探索区间估计与假设检验的关系

1. 区间估计与假设检验概述

1.1 区间估计的定义与意义

1.1.1 区间估计的概念

区间估计是在点估计的基础上，给出总体参数估计的一个区间范围。
这个区间通常由样本统计量加减估计误差得到。
区间估计提供了一个范围，而不仅仅是一个单一的数值，从而能够更全面地描述总体参数的可能值。

1.1.2 区间估计的适用范围

在参数的点估计不易计算，或者探究点估计精度如何时，区间估计往往能起到至关重要的作用。
它能够指定概率（即置信水平）求得相应比较精确的区间进行估计，这些都是点估计无法做到的。

1.2 假设检验的定义与意义

1.2.1 假设检验的概念

假设检验，也称为统计假设检验，是一种统计推断方法。
它是用于判断样本与样本之间、样本与总体之间的差异是由抽样误差引起的还是本质差别造成的一种统计推断方法。

1.2.2 假设检验的基本步骤

建立假设：根据要求对参数设置原假设H0和备择假设H1。
选择检验统计量，给出拒绝域形式。
选择显著性水平：一个是α，称犯第一类错误（也称弃真错误）的概率；另一个是β，称犯第二类错误（也称纳伪错误）的概率。
确定拒绝域：根据假设单侧或双侧检验，给出相应的拒绝域。
进行判断：通过样本观测值，观察相应参数值是否落在给出的拒绝域内。

2. 区间估计与假设检验的统计学意义

2.1 区间估计的统计学意义

区间估计是一种统计推断方法，它的目标是根据样本数据来估计总体参数（如总体均值、方差等）的可能范围。
这种方法提供了一个置信区间，表示在一定置信水平下，总体参数落在这个区间内的概率。

2.2 假设检验的统计学意义

假设检验则是另一种统计推断方法，它用于决定是否有足够的证据拒绝一个关于总体参数的原假设。
在假设检验中，研究者首先提出一个原假设（通常表示没有效应或差异）和一个备择假设（通常表示有效应或差异）。
然后，通过计算一个统计量并与临界值比较，来决定是否拒绝原假设。
如果计算出的P值小于事先设定的显著性水平（通常是0.05），则拒绝原假设，否则不拒绝原假设。

3. 区间估计与假设检验的区别

3.1 区间估计与假设检验的区别

区间估计属于参数估计的一种，参数估计是以样本数据为基础，进而去准确的估计总体参数的确定值。
然而假设检验则是以样本数据的相关信息去检验总体参数原始假设是否成立。
区间估计事先需要给定一定概率（也称置信水平），区间估计要求概率越大越好，得到的估计区间会更加精确。
而假设检验是在小概率原理上立足的，最终所求的概率p值越小越显著。
区间估计最终得到的是双侧置信区间；而假设检验会根据题意确定双侧检验或者单侧检验。

4. 区间估计与假设检验的联系

4.1 区间估计与假设检验的联系

通过下文区间估计和假设检验应用举例可以看出，区间估计所使用的枢轴量与假设检验所使用的检验统计量是一样的。
这是为什么呢？现从假设检验的右侧、左侧、双侧分三种情况进行讨论。
右侧检验：原假设为：H0:μ≤μ0 vs H1:μ>μ0，检验统计量为：拒绝域W为：{u≥u1-α}；接受域为：{u≤u1-α}，即最终改写成这正是总体参数μ的1-α置信下限。
左侧检验：原假设为：H0:μ≥μ0 vs H1:μ<μ0，检验统计量为：拒绝域W为{u≤uα}；接受域为{u≥uα}即最终改写为这正是总体参数μ的1-α置信上限。
双侧检验：原假设为：H0:μ=μ0 vs H1:μ≠μ0，检验统计量为：拒绝域为接受域为即最终可改写为这正是总体参数μ的1-α置信区间。

5. 区间估计与假设检验的误区

5.1 区间估计的误区

有些熟悉区间估计定义的人可能会说：“题中得到的95%置信区间为[12.282,12.518]，它是以0.95的概率覆盖总体均值（即题目中的平均长度）”，其实，这种说法欠妥。
因为在这里，如果换成是在大量样本中得到的置信区间，只能说大约95%会覆盖总体均值，题目中只是由一个样本得到的置信区间，到底包含或者不包含总体均值，没有概率可言。
总体均值其实是一个固定的数值，而求得的置信区间也是一对固定的数值，这里不存在随机变量，故而不可能存在覆盖的概率。

5.2 假设检验的误区

大家都知道，做假设检验的目的是从假设中找到需要的答案，所以说拒绝原假设的显著性水平α的选择很重要。
抛开书本理论，选择α时必须与实际问题相结合，具体问题具体分析，课程当中的例子过于理想化，很多影响问题的敏感因素都未曾给出，但是在实际生活中往往缺乏可信度。
例如警察在通过DNA或者指纹去判断作案凶手、血缘关系时，对于这种非常敏感的问题，α取值稍微过大，都会使得到的结果可信度大打折扣，此时α应该是一个非常小的数。
相反，如果实际要求α不宜过小，α就应该取相对大，否则，一些大的影响因素可能就会错过。
总之，α的大小选择并不能简单的全默认看成是0.01、0.05、0.1，应该灵活处理。

6. 区间估计与假设检验的关系举例

6.1 区间估计与假设检验的关系举例

某公司规定一批零件直径为10cm时为合格，现在随机抽取50个零件作为样本进行检测，根据样本数据显示，得到样本均值xˉ=10.2，已知标准差为0.4，假设取α=0.05，检验这批零件是否合格。
(1）区间估计法：根据题意选取枢轴量为经计算得置信区间为代入数值得[10.0891,10.3109]，“10”没有包含在区间内，故而不合格。
(2）假设检验法：根据题意设置假设：H0:μ0=10 vs H1:μ0≠10，选择检验统计量为：代入数值得u=3.5355>1.96，由此可以得出拒绝原假设，故而认为μ0≠10，则表示不合格。

7. 显著性水平的进一步讨论

7.1 显著性水平概念

显著性水平是估计总体未知参数落在某一区间内的一个概率，也表示为可能犯错误的概率，一般用α表示，但是，通常以置信水平(1-α)为盖住区间的概率而被我们事先给定。
根据人们做判断时误判的错误类型，将犯第一类错误概率（即弃真错误）叫做显著性水平，用α表示。

7.2 两者关系

相同问题条件下，区间估计中1-α置信区间问题与显著性水平为α的假设检验问题一一对应，且判断结果相同。

7.3 两类错误的关系及深度探究

假设检验过程中，在选择显著性水平时，引入了两类错误：第一类错误（弃真错误），用α表示，第二类错误（纳伪错误），用β表示。
任何一个假设检验问题，我们不可能找到一个检验同时使这两类错误都尽可能小，只能选择其中一种错误，让它尽可能小。
书中引入功效函数进行说明两类错误的关系，结果是α与β中一个减小必然导致另一个增大，但是α+β并不一定等于1，且这个结论具有一般性。
那么为什么要选择α作为显著性水平，而不是β呢？原因有以下几点：
- 从心理学角度来看，第一类错误为弃真错误，认为本来原假设是真的，却被拒绝，这会让人懊悔不已；第二类错误为纳伪错误，认为原假设不是真的，却被接受，这种错误即使发生了，顶多就说判断错误，或者说找“学艺不精”的理由，相对来说，犯第一类错误更不能让人接受。
- 从现实危害角度来看，犯第一类错误可能会产生巨大影响，它的不良后果会更加大于犯第二类错误，比如所有人都犯了第一类错误，后面人可能一直无法找到真的；相反，犯第二类错误之后，如果重新设计实验便可能快速发现问题所在。
- 一般而言，第二类错误概率对具体参数要求颇高，相比较于α来说，β在不少场合不容易求出，产生β的原因多与实验设计、样本数据、处理效应等因素有关，α更容易被计算出。

8. 结论和建议

8.1 结论

从上述分析有如下结论：区间估计问题和假设检验问题可以相互转化；选择区间估计和假设检验方法时应该观察问题本身是否与样本信息相关联；显著性水平在两种统计推断方法起重要枢纽作用等。
通过讨论，可以看出这两种统计推断方法在理论和实际中的应用都非常复杂，日常生活中，有些人对两种方法认识不够，存在个别误区；在解决一个实际问题时，并未首先关注问题的实质，以致于容易犯错。
在处理任何一个问题时，均需要对两种方法足够熟悉，才能更好地避免犯错。
通过本文的讨论，我们能够对区间估计和假设检验这两种推断方法更加熟悉和了解，能够将这两种方法应用于一些实际问题之中。