证实其它与H0相矛盾的小概率事件不发生。因此,但检验统计量的观测值落入接受域时,不能断定认为H0是正确的,此时犯第二类错误的概率β是未知。此时把检验的结果严谨解释为“没有发现充足的证据拒绝H0”。
恰当设置显著性水平α
不一味的追求α尽可能小,结合具体的问题仔细斟酌两类错误后果的严重性。若第一类错误的后面比较严重(判断一个人是否患病),而第二类错误的后果无足轻重,则可以选择较小的α;否则,需要放大α的取值;
如果觉得《统计基础:3.2_假设检验的两类错误》对你有帮助,请点赞、收藏,并留下你的观点哦!