13.第五章 参数假设检验(2)

第五章 参数假设检验(2)

1.单正态总体均值假设检验

先讨论单正态总体$N(\mu ,{\sigma }^2)$的均值检验。分为单边检验$H_0:\mu ={\mu }_0\leftrightarrow H_1:\mu \ne {\mu }_0$与双边检验，这里${\mu }_0$和检验水平$\alpha$是给定的数，$\mathbf{X}=(X_1,\cdots ,X_n)$是从正态总体中抽取的简单随机样本。

对于方差${\sigma }^2$已知的情况，以$\bar{X}=\frac{1}{n}{\sum }_{i=1}^n{X}_i$为检验统计量：

1. $H_0:\mu ={\mu }_0\leftrightarrow H_1:\mu \ne {\mu }_0$。

   如果$H_0$成立，那么$|\bar{X}-{\mu }_0|$不应该过大，所以拒绝域的形式应为D={∣Xˉ−μ0∣>A}D=\{|\bar X-\mu_0|>A\}D={∣Xˉ−μ0​∣>A}，将其标准化，得到D={n∣Xˉ−μ0∣σ>c}D=\{\frac{\sqrt{n}|\bar X-\mu_0|}{\sigma}>c\}D={σn​∣Xˉ−μ0​∣​>c}。要确定这个$c$，求其去真概率
   Pμ{n∣xˉ−μ0∣/σ>c∣μ=μ0}=α \mathbf P_\mu\{\sqrt{n}|\bar x-\mu_0|/\sigma>c|\mu=\mu_0\}=\alpha Pμ​{n​∣xˉ−μ0​∣/σ>c∣μ=μ0​}=α
   得到$c=\alpha /2$，所以拒绝域的形式为
   D={∣Xˉ−μ0∣>σuα/2n} D=\{|\bar X-\mu_0|>\frac{\sigma u_{\alpha/2}}{\sqrt n}\} D={∣Xˉ−μ0​∣>n​σuα/2​​}

2. $H_0:\mu \le {\mu }_0\leftrightarrow H_1:\mu >{\mu }_0$。

   如果$H_0$成立，那么$(\bar{X}-{\mu }_0)$不应该过大，所以拒绝域的形式应为D={Xˉ−μ0>A}D=\{\bar X-\mu_0>A\}D={Xˉ−μ0​>A}，即D={n(Xˉ−μ0)σ>c}D=\{\frac{\sqrt n(\bar X-\mu_0)}{\sigma}>c\}D={σn​(Xˉ−μ0​)​>c}，去真概率为
   Pμ{n(Xˉ−μ0)σ>c∣μ≤μ0}=α \mathbf P_\mu\{\frac{\sqrt n(\bar X-\mu_0)}{\sigma}>c|\mu\le\mu_0\}=\alpha Pμ​{σn​(Xˉ−μ0​)​>c∣μ≤μ0​}=α
   这里$\mu$不是一个定值，所以要在所有去真概率中取最大的，事实上等价于$\mu$最大。于是
   Pμ{n(Xˉ−μ0)σ>c∣μ=μ0}=αc=uα \mathbf P_\mu\{\frac{\sqrt n(\bar X-\mu_0)}{\sigma}>c|\mu=\mu_0\}=\alpha\\ c=u_\alpha Pμ​{σn​(Xˉ−μ0​)​>c∣μ=μ0​}=αc=uα​
   所以拒绝域为D={Xˉ−μ0>σuαn}D=\{\bar X-\mu_0>\frac{\sigma u_\alpha}{\sqrt n}\}D={Xˉ−μ0​>n​σuα​​}。

3. $H_0:\mu \ge {\mu }_0\leftrightarrow H_1:\mu <{\mu }_0$。

   如果$H_0$成立，则$\bar{X}-{\mu }_0$不应该过小，因此拒绝域为D={n(Xˉ−μ0)σ<c}D=\{\frac{\sqrt n(\bar X-\mu_0)}{\sigma}<c\}D={σn​(Xˉ−μ0​)​<c}，（最大的）去真概率为
   sup⁡μ≥μ0Pμ{n(Xˉ−μ0)σ<c∣μ≥μ0}=αPμ{n(Xˉ−μ0)σ<c∣μ=μ0}=αc=u1−α=−uα \sup_{\mu\ge\mu_0}\mathbf P_\mu\{\frac{\sqrt n(\bar X-\mu_0)}{\sigma}<c|\mu\ge\mu_0\}=\alpha\\ \mathbf P_\mu\{\frac{\sqrt n(\bar X-\mu_0)}{\sigma}<c|\mu=\mu_0\}=\alpha\\ c=u_{1-\alpha}=-u_\alpha μ≥μ0​sup​Pμ​{σn​(Xˉ−μ0​)​<c∣μ≥μ0​}=αPμ​{σn​(Xˉ−μ0​)​<c∣μ=μ0​}=αc=u1−α​=−uα​
   所以拒绝域为D={Xˉ−μ0<−σuαn}D=\{\bar X-\mu_0<-\frac{\sigma u_{\alpha}}{\sqrt n}\}D={Xˉ−μ0​<−n​σuα​​}。

由于以上三种检验最后都落在标准正态检验统计量$U$，因此已知方差的均值检验也被称为$U$检验。

对于方差${\sigma }^2$未知的均值检验，也有以上三种问题。但是此时构造不出标准正态变量$\frac{\sqrt{n}(\bar{X}-{\mu }_0)}{\sigma }$。由于之前证明过$\frac{\sqrt{n}(\bar{X}-\mu )}{S}\sim t_{n-1},S^2=\frac{1}{n-1}{\sum }_{i=1}^n(\bar{X}-X_i{)}^2$，所以用
$$T=\frac{\sqrt{n}(\bar{X}-{\mu }_0)}{S}$$
作检验统计量，将以上三种情况中的$u$分位数换成$t_{n-1}$分位数即可。由于这三种检验使用检验统计量$T$，因此未知方差的均值检验被称为$T$检验。

2.单正态总体方差假设检验

正态检验也有单边与双边，分为均值已知和未知的情况。正态总体为$N(\mu ,{\sigma }^2)$，在其中抽取简单随机样本$\mathbf{X}=(X_1,\cdots ,X_n)$，这里${\sigma }_0^2$和$\alpha$是给定的数。

首先对于均值$\mu$未知的情形，此时$S^2=\frac{1}{n-1}{\sum }_{i=}^n(X_i-\bar{X}{)}^2$是${\sigma }^2$的无偏估计，且$\frac{(n-1)S^2}{{\sigma }^2}\sim {\chi }_{n-1}^2$：

1. $H_0:{\sigma }^2={\sigma }_0^2\leftrightarrow H_1:{\sigma }^2\ne {\sigma }_0^2$。

   如果$H_0$成立，那么$\frac{(n-1)S^2}{{\sigma }^2}$既不应该过大也不应该过小，因此拒绝域的形式应为D={(n−1)S2σ2<c或(n−1)S2σ2>d}D=\{\frac{(n-1)S^2}{\sigma^2}<c或\frac{(n-1)S^2}{\sigma^2}>d\}D={σ2(n−1)S2​<c或σ2(n−1)S2​>d}。去真概率为
   Pσ{(n−1)S2σ2<c或(n−1)S2σ2>d∣σ2=σ02}=α \mathbf P_\sigma\{\frac{(n-1)S^2}{\sigma^2}<c或\frac{(n-1)S^2}{\sigma^2}>d|\sigma^2=\sigma_0^2\}=\alpha Pσ​{σ2(n−1)S2​<c或σ2(n−1)S2​>d∣σ2=σ02​}=α
   取其等尾区间，得到$c={\chi }_{n-1}^2(1-\alpha /2),d={\chi }^{2}n-1(\alpha /2)$，所以拒绝域为D={(n−1)S2σ02<χn−12(1−α/2)或(n−1)S2σ02>χn−12(α/2)}D=\{\frac{(n-1)S^2}{\sigma_0^2}<\chi^2_{n-1}(1-\alpha/2)或\frac{(n-1)S^2}{\sigma_0^2}>\chi^2_{n-1}(\alpha/2)\}D={σ02​(n−1)S2​<χn−12​(1−α/2)或σ02​(n−1)S2​>χn−12​(α/2)}。

2. $H_0:{\sigma }^2\le {\sigma }_0^2\leftrightarrow H_1:{\sigma }^2>{\sigma }_0^2$。

   运用同上的方法，可以得到拒绝域为D={(n−1)S2σ2>χn−12(α}D=\{\frac{(n-1)S^2}{\sigma^2}>\chi^2_{n-1}(\alpha\}D={σ2(n−1)S2​>χn−12​(α}。

3. $H_0:{\sigma }^2\ge {\sigma }_0^2\leftrightarrow H_1:{\sigma }^2<{\sigma }_0^2$。

   运用同上的方法，可以得到拒绝域为D={(n−1)S2σ2<χn−12(1−α/2)}D=\{\frac{(n-1)S^2}{\sigma^2}<\chi^2_{n-1}(1-\alpha/2)\}D={σ2(n−1)S2​<χn−12​(1−α/2)}

对于均值$\mu$已知的情形，有${\sigma }^2$的无偏估计$S_n^2=\frac{1}{n}{\sum }_{i=1}^n(X_i-\mu {)}^2$，且$\frac{n{S}_n^2}{{\sigma }^2}\sim {\chi }_n^2$，所以运用类似的方法，把检验统计量改为$\frac{n{S}_n^2}{{\sigma }^2}$，分位数换成${\chi }_n^2$的，就可以得到类似的拒绝域。这种方差的检验被称为${\chi }^2$检验。

3.双正态总体均值差假设检验

以下假设$\mathbf{X}=(X_1,\cdots ,X_m)$是取自总体$N({\mu }_1,{\sigma }_1^2)$的简单随机样本，$\mathbf{Y}=(Y_1,\cdots ,Y_n)$的是取自总体$N({\mu }_2,{\sigma }_2^2)$的简单随机样本，且$\mathbf{X},\mathbf{Y}$相互独立。双正态总体均值差的假设检验主要围绕着几种特殊情况进行讨论，并且只讨论双边问题$H_0:{\mu }_2-{\mu }_1={\mu }_0\leftrightarrow H_1:{\mu }_2-{\mu }_1\ne {\mu }_0$。

1. 当方差${\sigma }_1^2,{\sigma }_2^2$均已知时的均值差检验。

   此时有$\bar{Y}-\bar{X}\sim N({\mu }_2-{\mu }_1,{\sigma }_1^2/m+{\sigma }_2^2/n)$，因此可以取检验统计量为
   $$U=\frac{\bar{Y}-\bar{X}-{\mu }_0}{\sqrt{{\sigma }_1^2/m+{\sigma }_2^2/n}}\sim N(0,1)$$
   这样就与单正态总体均值检验类似了，此时运用的也是$U$检验。

2. 当方差未知但相等，即${\sigma }_1^2={\sigma }_2^2={\sigma }^2$时的均值差检验。

   此时令$S_w^2=\frac{1}{m+n-2}[(m-1)S_1^2+(n-1)S_2^2]$，则有
   $$T=\frac{\bar{Y}-\bar{X}-{\mu }_0}{S_w}\sqrt{\frac{mn}{m+n}}\sim t_{m+n-2}$$
   这样就可以用$t$分布来检验均值差了，这叫两样本$t$检验。

3. 当样本容量相等即$m=n$时的均值差检验。

   在实际应用中，需要保证成对数据来自两个独立的正态总体是不容易的，但是如果能保证独立，就可以令$Z_i=Y_i-X_i$，$Z\sim N({\mu }_2-{\mu }_1,{\sigma }_1^2+{\sigma }_2^2)$，这样就与单正态总体均值检验类似了，此时运用的是$t$检验。

4.双正态总体方差比假设检验

以下假设$\mathbf{X}=(X_1,\cdots ,X_m)$是取自总体$N({\mu }_1,{\sigma }_1^2)$的简单随机样本，$\mathbf{Y}=(Y_1,\cdots ,Y_n)$的是取自总体$N({\mu }_2,{\sigma }_2^2)$的简单随机样本，且$\mathbf{X},\mathbf{Y}$相互独立。下面讨论方差比${\sigma }_2^2/{\sigma }_1^2$与$c$的双边检验问题。这里记$\bar{X},\bar{Y}$为两个样本的均值，$S_1^2,S_2^2$为两个样本方差的无偏估计。

1. 当${\mu }_1,{\mu }_2$未知时的方差比假设检验

   在${\sigma }_2^2/{\sigma }_1^2=c$的前提下，有
   $$F=\frac{S_1^2}{S_2^2}\frac{1}{c}\sim F_{m-1,n-1}$$
   取等尾区间，得到检验域为D={F<Fm−1,n−1(1−α/2)或F>Fm−1,n−1(α/2)}D=\{F<F_{m-1,n-1}(1-\alpha/2)或F>F_{m-1,n-1}(\alpha/2)\}D={F<Fm−1,n−1​(1−α/2)或F>Fm−1,n−1​(α/2)}。

2. 当${\mu }_1,{\mu }_2$已知时，取$S_{1\ast }^2=\frac{1}{m}{\sum }_{i=1}^m(X_i-{\mu }_1^2),S_{2\ast }^2=\frac{1}{n}{\sum }_{j=1}^n(Y_i-{\mu }_2{)}^2$，可以类似地得到
   $$F=\frac{S_{1\ast }^2}{S_{2\ast }^2}\frac{1}{c}\sim F_{m,n}$$
   因此检验域只需将上面的$F$改为此时的计算方式，并把$F_{m-1,n-1}$分位数改成$F_{m,n}$的即可。这种检验双样本方差比的方式

5.极限分布为正态分布的参数检验

这类问题是大样本问题，一般方差均未知且不等。取检验统计量为
$$U^{\ast }=\frac{\bar{Y}-\bar{X}-{\mu }_0}{\sqrt{S_1^2/m+S_2^2/n}}\stackrel{\mathcal{L}}{⟶}N(0,1)$$
如果样本数量不大，则换成
$$\begin{gathered} T_{\ast }=\frac{\bar{Y}-\bar{X}-{\mu }_0}{\sqrt{S_1^2/m+S_2^2/n}}\sim t_r \\ r=\frac{S_{\ast }^4}{\left[\frac{S_1^4}{m^2(m-1)}+\frac{S_2^4}{n^2(n-1)}\right]},S_{\ast }^2=\frac{S_1^2}{m}+\frac{S_2^2}{n}. \end{gathered}$$