下载PDF文件
下载PDF文件
检验假设需要以统计分析为依据。统计显著性是用p值来计算的,这个值告诉我们在特定命题,或者说零假设为真的情况下,得到预计结果的概率。 [1] X 研究来源 如果p值小于通常为0.05的显著性水平值,那么实验者可以认为零假设是错误的,并接受备择假设。你可以使用简单的t检验来计算p值,并确定数据集中两个不同组之间的差异显著性。
步骤
-
定义假设。 评估统计显著性的第一步是确定你想回答的问题,并提出你的假设。这个假设涉及到你的实验数据和人群中可能出现的差异。对于任何实验而言,必须既有零假设,又有备择假设。 [2] X 研究来源 一般来说,你会比较两个组,看它们是否相同。
- 零假设H 0 通常表示两个数据集之间没有差异。例如:课前预习教材的学生期末成绩不会更好。
- 而备择假设H a 与零假设相反,它是你试图用实验数据支持的命题。例如:课前预习教材的学生期末成绩会更好。
-
设置显著性水平,以确定数据被视为显著时所需的异常程度。 显著性水平也被称为α,它是你为了确定显著性而设置的阈值。如果你的p值小于等于设定的显著性水平,数据就被认为具有统计显著性。 [3] X 研究来源
- 一般来说,显著性水平α通常被设置成0.05,换而言之,在你的数据中偶尔观察到差异的概率仅为5%。
- 置信水平越高时,p值越小,结果也越显著。
- 如果你想让自己的数据具有较高的置信水平,可以把p值设到0.01以下。在制造业中,检查产品缺陷通常会用到较小的p值。因为每个零部件都必须达到很高的置信水平,使之能够按照预期发挥作用。
- 对于假设驱动型实验,0.05的显著性水平是可以接受的。
-
确定使用单侧检验还是双侧检验。 t检验的适用条件之一是你的数据呈正态分布。正态分布的数据会形成钟形曲线,大部分样本位于中间。 [4] X 研究来源 t检验是一种数学检验,可以确定你的数据在曲线“尾部”是否落在正态分部以外,是在曲线以上还是以下。
- 单侧检验比双侧检验更强大,因为它在一个方向检验关系的潜力,比如控制组以上,而双侧检验在两个方向检关系的潜力,比如控制组以上或以下。 [5] X 研究来源
- 如果你不确定自己的数据是在控制组以上还是以下,那就使用双侧检验。这样你就能检验任一方向的显著性。
- 如果你知道数据会朝哪个方向发展,请使用单侧检验。在前文给出的例子中,你预计学生的成绩会提高,所以你可以用单侧检验。
-
使用功效分析来确定样本量。 检验功效指的是在特定的样本量下,观察到预期结果的概率。功效或β的常见阈值是80%。缺乏一些初步数据时,功效分析可能有点棘手,因为你需要一些关于每组之间平均值及其标准方差的信息。你可以使用网上的功效分析计算器,来确定自己数据的最佳样本量。 [6] X 研究来源
- 开展大型、全面的研究时,研究人员通常会做一个小型的先导型研究,以获得功效分析所需的信息,并确定其样本量。
- 如果没有办法做复杂的先导型研究,你可以阅读文献和其他人做过的研究,据此来估计可能的平均值。在确定样本量时,这是一个很好的着手点。
广告
-
确定标准方差公式。 标准方差是衡量数据分布情况的指标。它向你提供了样本中各数据点的相似性信息,有助于确定数据是否显著。乍一看,你可能觉得公式有点复杂,但是以下步骤会引导你完成计算过程。其公式是s = √∑((x i – µ) 2 /(N – 1))。
- s是标准方差。
- ∑指对收集的所有样本值求和。
- x i 表示你数据的各单独值。
- µ是每组数据的平均值。
- N是样本总数。
-
计算每组样本的平均值。 要想计算标准方差,你必须先计算每组样本的平均值。平均值用希腊字母µ表示。它的计算方法很简单,只需将每个值相加,再除以样本总数即可。 [7] X 研究来源
- 例如,为了计算课前预习教材的学生组的平均成绩,让我们来看一些数据。为了简便起见,我们会使用包含5个值的数据集:90、91、85、83和94。
- 将所有样本相加求和:90 + 91 + 85 + 83 + 94 = 443。
- 用和除以样本数N = 5:443/5 = 88.6。
- 这组学生的平均成绩是88.6。
-
用每个样本减去平均值。 计算的下一步涉及到公式的(x i – µ)部分。你需要用每个样本减去刚刚计算得出的平均值。在我们的例子中,你必须做五次减法。
- (90 – 88.6)、(91- 88.6)、(85 – 88.6)、(83 – 88.6)和(94 – 88.6)。
- 计算所得的结果是1.4、2.4、-3.6、-5.6和5.4。
-
将这些数字平方后再相加。 这时,你需要计算刚刚得出的每个数字的平方。这一步还会处理掉所有负号。如果在此步骤之后或计算结束时有负号,说明你可能忘了算这一步。
- 在我们的例题中,那五个数字的平方是1.96、5.76、12.96、31.36和29.16。
- 将这些平方值相加,得到:1.96 + 5.76 + 12.96 + 31.36 + 29.16 = 81.2。
-
除以样本总数减一。 公式除以N-1,是因为你没有计算所有人的成绩,要进行修正,你只是在所有学生中取了一个样本,来进行估算。 [8] X 研究来源
- 做减法:N – 1 = 5 – 1 = 4
- 做除法:81.2/4 = 20.3
-
取平方根。 除以样本数减一后,取最终数字的平方根。这是计算标准方差的最后一步。有一些统计学应用程序可以在你输入原始数据后,帮你计算标准方差。
- 在我们的例题中,课前预习的学生期末成绩的标准方差是:s =√20.3 = 4.51。
广告
-
计算2个样本组之间的差额。 至此为止,例题只处理了一个样本组。如果想比较两个样本组,你显然需要两组的数据。计算第二组样本的标准方差,并使用该数值来计算2个实验组之间的差额。差额公式为s d = √((s 1 /N 1 ) + (s 2 /N 2 ))。 [9] X 研究来源
- s d 是两组之间的差额。
- s 1 是第1组的标准方差,而N 1 是第1组的样本量。
- s 2 是第2组的标准方差,而N 2 是第2组的样本量。
- 例如,假设第2组数据,即课前没有预习的学生的数据样本量是5,而标准方差是5.81。差额为:
- s d = √((s 1 ) 2 /N 1 ) + ((s 2 ) 2 /N 2 ))
- s d = √(((4.51) 2 /5) + ((5.81) 2 /5)) = √((20.34/5) + (33.76/5)) = √(4.07 + 6.75) = √10.82 = 3.29。
-
计算数据的t分数。 t分数可以将数据转化为能够与其他数据进行比较的形式。你可以使用t分数来做t检验,计算两组之间存在显著差异的可能性。t分数的公式是t = (µ 1 – µ 2 )/s d 。 [10] X 研究来源
- µ 1 是第一组的平均值。
- µ 2 是第二组的平均值。
- s d 是样本之间的差额。
- 你应该使用较大的平均值作为µ 1 ,以免t值变成负数。
- 例如,假设第2组没有预习的学生的样本平均值是80。则t分数为:t = (µ 1 – µ 2 )/s d = (88.6 – 80)/3.29 = 2.61。
-
确定样本的自由度。 使用t分数时,自由度的数值是用样本量确定的。将两组的样本数相加,然后减2。在我们的例子中,自由度(d.f.)是8,因为第1组有5个样本,而第2组也有5个样本,(5 + 5) – 2 = 8。 [11] X 研究来源
-
考虑后续研究。 许多研究人员会使用少量的数据,做一个小规模的先导型研究,以帮助自己了解如何设计一个规模更大的研究。使用更多的数据,做另一项研究,有助于提高你对结论的信心。
- 后续研究可以帮助你确定自己的结论是否包含I型错误或II型错误。前者指在没有差异的情况下观察到差异,或错误的拒绝零假设,而后者指在有差异时未观察到差异,或错误的接受零假设。 [14] X 研究来源
广告
小提示
- 统计学是一个庞大而复杂的学科。你可以学习高中、大学或更高级别的统计推断课程,帮助自己理解统计显著性。
广告
警告
- 这种分析针对的是t检验,后者检验的是两个正态分布人群之间的差异。根据数据集复杂程度的不同,你可能得使用不同的统计学检验方法。
广告
参考
- ↑ http://blog.minitab.com/blog/adventures-in-statistics/how-to-correctly-interpret-p-values
- ↑ https://statistics.laerd.com/statistical-guides/hypothesis-testing-3.php
- ↑ http://www.stat.yale.edu/Courses/1997-98/101/sigtest.htm
- ↑ https://web.csulb.edu/~msaintg/ppa696/696stsig.htm#INTERPRET THE Chi
- ↑ https://stats.idre.ucla.edu/other/mult-pkg/faq/general/faq-what-are-the-differences-between-one-tailed-and-two-tailed-tests/
- ↑ http://powerandsamplesize.com/Calculators/Compare-2-Means/2-Sample-1-Sided
- ↑ https://www.mathsisfun.com/data/standard-deviation-formulas.html
- ↑ https://www.mathsisfun.com/data/standard-deviation-formulas.html
- ↑ http://archive.bio.ed.ac.uk/jdeacon/statistics/tress4a.html
- ↑ http://archive.bio.ed.ac.uk/jdeacon/statistics/tress4a.html
- ↑ http://www.kean.edu/~fosborne/bstat/07b2means.html
- ↑ http://www.sjsu.edu/faculty/gerstman/StatPrimer/t-table.pdf
- ↑ https://statistics.laerd.com/statistical-guides/hypothesis-testing-3.php
- ↑ https://www.stat.berkeley.edu/~hhuang/STAT141/Lecture-FDR.pdf
广告