您的位置首页百科知识

什么是方差齐性检验(说人话)?做两独立样本T检验为什么要先做方差齐性检验?

什么是方差齐性检验(说人话)?做两独立样本T检验为什么要先做方差齐性检验?

的有关信息介绍如下:

什么是方差齐性检验(说人话)?做两独立样本T检验为什么要先做方差齐性检验?

一些刚开始接触统计的同学都会有这样一个疑问:为什么独立样本t检验要进行方差齐性检验?

有人回答是这样的:如果方差不齐就不具备可比性。而这个回答实际上并不准确。这个回答很可能是将零假设和备择假设中抽样分布的方差相同与t检验的方差齐性假设混淆了。二者实际上并不是一个概念。注意到在独立样本t检验中,抽样分布是指的分布(M指样本均值)

方差不齐(总体方差)的两个样本是可以进行检验的。随便翻看一本统计教材,当两个总体方差已知时,可直接计算标准误,用Z检验来做出推断。此时并没有要求方差齐性:。另外,在SPSS中也自动报告了方差不齐时的校正结果。可见,方差不齐的情况下是可以检验的。那么为什么有方差齐性假设呢?

接下来,我们好好的梳理一下。

如果对推导过程没有兴趣的同学可以直接跳到最后的结论部分。

假设检验的基础就是抽样分布,尤其是样本均值的抽样分布。说具体一点,样本均值的抽样分布就是指:我采用放回抽样随机从一个总体中抽取容量为n的样本,理论上我可以得到无数个样本。每一个样本可以计算出一个均值,因此可以得到无数个均值。这个均值就相当于一个变量,用来表示,其分布规律就是样本均值的抽样分布。

根据中心极限定理,若总体均值为,方差为,且服从正态分布,的抽样分布服从均值为,方差为的正态分布;就算总体不是正态分布,当足够大(如大于30)时,也可将抽样分布近似为正态分布。

有了抽样分布,就可以开始进行假设检验了。

例如,我随机测量了某地区30个男生的身高,我想通过该样本数据推断一下该地区男生总体的身高是否大于170cm。

根据抽样分布,我相当于从总体(该地区所有男生的身高)中抽取了一个的样本,其样本均值是来自于抽样分布的一个观测值。由于是均值为,方差为的(近似)正态分布,我可以计算出在该分布中的位置,通过位置是否极端来做出推断。

由于我想要推断的是”该地区男生总体的身高是否大于170cm“,不妨先**假设该地区男生总体身高为170,即**,也就是零假设。

此时我根据零假设计算一下在分布中的位置,即标准分数

根据小概率原则,我们认为小于5%的小概率事件在单次抽样中基本不可能发生,而正态分布中双尾概率5%对应的临界值为±1.96。用计算出来的跟±1.96进行比较,如果超过了临界值(大于1.96或小于-1.96),则认为此时小概率事件发生了,违背了小概率原则。那么就有理由怀疑零假设的真实性。用更通俗的话来说:如果该地区男生总体身高为170的话,我居然在一次抽样中抽到了非常小概率的情况,这说明该地区男生的身高很可能不是170

从上述公式可以看出,要计算值,其中和是来自于样本的信息,可以获取;是基于零假设提出的,可以代入;唯一需要关注的就是总体标准差。

实际上,在现实研究中,是很难获取的,此时怎么办呢?

要解决这个问题,就需要引入一个新的分布——t分布,其定义是:若变量服从标准正态分布,变量服从自由度为的卡方分布,且和独立,那么变量就服从t分布

恰巧服从均值为,方差为的正态分布,将其标准化,即就服从标准正态分布,我们得到了。而又知服从自由度为的卡方分布(其中为样本标准差,具体证明略,可以百度谷歌或者看教材),我们又得到了。那么根据分布的定义:

可见,当未知时,我们便可以将带入上述公式,计算出值,在分布中进行检验。

啰嗦了半天,终于进入到了正题。

刚才讨论的都只是一个样本的情况,那么两个样本又如何呢?我们怎么通过两个样本来检验两个总体的均值是否存在差异,即是否等于零?

实际上并没有太大区别。假设从均值为,标准差为的正态总体中抽取容量为的样本,样本均值记为;从均值为,标准差为的正态总体中抽取容量为的样本,均值记为。根据抽样分布可知:

服从均值为,标准差为的正态分布;

服从均值为,标准差为的正态分布;

当总体A与B相互独立时,与之差形成的新变量服从均值为,方差为。至于为什么均值求差方差求和可以自行百度。

可见:

注意到不就是我们想要验证的假设吗?

因此,按照相同的逻辑,我们计算此时获取的样本在上述分布中的位置:

然后跟±1.96进行比较即可。

注意到,在上述过程中我并没有要求,即方差齐性。可见方差不齐的时候也是可以比较两个总体均值差异的。

既然上述公式不要求方差齐性,那么在t检验中为什么又要求了呢?

我们按照分布的定义来梳理一下。

此时的服从标准正态分布,

而服从自由度为的卡方分布;服从自由度为的卡方分布;根据卡方分布的可加性:服从自由度为的卡方分布,于是:

从上面这个恶心繁琐的公式可见,只有当时,上述公式才能够将分子分母中的消掉,留下干净的结果。

当时

此时我们不再需要就能做出推断。

注意到上式中的部分就是所谓的联合方差,

可见,独立样本t检验要求方差齐性,并不是出于可比性,而是若方差不齐,便不能在未知的情况下计算值

那么问题来了,如果方差不齐,怎么办?

不用担心,实际上方差不齐时也能进行t检验,只不过会导致一型错误膨胀。此时只需要采用更严格的标准即可,SPSS中就报告了方差不齐时的修正方法,即采用更小的自由度,使得临界值增大,更难拒绝零假设。