统计功效计算公式

背景知识

Z检验基础知识

  1. Z检验也叫做U检验,一般用于比较样本平均值差异性。它是用标准正态分布的理论来推断差异发生的概率,从而比较两个平均数的差异是否显著;
  2. 比较平均值是否存在差异,包括一组数据与某数值的差异性或两组数据的平均值差异性,Z检验通常要求样本量比较大(n >30);

Z检验步骤

  1. 建立假设,即先假定两个平均数之间没有显著差异,
  2. 计算统计量Z值,对于不同类型的问题选用不同的统计量计算方法:
  • 检验一个样本平均数( \overline {X})与一个已知的总体平均数(\mu_{0})的差异是否显著。其Z值计算公式为: Z=\frac{\overline {X}-\mu_{0}}{S/\sqrt{n}}
    其中:
    \overline {X}是检验样本的平均数,
    \mu_{0}是已知总体的平均数,S 是样本的标准差,n是样本容量。

  • 检验两组样本平均数的差异性,从而判断它们各自代表的总体的差异是否显著。其Z值计算公式为:
    Z=\frac{\overline {X_{1}}-\overline {X_{2}}}{\sqrt{\frac{S_{1}}{n_{1}}+\frac{S_{2}}{n_{2}}}}

  1. 比较计算所得Z值与理论Z值,推断发生的概率,依据 Z 值与差异显著性关系表作出判断。如下表所示:
统计量Z值 P值 差异程度
大于等于2.58 小于等于0.01 非常显著
大于等于1.96 小于等于0.05 显著
小于1.96 大于0.05 不显著

统计功效公式推导

原假设与备择假设

H_0:\mu_A=\mu_B \\ H_1:\mu_A \ne\mu_B\tag{1}

推导过程

假设\sigma_A=\sigma_B=\sigma,令\delta=\mu_A-\mu_B,则根据第二类错误的定义:
\begin{align} \beta&=P(接受H_0|H_0为假)\\ &=P(-z_{1-\alpha/2}\le \frac{\overline X_A-\overline X_B}{\sigma/\sqrt{\frac{1}{n_A}+\frac{1}{n_B}}}\le z_{1-\alpha/2}|\delta \ne 0)\\ &=P(-z_{1-\alpha/2}-\frac{\delta}{\sigma/\sqrt{\frac{1}{n_A}+\frac{1}{n_B}}}\le \frac{(\overline X_A-\overline X_B)-\delta}{\sigma/\sqrt{\frac{1}{n_A}+\frac{1}{n_B}}} \le z_{1-\alpha/2}-\frac{\delta}{\sigma/\sqrt{\frac{1}{n_A}+\frac{1}{n_B}}}|\delta \ne0)\\ &=\phi(z_{1-\alpha/2}-\frac{\delta}{\sigma/\sqrt{\frac{1}{n_A}+\frac{1}{n_B}}}))-\phi(-z_{1-\alpha/2}-\frac{\delta}{\sigma/\sqrt{\frac{1}{n_A}+\frac{1}{n_B}}})) \tag{2} \end{align}

注意,由于H_0为假,也就是\mu_A \ne \mu_B\frac{\overline X_A-\overline X_B}{\sigma/\sqrt{\frac{1}{n_A}+\frac{1}{n_B}}} 不服从标准正态分布,需要转化为\frac{(\overline X_A-\overline X_B)-\delta}{\sigma/\sqrt{\frac{1}{n_A}+\frac{1}{n_B}}}才服从标准正态分布;

\quad z=\frac{\mu_A-\mu_B}{\sigma\sqrt{\frac{1}{n_A}+\frac{1}{n_B}}},由统计功效与二类错误的关系,得到统计功效的计算公式:
power=1-\beta= \Phi\left(z-z_{1-\alpha/2}\right)+\Phi\left(-z-z_{1-\alpha/2}\right) \quad

参考资料

  1. http://powerandsamplesize.com/Calculators/Compare-2-Means/2-Sample-Equality
  2. https://zhuanlan.zhihu.com/p/102308071
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 220,063评论 6 510
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,805评论 3 396
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 166,403评论 0 357
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 59,110评论 1 295
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 68,130评论 6 395
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,877评论 1 308
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,533评论 3 420
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,429评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,947评论 1 319
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 38,078评论 3 340
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,204评论 1 352
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,894评论 5 347
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,546评论 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 32,086评论 0 23
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,195评论 1 272
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,519评论 3 375
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 45,198评论 2 357

推荐阅读更多精彩内容