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。

关于本主题

步骤 1：确定总体发生率的置信区间
步骤 2：确定检验结果在统计意义上是否显著

步骤 1：确定总体发生率的置信区间

首先考虑样本率，然后检查置信区间。

事件的样本率是对该事件的总体率的估计值。由于样本率基于样本数据而不是整个总体，因此样本率通常不等于总体发生率。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，则大约 95 个样本将产生包含总体率的区间。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况有实际显著性的值。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	合计出现次数	样本 Poisson 比率	λ 的 95% 置信区间
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，每日客户投诉数量的总体发生率估计值大约为 19.93。总体发生率介于大约 18.37 和 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 表示在实际上不存在差异时得出存在差异的风险为 5%。

P 值 ≤ α：比率之间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。您可以得出总体率与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。有关详细信息，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。您的证据不足，无法得出总体率与假设率之间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。有关详细信息，请转到单样本 Poisson 率的功效和样本数量。

方法

λ: 投诉数量的 Poisson 率
此分析使用精确方法。

描述性统计量

N	合计出现次数	样本 Poisson 比率	λ 的 95% 下限
30	598	19.9333	18.6118

检验

原假设	H₀: λ = 10
备择假设	H₁: λ > 10

P 值
0.000

关键结果：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 0.000 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。

解释 单样本 Poisson 率 的主要结果

关于本主题

步骤 1：确定总体发生率的置信区间

描述性统计量

主要结果：样本率、95% 置信区间

步骤 2：确定检验结果在统计意义上是否显著

方法

描述性统计量

检验

关键结果：P 值

解释单样本 Poisson 率的主要结果