高等数学 / 系统课时

检查统计假设

检查统计假设

统计假设检查的目的不是寻找一个“全部通过”的数据集,而是判断当前模型能否可靠回答研究问题。本课给出从研究设计到图形诊断的检查顺序,并说明假设不满足时应该更换模型、调整估计方式,还是修正数据问题。

学习目标

  • 能按正确顺序检查独立性、分布、方差、线性和样本量条件
  • 能区分应检查原始数据、组内分布、差值还是模型残差
  • 能为常见假设违背选择合理处理方案

先检查设计,而不是先做正态性检验

独立性主要由抽样和实验设计决定,通常不能靠直方图或显著性检验验证。同一受试者的重复观测、同一家门店的多笔订单、同一班级的多名学生,都可能存在组内相关性。

因此第一步应确认分析单位、抽样层级、配对关系和时间顺序。若数据天然聚类,应考虑配对分析、重复测量模型、混合效应模型或聚类稳健标准误,而不是把所有记录当作互不相关的样本。

按模型对象检查五类条件

不同方法检查的对象不同。配对 t 检验关注“配对差值”的分布,线性回归主要检查残差,而不是要求每个自变量本身都服从正态分布。把检查对象弄错,会导致不必要的变换或错误换用方法。

统计假设检查顺序图

条件 重点检查对象 常用判断方式
独立性 抽样单位与观测来源 研究设计、数据层级、时间与配对关系
正态性 差值、组内误差或模型残差 Q-Q 图、直方图、Shapiro-Wilk 检验
方差齐性 各组误差波动 分组箱线图、Levene 或 Brown-Forsythe 检验
线性 自变量与结果或残差关系 散点图、残差与拟合值图
样本量条件 有效独立样本与单元格频数 预期频数、参数数量、稀疏程度

正确解释图形与检验结果

正态性

优先观察 Q-Q 图是否出现系统性弯曲和极端尾部偏离,再把 Shapiro-Wilk 检验作为辅助。p>0.05p>0.05 只能表示没有发现足够证据反对正态性,不能证明数据一定正态;大样本时,轻微且不重要的偏离也可能得到很小的 pp 值。

均值类方法对轻度偏离通常有一定稳健性,但小样本、强偏斜和极端值同时存在时风险更高。此时应检查数据录入、考虑变换、稳健估计或与研究问题匹配的非参数方法。

方差齐性与线性

经典独立样本 t 检验和普通单因素方差分析依赖方差齐性。若各组波动差异明显,可优先采用 Welch t 检验或 Welch 方差分析,而不是为了“通过检验”随意删除观测。

线性回归应查看残差与拟合值图。若残差呈弧形,说明线性形式可能不足;若波动随拟合值增大,可能存在异方差。可考虑加入非线性项、变量变换、加权回归或异方差稳健标准误。

样本量与稀疏数据

样本量是否足够取决于方法和信息结构。卡方检验关注列联表中的预期频数,不能只看总样本数;回归模型则要考虑参数数量、事件数和数据分布。样本很多但集中在少数类别,仍可能产生不稳定估计。

假设不满足时如何处理

先排除可修复的数据问题,例如单位混乱、重复记录、错误编码和不合理缺失。异常值不能仅因影响显著性就删除,应核对来源,并报告保留或剔除后的敏感性结果。

如果问题来自模型形式,应优先修改模型:方差不齐可换 Welch 方法或稳健标准误,非线性可加入曲线项,聚类数据可使用分层模型。只有当替代方法仍然回答同一个研究问题时,才适合直接更换检验。

最终报告不需要罗列所有检验的 pp 值,而应说明检查了什么、发现了什么、采用了哪种处理,以及结论是否对合理替代方案保持稳定。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

检查统计假设

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通