解释 单样本 Poisson 率 的主要结果

请完成以下步骤来解释单样本 Poisson 率检验。主要输出包括发生率、置信区间和 p 值。

步骤 1:确定总体发生率的置信区间

首先考虑采样率,然后检查置信区间。

事件的采样率是对该事件的总体采样率的估计值。由于采样率基于样本数据而不是整个总体,因此采样率不可能等于总体发生率。使用置信区间可以更好地估计总体发生率。

置信区间提供总体发生率的可能值范围。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发生率的区间。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 样本 合计出 Poisson λ 的 95% 置信区 N 现次数 比率 间 30 598 19.9333 (18.3675, 21.5970)
主要结果:样本率、95% 置信区间

在这些结果中,每天客户投诉数量的总体发生率的估计值约为 19.93。总体发生率约介于 18.37 到 21.6 之间的可信度为 95%。

步骤 2:确定检验结果在统计意义上是否显著

要确定总体率与假设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: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。您可以得出总体率和假设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: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率与假设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,请转到单样本 Poisson 率的功效和样本数量
检验 原假设 H₀: λ = 10 备择假设 H₁: λ > 10
P 值 0.000
主要结果:P 值

在这些结果中,原假设声明抱怨率为每天 10 个抱怨。由于 p 值 0.00 小于显著性水平 0.05,因此经理否定原假设并得出抱怨率大于每天 10 个抱怨。

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