alpha and beta in statistics
第一型错误和第二型错误可以结合在一起
1. 显著性水平(level of significance) alpha是拒绝正确零假设的最大值
也就是在H0成立下落入拒绝域的概率
H0若是简单假设,只取一个概率分布,如p=p0,则直接求
H0若是复合假设,可取多个概率分布,如p<=p0,则求的是拒绝H0的最大概率
这里就是复合假设,p可以取多个值,但是由于随p递增,故p取最大值时候就是alpha值
故拒绝H0的最大概率是alpha,接受H0的最小概率是1-alpha
2. 检验功效(power of the test)
功效是拒绝错误零假设概率,记为1-beta:即H1下拒绝H0概率
alpha一般唯一的,但是功效不总是唯一的
H1是简单假设时唯一
H1是复合假设时每一个概率函数都会有不同的1-beta值,此时功效取决于多个不同可能的概率函数
由此可以得到功效函数(power function)
alpha是一型错误概率
beta是二型错误概率
alpha和1-beta说的都是拒绝零假设
拒绝域如何选取:
一般,alpha减小beta会增加,假设检验两个目标:
1. H0为真时,以最小可能性拒绝H0
2. H0为假时,以最大可能拒绝H0
所以在固定大小的alpha点集中,拒绝域通常是1-beta最大值对应的样本点的集合
3.检验的p值
p value是根据已知观测,零假设被拒绝时的最小显著性水平
右单边检验,p值是T的零分布得到的P(T>=tobs)
左单边检验,p值是T的零分布得到的P(T<=tobs)
双边检验中,p值是单边检验中p值较小值得2倍)
(零分布是零假设成立时检验统计量的概率分布,但是如果零假设是复合假设P<=0.5这样p值为什么是直接用p=0.5求出来的?)
p 值<=alpha,则拒绝零假设