正态总体均值的假设检验

在统计学中，对正态总体均值进行假设检验是一种常用的方法，用以判断样本数据是否支持对总体均值的某个特定假设。这种假设检验在科学研究、工业生产、经济分析等领域有着广泛的应用。

基本概念

1. 假设：

   • 零假设（$H_0$）：通常为研究者希望证伪的假设，如认为总体均值等于某个特定值 $\mu_0$。
   • 备择假设（$H_a$）：与零假设相对，如认为总体均值不等于 $\mu_0$，或大于、小于 $\mu_0$。

2. 错误类型：

   • 第一类错误：错误地拒绝零假设（即零假设实际为真时拒绝之）。
   • 第二类错误：零假设实际为假却未拒绝它。

3. 显著性水平（$\alpha$）：犯第一类错误的最大可容忍概率，常用的值有0.05（5%）和0.01（1%）。

4. P值：在零假设为真的条件下，观察到当前样本统计量或更极端情况的概率。

假设检验流程

1. 设定假设和选择检验类型：

   • 设置零假设 $H_0: \mu = \mu_0$ 和备择假设（如 $H_a: \mu \neq \mu_0$、$\mu > \mu_0$ 或 $\mu < \mu_0$）。
   • 选择单侧检验或双侧检验。

2. 计算统计量：

• 如果总体标准差 $\sigma$ 已知，使用z检验：

$$Z = \frac{\bar{X} - \mu_0}{\sigma / \sqrt{n}}$$

• 若样本来自独立同分布的正态总体、总体标准差未知且 $n\ge2$，使用精确的 t检验，不以 30 为分界：

$$t = \frac{\bar{X} - \mu_0}{s / \sqrt{n}}$$

 其中，$s$ 是以 $n-1$ 为分母的样本标准差，零假设下统计量服从 $t(n-1)$。已知方差时的精确 z 检验同样要求正态简单随机样本；非正态总体的大样本近似另需中心极限定理等条件。

3. 确定拒绝域：

   • 根据显著性水平 $\alpha$ 和所选的检验类型，决定临界值（查z表或t表）。

4. 计算P值：

   • 比较统计量与临界值或直接计算P值以决定是否拒绝零假设。

5. 作出结论：

   • 如果P值小于或等于显著性水平，拒绝零假设，认为有足够证据支持备择假设。
   • 如果P值大于显著性水平，不拒绝零假设。

示例

假设某测量指标的基准均值为 120，抽取 30 个独立同分布的正态观测，得到均值 115、样本标准差 15。预先选择检验该总体均值是否低于基准。

设定：

• $H_0: \mu = 120$
• $H_a: \mu < 120$
• 使用单侧t检验，$\alpha = 0.05$

计算：

$$t = \frac{115 - 120}{15 / \sqrt{30}} \approx -1.83$$

查t表，自由度为29，显著性水平0.05的临界值约为-1.699。计算得到的t值-1.83小于-1.699。

结论：

• 单侧 p 值约为 0.03910，拒绝零假设；在上述模型下有证据认为该总体均值低于 120。这个单样本检验本身不识别某种干预的因果效果。

通过这个过程，我们可以明确地评估数据是否支持某个科学假设。