Hüpotees testimine on statistilise järelduse vorm, mis kasutab valimi andmeid populatsiooni parameetri või populatsiooni tõenäosuse jaotuse kohta järelduste tegemiseks. Esiteks tehakse esialgne eeldus parameeter või levitamine. Seda eeldust nimetatakse nullhüpoteesiks ja seda tähistatakse H 0. Alternatiivne hüpotees (tähistatud H kuni ), mis on vastupidine nullhüpoteesis väidetule, seejärel määratletakse. Hüpoteeside testimise protseduur hõlmab prooviandmete kasutamist, et teha kindlaks, kas või mitte H 0saab tagasi lükata. Kui H 0lükatakse tagasi, on statistiline järeldus, et alternatiivne hüpotees H kuni on tõsi.
Näiteks oletame, et raadiojaam valib mängitava muusika lähtudes eeldusest, et tema kuulava publiku keskmine vanus on 30 aastat. Selle oletuse kehtivuse kindlakstegemiseks võiks hüpoteesi testi teha nullhüpoteesiga, mis on esitatud kujul H 0: μ = 30 ja alternatiivne hüpotees on esitatud H kuni : μ ≠ 30. Kuulava publiku üksikisikute valimi põhjal on valimi keskmine vanus, x̄ , saab arvutada ja kasutada selle kindlakstegemiseks, kas tagasilükkamiseks on piisavalt statistilisi tõendeid H 0. Kontseptuaalselt vastab valimi keskmise väärtus, mis on lähedal 30, nullhüpoteesiga, samas kui valimi keskmise väärtus, mis ei ole lähedal 30, toetab alternatiivset hüpoteesi. See, mida peetakse lähedaseks ja mitte lähedaseks, määratakse, kasutades proovide võtmine levitamine x̄ .
Ideaalis viib hüpoteeside testimise protseduur heakskiiduni H 0millal H 0on tõsi ja selle tagasilükkamine H 0millal H 0on vale. Kuna hüpoteesitestid põhinevad valimisteabel, tuleb paraku arvestada vigade võimalikkusega. I tüübi viga vastab tagasilükkamisele H 0millal H 0on tegelikult tõsi ja II tüüpi viga vastab aktsepteerimisele H 0millal H 0on vale. I tüüpi vea tegemise tõenäosust tähistatakse α-ga ja II tüüpi vea tegemise tõenäosust β-ga.
Kasutades hüpoteesi testimise protseduuri, et teha kindlaks, kas nullhüpotees tuleks tagasi lükata, määrab hüpoteesitesti läbiviija maksimaalse lubatava tõenäosuse teha I tüüpi viga, mida nimetatakse testi olulisuse tasemeks. Olulisuse taseme tavalised valikud on α = 0,05 ja α = 0,01. Kuigi enamik hüpoteeside testimise rakendusi kontrollib I tüüpi vea tekkimise tõenäosust, ei kontrolli see alati II tüüpi vea tekkimise tõenäosust. Töökarakteristiku kõverana tuntud graafiku saab koostada näitamaks, kuidas valimi suuruse muutused mõjutavad II tüüpi vea tekkimise tõenäosust.
Mõiste, mida nimetatakse lk väärtus annab mugava aluse järelduste tegemiseks hüpoteeside testimise rakendustes. The lk -väärtus mõõdab valimi tulemuste tõenäosust, eeldades, et nullhüpotees vastab tõele; seda väiksem on lk väärtus, seda vähem tõenäoline on valimi tulemus. Kui lk -väärtus on väiksem kui α, nullhüpoteesi saab tagasi lükata; muidu ei saa nullhüpoteesi tagasi lükata. The lk -väärtust nimetatakse sageli testi jaoks täheldatud olulisuse tasemeks.
Hüpoteesitesti saab teha parameetrid ühest või mitmest populatsioonist, samuti paljudes muudes olukordades. Mõlemal juhul algab protsess null ja alternatiiv sõnastamisest hüpoteesid elanikkonna kohta. Lisaks populatsiooni keskmisele on saadaval hüpoteeside testimise protseduurid populatsiooni parameetrite, nagu proportsioonid, dispersioonid, standardhälbed ja mediaanid .
Hüpoteesitestid viiakse läbi ka regressiooni- ja korrelatsioonanalüüsis, et teha kindlaks, kas regressioonisuhe ja korrelatsioonikordaja on statistiliselt olulised (vt allpool) Regressiooni- ja korrelatsioonianalüüs ). Sobivuse test viitab hüpoteesitestile, kus nullhüpoteesiks on populatsiooni spetsiifiline tõenäosusjaotus, näiteks normaalne tõenäosusjaotus. Mitteparameetrilised statistilised meetodid hõlmavad ka mitmesuguseid hüpoteeside testimise protseduure.
Statistilise meetodid järeldamine varem kirjeldatud, nimetatakse sageli klassikalisteks meetoditeks. Bayesi meetodid (nn inglise matemaatiku Thomas Bayesi järgi) annavad alternatiivid mis võimaldavad statistilise järeldamise protsessi suunamiseks kombineerida eelnevat teavet populatsiooni parameetri ja valimis sisalduva teabe kohta. Kõigepealt täpsustatakse huvipakkuva parameetri varasem tõenäosusjaotus. Seejärel saadakse näidisteave, mis ühendatakse rakenduse Bayesi teoreem parameetri tagumise tõenäosuse jaotuse tagamiseks. Tagumine jaotus annab aluse statistiliseks järeldused parameetri kohta.
mis on risti tähendus
Bayesi meetodite peamine ja mõnevõrra vaieldav omadus on populatsiooni parameetri tõenäosusjaotuse mõiste. Klassikalise statistika kohaselt on parameetrid konstandid ja neid ei saa esitada juhuslike muutujatena. Bayesi pooldajad väidavad, et kui parameetri väärtus ei ole teada, on mõistlik määrata tõenäosuse jaotus, mis kirjeldab parameetri võimalikke väärtusi ja nende tõenäosust. Bayesi lähenemine võimaldab eelneva jaotuse täpsustamisel kasutada objektiivseid andmeid või subjektiivset arvamust. Bayesi lähenemise korral võivad erinevad isikud täpsustada erinevaid varasemaid jaotusi. Klassikalised statistikud väidavad, et sel põhjusel kannatavad Bayesi meetodid objektiivsuse puudumise tõttu. Bayesi pooldajad väidavad, et statistiliste järelduste klassikalistel meetoditel on sisseehitatud subjektiivsus (valimiplaani valimise kaudu) ja et Bayesi lähenemise eeliseks on subjektiivsuse selgesõnaline väljendamine.
Bayesi meetodeid on statistiliste otsuste teoorias laialdaselt kasutatud (vt allpool Otsuste analüüs ). Selles Sisu , Pakub Bayesi teoreem mehhanismi looduseisundite eelneva tõenäosusjaotuse ühendamiseks valimisteabega, et anda looduse seisundite kohta muudetud (tagumine) tõenäosusjaotus. Seejärel kasutatakse neid tagumisi tõenäosusi paremate otsuste langetamiseks.
Copyright © Kõik Õigused Kaitstud | asayamind.com