SF1901: SANNOLIKHETSTEORI OCH HYPOTESPRÖVNING. STATISTIK. Tatjana Pavlenko. 13 maj 2015

Transkript

1 SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 13 HYPOTESPRÖVNING. Tatjana Pavlenko 13 maj 2015

2 PLAN FÖR DAGENS FÖRELÄSNING Begrepp inom hypotesprövning (rep.) Tre metoder för att avgöra om H 0 ska förkastas. Styrkefunktionen (Kap. 13.4). Tillämpning på normalfördelning (Kap. 13.6). Användning av normalapproximation (Kap. 13.7).

3 BEGREPP INOM HYPOTESPRÖVNING (REP.). Vi betraktar den allmänna situationen: vi har ett stickprov x = (x 1,..., x n ) som är utfall av s. v. (X 1,..., X n ) från någon fördelning F X (x; θ). Vi vill testa en grundhypotes, eller nollhypotes, om θ: H 0 : θ = θ 0 mot en alternativ hypotes, H 1, som kan vara enkel, H 1 : θ = θ 1, eller sammansatt, t ex H 1 : θ > θ 0. En hypotes av typ H 1 : θ > θ 0 eller H 1 : θ < θ 0 är ensidig, medan H 1 : θ = θ 0 är tvåsidig.

4 BEGREPP INOM HYPOTESPRÖVNING (REP.). För att testa H 0 definierar vi först en test variabel eller teststorhet, t obs = t(x) som är en observation av motsvarande stickprovsvariabel t(x ). Vi kommer också att behöva testets signifikansnivån eller felrisk. Def: Med signifikansnivån, eller felrisken, α för ett test menas α = P(H 0 förkastas) om H 0 är sann. Testet utformas på så sätt att felrisken blit liten. Vanliga nivåer är α = 0.05, α = 0.01, α = Jämför med felrisker vid konfidensintervall konstruktion!

5 TRE METODER FÖR ATT AVGÖRA OM H 0 SKA FÖRKASTAS. Testvariabelmetoden (rep.) Hitta en teststorhet t(x ) och till den ett kritiskt område C. Testet blir då: Om { tobs. C, förkasta H 0 t obs. / C, ej förkasta H 0, där det kritiska området C anpassas så att P(H 0 förkastas) = P(t(X ) C ) = α H 0 är sann och α är testets signifikansnivå som väljs på förhans. Tolkning: Om H 0 förkastas så föreligger det ett signifikant avvikelse från nollhypotesen H 0 på nivån α.

6 TRE METODER FÖR ATT AVGÖRA OM H 0 SKA FÖRKASTAS (FORTS.) Direktmetoden (rep.) Direktmetoden baseras också på testvariabel, med det kritiska området preciseras inte utan man avgör bara vilka värden på testvariabel som tyder på att H 1 är sann, t ex t(x ) C. Det direkta med direktmetoden är att vi räknar ut ett storhet som direkt kan jämföras med felrisken! Metoden går till på följande sätt: 1. Antag att H 0 är sann (dvs att det parametervärde den specificerar är det rätta värde). 2. Räkna under H 0 ut p-värdet = P(teststorhet blir minst lika extremt som observerat). 3. Om p-värde är mindre än α (ofta α = 0.05, 0.01, 0.001) så förkastas H 0 med felrisk α.

7 TRE METODER FÖR ATT AVGÖRA OM H 0 SKA FÖRKASTAS (FORTS.) Direktmetoden. Tolkning: Om p-värde är litet (ofta < än 0.05, 0.01 eller 0.001) så tror vi inte på H 0. p-värde ger alltså ett mått på hur orimlig H 0 är. Beslutsregel: om p-värde < α så förkastas H 0. Detta i termer av testvariabelmetoden betyder att t obs. hamnar i det kririska området C.

8 TRE METODER FÖR ATT AVGÖRA OM H 0 SKA FÖRKASTAS (FORTS.) Konfidensmetoden. Konfidensmetoden går till på följande sätt: 1. Bekäkna ett konfidensintervall I θ för parametern med samma felrisk som önskas för testet, dvs med konfidensgrad 1 α. 2. Förkasta H 0 : θ = θ 0 om θ 0 / I θ. Typen av konfidensintervall som ska beräknas beror på hur den alternativa hypotesen ser ut: om H 1 : θ = θ 0 ska I θ vara tvåsidigt, om H 1 : θ > θ 0 ska I θ vara ensidigt, nedåt begränsat, om H 1 : θ < θ 0 ska I θ vara ensidigt, uppåt begränsat Tolkning: under antagande att H 0 är sann, dvs θ 0 är den sanna parametervärde dvs testnivå är α. P(H 0 förkastas H 0 är sann) = P(t(X ) C ) = P(θ 0 / I θ ) = 1 (1 α) = α,

9 EXEMPEL: RATTONYKTERHET (FORTS. FRÅN FÖRRA FÖRELÄSNING) Gränsen för rattonykterhet är 2. Modell: antag att ett mättning i är en observation av X i = µ + ε i, där µ är den sanna halten, ε i N(0, σ) (ober. för i = 1,..., n) är mätfel där σ antas vara känd, låt σ = För att avgöra om en person är skyldig till rattonykterhet kan man använda följande hypoteser: H 0 : H 1 : µ = 0.2 (oskyldig) µ > 0.2 (skyldig). Vi väljer felrisken, α = 0.001, dvs α = P(förkasta H 0 om H 0 är sann).

10 EXEMPEL: RATTONYKTERHET (FORTS.) Att H 0 förkastas innebär att vi finner enn peron skyldig och om H 0 är sann så är man oskyldig. Felrisk (signifikansnivån) blir alltså P(döma en oskyldig) = Denna händelse inträffar i genomsnitt var tusende gång, dvs vi valde ganska låg felrisk. Tillämpning av de tre metoderna för att avgöra om H 0 ska förkastas i ex om rattonykterhet, på tavlan. Viktig! De tre metoderna för hypotesprövning är ekvivalenta, dvs ger alltid samma resultat. Detta gäller dock endast exakta test, inte alltid approximativa.

11 TVÅ TYP AV FEL VID HYPOTESPRÖVNING. Hur bra ett test skiljer H 0 från H 1? Det finns två olika fel (felslutsatser) som kan inträffa vid hypotesprövning. Det brukar kallas fel av första slaget: att förkasta H 0 trots att H 0 är sann, (typ I-felet, den valda felrisken eller signifikansnivårn, α) fel av andra slaget: att inte förkasta H 0 trots att H 1 är sann, (typ II-felet). Exempel: Test förmåga att förkasta H 0 då den inte är sann, t ex hur stor chans har man att klara sig om man är skyldig med en given promillehalt i exelmpel om rattonykterhet som togs upp? Vi ska i så fall räkna ut P(dömas med alkoholhalten µ) dvs, sannolikhet att dömas om µ är den sanna värde. För detta brukar man ange testets styrka som funktion av parameter µ (allmänt θ).

12 STYRKEFUNKTION. Def. Styrkefunktionen, h(θ), för ett test definieras som h(θ) = P(H 0 förkastas) om θ är det rätta parametersvärde. Ett test är bra om h(θ) är stor för alla θ H 1. och h(θ) är liten för alla θ H 0. Jmf. med felrisk, α, h(θ 0 ) = α. Exempel: studera testets styrkefunktion för rattonykterhet exempel, på tavlan.

13 TILLÄMPNING PÅ NORMALFÖRDELNING: ALLMÄNT Låt x 1,..., x n vara ett slumpmässigt stickprov från N(µ, σ). Vi vill testa H 0 : µ = µ 0 och använder testvariabel metoden. Då är testvariabel { ( x µ0 )/D om σ är känd, D = σ/ n u(x) = ( x µ 0 )/d om σ är okänd, d = s/ n Om H 0 är sann, är dessa kvoter observationer av s.v som är N(0, 1) respektive t(n 1) fördelad och vi får kritisk område C med hjälp av motsvarande λ- och t- kvantiler.

14 TILLÄMPNING PÅ NORMALFÖRDELNING: (FORTS.) Beslutsregel erhålls beroende på utseendet hos den alternativa hypotesen H 1 : (a) Om H 1 : µ = µ 0 (dvs tvåsidig alternativ), så förkastas H 0 om u(x) λ α/2, respektive om u(x) t α/2 (n 1). (b) Om H 1 : µ > µ 0 (dvs ensidig alternativ), så förkastas H 0 om u(x) > λ α, resp. u(x) > t α (n 1). (c) Om H 1 : µ < µ 0 (dvs ensidig alternativ), så förkastas H 0 om u(x) < λ α, resp. u(x) < t α (n 1).

15 ANVÄNDNING AV NORMALAPPROXIMATION. Har man approximativt normafördelad skattatre, dvs θ AsN(θ, D(θ )) då kan man använda testvariabel t(x ) = θ θ 0 D(θ ) om D(θ ) är känd. Om D(θ ) innehåller den parameter vi undersöker i H 0 då ska θ 0, dvs värden från H 0 användas, vilket ger D 0 (θ ) och testvariabeln Annars används t(x ) = θ θ 0 D(θ ). t(x ) = θ θ 0 d(θ ). Kvoten ovan antas ungefär normalfördelad så att man kan utföra ett test på samma sätt som under normalantagande. Viktig! λ-kvantilen används och H 0 förkastas på approximativt nivån α.