t分布(t-distribution),用于根据小样本来估计呈正态分布且方差未知的总体的平均值
如果总体方差已知,则应该使用正态分布
自由度越大,t分布越接近标准正太分布
随自由度的增大,t分布逐渐逼近标准正太分布
t分布曲线的特点:
t分布曲线是单峰分布,它以0为中心,左右对称
t分布的形状与样本数n有关。自由度越小,t值越分散,曲线的峰部越矮
t分布不是一条曲线,而是很多曲线的集合(一簇曲线)
t界值表:
t 检验
T检验,也称为Student's t test,主要用户样本含量较小,总体标准差未知的正太分布资料
T检验,是用于小样本的两个平均值差异程度的检验方法。它是用T分布理论来推断差异发生的概率,从而判定两个平均数的差异是否显著。
以t分布为基础的一类比较均数的假设检验方法。
成立时,统计量t服从自由度为v=n-1的t分布
事先规定一个较小的概率
,若p值小于
,拒绝零假设;若p值不小于
,则不拒绝零假设。
T检验的应用:
单样本检验(one sample t test)
检验一个正态分布的总体的均值是否在满足零假设的值之内
推断样本所属总体的均数是否与已知值有差异
提出无效假设
:
,备选假设
:
双侧检验,检验水准
求t值,
自由度=35-1=34
通过查表,可知,0.05对应的t值是2.032
先,提出无效假设
:苗木的平均高度=1.60m,替换假设
:苗木的平均高度>1.60m
(这里我是有个疑问,对立假设,不应该是
,为什么可以直接大于呢?)
然后,带入公式,求t值
样本数=10,自由度=9,查表知道0.05对应的是2.262,我们的t值=2.55
所以,我们的p值是小于临界值2.262的,我们拒绝原假设,选择备选假设,平均高度大于1.60m,符合要求。
这里的话,使用Excel是可以求p值的,使用函数:TDIST
配对样本T检验
配对设计(paired design),是一种特殊的设计方式,能够很好地控制非实验因素对结果的影响,有自身配对和异体配对之分
将受试对象的某些重要特征按相近的原则配成对子,目的是消除混杂因素的影响,一对观察对象之间除了处理因素/研究因素之外,其它因素基本齐同,每对中的两个个体随机给予两种处理
t值和P值都用来判断统计上是否显著的指标。p值就是拒绝原假设的最小alpha值,把统计量写出来,带进去算出来之后,根据统计量的分布来算p值。P值是用来判定假设检验结果的一个参数,也可以根据不同的分布使用分布的拒绝域进行比较。由R·A·Fisher首先提出。
扩展资料:
Fisher的具体做法是:
假定某一参数的取值。
选择一个检验统计量(例如z 统计量或Z 统计量) ,该统计量的分布在假定的参数取值为真时应该是完全已知的。
从研究总体中抽取一个随机样本计算检验统计量的值计算概率P值或者说观测的显著水平,即在假设为真时的前提下,检验统计量大于或等于实际观测值的概率。
如果P<0.01,说明是较强的判定结果,拒绝假定的参数取值。
如果0.01<P值<0.05,说明较弱的判定结果,拒绝假定的参数取值。
如果P值>0.05,说明结果更倾向于接受假定的参数取值。
1、在一元线性回归方程中,T是统计量的值,由于T分布的特性是:取值离远点越远,取到这个值的可能性越小。
2、T值对应的P值,一般在一元回归的报告里是做的双边检验:也就是说,你回归的检验里,T分布取值大于你求出的T统计值的可能性(加绝对值的),如果P值很大,说明这个T值很靠近原点,而P值很小,则说明这个T值远离原点(T的绝对值越大,P越小),根据上面的分析,P越小越好。
相关如下:
如果只有一个自变量X,而且因变量Y和自变量X之间的数量变化关系呈近似线性关系,就可以建立一元线性回归方程,由自变量X的值来预测因变量Y的值,这就是一元线性回归预测。
如果因变量Y和自变量X之间呈线性相关,那就是说,对于自变量X的某一值不是唯一确定的,而是有很多的可能取值,它们分布在一条直线的上下,这是因为Y还受除自变量以外的其他因素的影响。这些因素的影响大小和方向都是不确定的,通常用一个随机变量。
欢迎分享,转载请注明来源:民族网