1.符合正態分佈,總體均值和方差已知的單個樣本假設檢驗:均值差異的顯著性檢驗
例子:有一個嬰兒服用維他命後8個月會走路,檢驗服用維他命對加快嬰兒走路是否有效
2.一組樣本的假設檢驗
例子:有25個學生學完傳播學,檢驗傳播學是否會改變填充詞的頻率
這裏不是關注單個人在總體的分佈中的位置,而是關注一羣人,所以不能把整體的分佈作爲我們的比較分佈,而是應該在總體中抽樣,每次都抽25個人來計算他們的均值,這樣可以得到無數個均值,然後畫出均值的抽樣分佈。
3.總體均值已知,方差未知:單樣本t檢驗(獨立樣本t檢驗)
構造的分佈不再是正態分佈,不再是計算Z值,而是計算t值,因爲它的比較分佈是t分佈。
只要是整體的方差不知道,它的比較分佈就是t分佈。
例子:媒體報道東華大學的學生平均學習時間是2.5h,爲了證實這報道的數據是否正確,隨機抽樣16人,平均學習時間是3.2h,方差是0.57。
這裏也是一羣人,所以也是均值的抽樣分佈,但是它是t分佈,而不是z分佈。
只要是落入正負2.131之外都是小概率事件。
4.總體均值和方差都未知的兩組數據的假設檢驗:非獨立均值t檢驗(兩組樣本來自同一人羣)
使用場景:重複測量同一組人兩次,比較這兩組數據是否存在差異。如檢驗運動前和運動後他們的體重是否有變化。
說明:x1是運動前的體重,x2是運動後的體重,D爲x1-x2(體重變化值)。
例子:檢驗5位丈夫結婚前後交流質量是否有變化
5.總體均值和方差都未知的兩組數據的假設檢驗:獨立均值t檢驗(兩組樣本來自不同的人羣)
標準誤需要使用兩組數據的人數以及方差。
例子:
6.比例的差異檢驗(檢驗兩個羣體的比例是否存在差異)
7.單尾檢驗
明確的方向性:
雙尾檢驗更加嚴謹,更難拒絕H0假設,所以它應用得更爲廣泛。只有當我們的研究真的非常有方向性的時候,才考慮單尾檢驗。
例子(獨立均值t檢驗)
8.方差分析
應用場景:自變量(特徵)爲定類變量(離散變量)且爲三類及以上,因變量(類標)爲定距變量(連續型變量)
應用例子:
-
不同血型(A、B、AB、O)在外向程度上的差異
-
不同社會階層的人(上、中、下)在幸福程度上的差異
例子1:研究學生分數是否與座位有關
只要F值大於3.88就可以拒絕H0假設,接收H1假設,說明分組是有差異的。
例子2:研究學校是否與起薪有關
因爲F=27大於5.14,所以拒絕H0假設,接收H1假設,不同的學校對起薪是有差別的。
9.事後檢驗
方差分析是否顯著只能知道自變量與因變量是否有關係,但是並不知道具體是哪兩組的均值有統計上的差異。
當每組樣本量一樣時:
如果每組樣本量不一樣,使用其他公式,這裏不介紹。
例子:
組內均分放1
每個組有3個人,所以Ng=3。
組內的自由度等於9-3=6
組數爲3
顯著度a爲0.05
所以,查表得到q爲4.34
當三個組兩兩的均值之間的差值大於HSD時,纔是統計意義顯著的。
上例中三個組之間兩兩均值之間的差值都大於2.51,院校兩兩之間的均值均存在顯著的差異(一本和二本有顯著差異、二本和三本有顯著差異、一本和三本有顯著差異)。
參考內容: