12.第五章 参数假设检验(1)

第五章 参数假设检验(1)

1.假设检验

假设检验问题指通过从总体中抽取一定容量的样本，利用样本来检验总体分布是否具有某种特征。可分为参数型假设检验与非参数型假设检验两种类型，分别适用于总体分布的形式已知和未知的情况。

假设：对于一般的问题，总可以提出一种假设，它是人们认为的关于参数的信息，如正态分布中$\mu \le {\mu }_0$就是一种假设，原假设（也叫零假设）$H_0$的对立面是备择假设$H_1$。参数检验的问题可以形象地写成
$$H_0:\theta \in {\Theta }_0⟷H_1:\theta \in {\Theta }_1$$
这里$H_0$是假设检验的对象，$H_0$和$H_1$的位置不可调换，它们的地位也不同。一般将等号放在$H_0$中。

假设又可以分为简单假设和复合假设，其中简单假设是指，如果${\Theta }_0$中只包含$\Theta$中的一个点，则称$H_0$为简单假设。如$H_0:a=a_0$就是一个简单假设。

要对假设进行检验，可以先求待估参数的一个估计量，如果估计量算出的值与我们的假设情况相差不大，则倾向于接受假设；如果算出的值与我们的假设情况相差很大，则倾向于拒绝假设。

拒绝域$D$指的是，如果样本$\mathbf{X}\in D$则拒绝$H_0$。一旦规划出了拒绝域，就可以把样本空间$\mathcal{X}$分成两部分，一部分位于拒绝域，另一部分则称为落入接受域。拒绝域$D$的制定由具体情况决定。

为了便于数学上的处理，又引入检验函数$\phi (\mathbf{x})$的概念，它与检验是一一对应的，如果$\phi (\mathbf{x})=1$则说明$\mathbf{X}$的观测值$\mathbf{x}$落入拒绝域内，需要拒绝原假设$H_0$，即
$$\phi (\mathbf{x})=\{\begin{array}{lc}1,& \mathbf{x}\in D;\\ 0,& \mathbf{x}\notin D.\end{array}$$
对于只取$0,1$两个值的检验函数，称为非随机化检验，一般我们提到的检验数都是非随机化检验。

如果对于某些样本有$0<\phi (\mathbf{x})<1$，则称$\phi (\mathbf{x})$为随机化检验。随机化检验的检验函数可能是
$$\phi (\mathbf{x})=\{\begin{array}{lc}0,& T(\mathbf{x})>c,\\ r,& T(\mathbf{x})=c,\\ 1,& T(\mathbf{x})<c.\end{array}$$
如果此时出现了$T(\mathbf{x})=c$的情况，可以作一次成功概率为$r$的实验，根据实验结果来决定是否接受检验。

求解假设检验问题的步骤，是提出假设（$H_0$和$H_1$）、导出否定域$D$确定检验统计、求出检验统计量的临界值、得出结论。

2.两类错误

在假设检验问题中，可能会遇到如下两类错误：

1. 第一类错误：假设$H_0$本来是对的，但样本却落入拒绝域$D$使得我们认为假设$H_0$是错的从而拒绝了$H_0$。这类错误称为去真错误。
2. 第二类错误：假设$H_0$本来是错的，但样本却落入接受域$\bar{D}$使我们认为假设$H_0$是对的从而接受了$H_0$。这类错误称为取伪错误。

在每一个具体的场合，两类错误只会犯一个，并且确定检验方式（拒绝域）后犯两类错误的概率也就确定了。希望犯错误的概率尽可能小，但是一般来说，在样本大小$n$固定的概率下，两类错误的犯错概率是负相关的。

功效函数：设$\phi (\mathbf{x})$是$H_0:\theta \in {\Theta }_0⟷H_1:\theta \in {\Theta }_1$的检验函数，则称
βφ(θ)=Pθ{用检验φ否定了H0}=Eθ[φ(X)],θ∈Θ \beta_\varphi(\theta)=\mathbf P_\theta\{\text{用检验$\varphi$否定了$H_0$}\}=E_\theta[\varphi(\boldsymbol X)],\theta\in\Theta βφ​(θ)=Pθ​{用检验φ否定了H0​}=Eθ​[φ(X)],θ∈Θ
为$\phi$的功效函数，也称效函数或势函数。基于效用函数表示两类错误的犯错概率，可以表示为
$${\alpha }_{\phi }^{\ast }(\theta )=\{\begin{array}{lc}{\beta }_{\phi }(\theta ),& \theta \in {\Theta }_0,\\ 0,& \theta \in {\Theta }_1,\end{array}{\beta }_{\phi }^{\ast }(\theta )=\{\begin{array}{lc}0,& \theta \in {\Theta }_0,\\ 1-{\beta }_{\phi }(\theta ),& \theta \in {\Theta }_1.\end{array}$$
Neyman-Pearson准则：在保证犯第一类错误的概率不超过指定数值$\alpha \in (0,1)$的检验中，寻找犯第二类错误概率尽可能小的检验。

检验的显著性水平：设$\phi$是一个检验而$0<\alpha <1$，如果$\phi$犯第一类错误的概率总是不超过$\alpha$，则称$\alpha$是检验$\phi$的一个水平，称$\phi$是显著性水平为$\alpha$的检验。这里显著性水平是不唯一的，所以取所有水平中最小的那个为真实水平，即sup⁡{βφ(θ),θ∈Θ0}\sup\{\beta_\varphi(\theta),\theta\in\Theta_0\}sup{βφ​(θ),θ∈Θ0​}。