解释 单比率 的所有统计量

请查找定义和解释指导,了解随单比率分析提供的每个统计量。

原假设和备择假设

原假设和备择假设是互斥的总体声明。假设检验使用样本数据来确定是否要否定原假设。
原假设
原假设声明总体参数(如均值、标准差等)等于假设值。原假设通常是基于先前分析或专业知识的初始声明。
备择假设
备择假设声明总体参数小于、大于或不同于原假设中的假设值。备择假设是可能相信为真实或有望证明为真实的内容。

在输出中,原假设和备择假设可帮助您验证是否为假设比率输入了正确的值。

事件

事件是样本中用于表示成功的值。Minitab 使用事件数来计算样本比例(总体比例的估计值)。您可以通过更改值顺序,更改由 Minitab 用作事件的值。有关更多信息,请转到更改 Minitab 输出中文本值的显示顺序

N

样本数量 (N) 是样本中的观测值总数。

解释

样本数量会影响置信区间和检验功效。

通常,数量较大的样本将产生较窄的置信区间。样本数量越大,检验检测到差值的功效越大。有关更多信息,请转到什么是功效?

样本 p

样本比率等于事件数除以样本数量 (N)。

解释

样本比率是对总体比率的估计值。

由于比率基于样本数据而不是整个总体,因此样本比率不可能等于总体比率。使用置信区间可以更好地估计总体比率。

置信区间 (CI) 和界限

置信区间提供总体比率的可能值范围。由于样本的随机性,来自总体的两个样本不可能生成相同的置信区间。但是如果将样本重复许多次,则所获得的特定百分比的置信区间或限值会包含未知的总体比率。这些包含比率的置信区间或限值的百分比是区间的置信水平。例如,95% 置信水平表明,如果从总体中随机抽取 100 个样本,则可预期约 95 个样本将生成包含总体比率的区间。

上限定义可能大于总体比率的值。下限定义可能小于总体比率的值。

该置信区间有助于评估结果的实际意义。使用您的专业知识可以确定置信区间是否包括对您的情形有实际意义的值。如果区间因太宽而毫无用处,请考虑增加样本数量。有关更多信息,请转到获得更加精确的置信区间的方法

描述性统计量 N 事件 样本 p p 的 95% 置信区间 1000 87 0.087000 (0.070268, 0.106208)

在这些结果中,进行购买行为的家庭的总体比率估计值为 0.087。总体比率约介于 0.07 到 0.106 之间的可信度为 95%。

Z 值

Z 值是 Z 检验的检验统计量,它对观测到的统计量与假设总体参数之间的差值进行测量,以标准误为单位。

您必须选择正态近似作为 Minitab 用于计算 Z 值的方法。

解释

可以通过将 Z 值与标准正态分布的临界值进行比较来确定是否要否定原假设。但是,使用检验的 p 值做出相同的决定通常更实际且更方便。

为了确定是否要否定原假设,请将 Z 值与临界值进行比较。对于双侧检验,临界值是 Z1-α/2;而对于单侧检验,临界值是 Z1-α。对于双侧检验,如果 Z 值的绝对值大于临界值,则否定原假设。否则,无法否定原假设。您可以在 Minitab 中计算临界值,也可以从大多数统计书籍的标准正态分布表中查找临界值。有关更多信息,请转至使用逆累积分布函数 (ICDF)并单击“使用 ICDF 计算临界值”。

Z 值可用于计算 p 值。

P 值

P 值是一个概率,用来度量否定原假设的证据。P 值越小,否定原假设的证据越充分。

解释

使用 p 值可确定总体比率在统计意义上是否不同于假设比率。

要确定总体比率与假设比率的差值在统计意义上是否显著,请将 p 值与显著性水平进行比较。通常,显著性水平(用 α 或 alpha 表示)为 0.05 即可。显著性水平 0.05 指示在实际上不存在差值时得出存在差值的风险为 5%。
P 值 ≤ α:比率的差值在统计意义上显著(否定 H0
如果 p 值小于或等于显著性水平,则决策为否定原假设。您可以得出总体比率与假设比率的差值在统计意义上显著的结论。请使用您的专业知识确定差值在实际意义上是否显著。有关更多信息,请转到统计显著性和实际显著性
P 值 > α:比率的差值在统计意义上不显著(无法否定 H0
如果 p 值大于显著性水平,则决策为无法否定原假设。您没有足够的证据得出总体比率与假设比率的差值在统计意义上显著的结论。您应该确保检验具有足够的功效来检测到在实际意义上显著的差值。有关更多信息,请转到单比率的功效和样本数量
使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策