Гипотезы о виде законов распределения генеральной совокупности

Проверка гипотез о виде законов распределения генеральной совокупности осуществляется с помощью критериев согласия.

Критерием согласия называется статистический критерий, предназначенный для проверки гипотезы Н₀о том, что ряд наблюдений х₁, х₂, …х_n образует случайную выборку, извлеченную из генеральной совокупности Х с функцией распределения F(x)=F(x; θ ₁; θ ₂; … θ _k), где общий вид функции F(x) считается заданным, а параметры θ ₁; θ ₂; … θ _k, от которых она зависит могут быть, как известными, так и неизвестными. Критерии согласия основаны на использовании различных мер расстояний между анализируемой эмпирической функцией распределения F_n(x), определяемой по выборке, и функцией распределения F (x) генеральной совокупности Х.

Математически, нулевую гипотезу можно записать в следующем виде:

Н₀: ₌р_{1, =} р_{2, =} р_l_,

- относительная частота i-го интервала вариационного ряда или i-го варианта, принимаемого случайной величиной Х;

р_l – вероятность попадания случайной величины в i-тый интервала или вероятность того, что дискретная величина примет i-тое значение (Х=х_i).

Критерий Пирсона (критерий - ) имеет наибольшее применение при проверке согласования теоретической и эмпирической функций распределения.

Процедура проверки статистической гипотезы о виде распределения с помощью критерия согласия Пирсона состоит из следующих этапов.

1. Весь диапазон значений исследуемой случайной величины разбивается на ряд интервалов группирования Δ ₁, Δ ₂, …, Δ _l, необязательно одинаковой длины.

2. Подсчитывается число точек, попавших в каждый из интервалов группирования Δ _i.

3. На основе сгруппированных данных вычисляются оценки _k неизвестных параметров распределения θ _k.

4. Вычисляется вероятность р_i попадания случайной величины Х в каждый из интервалов группирования Δ _i.

5. Вычисляется наблюдаемое значение статистики критерия

= , (3.32)

сравнивается с табличным значением , найденным для уровня значимости α и числа степеней свободы ν = l-k-1, где l -число интервалов, k – число параметров, которыми определяется функция распределения.

Если , то гипотеза о том, что генеральная совокупность Х подчиняется закону распределения F (x) принимается.

В случае нормального закона распределения вероятность попадания случайной величины Х в соответствующие интервалы вычисляется по интегральной теореме Лапласа: р_i = Р(а_i< x< b_i) = , (3.33)

где t₁_i = , t₂_i = ; а_i, b_i – нижняя и верхняя граница соответствующего интервала i.

Контрольные вопросы и задачи

3.1. По результатам 15 испытаний установлено, что среднее время изготовления детали = 28с. В предположении, что время изготовления детали является нормальной случайной величиной с известным генеральным средним квадратическим отклонением =1, 2с, на уровне значимости =0, 05 проверить гипотезу Н₀: μ = 30 с против конкурирующей гипотезы Н₁: μ = 25с.

3.2. На основании 20 измерений, было установлено что средняя длина трубы равна = 15, 4м, а s=0, 23м. В предположении о нормальном законе распределения на уровне значимости =0, 05 проверить гипотезу Н₀: μ = 15м против конкурирующей гипотезы Н₁: μ 15м.

3.3. По данным задачи 3.2 проверить на уровне значимости =0, 05 гипотезу Н₀: =0, 06 м² при конкурирующей гипотезе Н₁: =0, 03 м².

3.4. По двум независимым выборкам объемом n₁=30 и n₂=15, извлеченным из нормальных генеральных совокупностей, найдены выборочные средние =25 и =27. Дисперсии генеральных совокупностей известны =1, 3 и =1, 6. На уровне значимости =0, 1 проверить гипотезу Н₀: μ ₁= μ ₂ при конкурирующей гипотезе Н₁: μ ₁ μ ₂.

3.5. Для сравнения точности изготовления деталей двумя станками-автоматами взяты две выборки объемом n₁=12 и n₂=8. По результатам измерений контролируемого размера деталей вычислены средние =31, 5мм и =30, 2мм, а также исправленные выборочные дисперсии =1, 05мм²и =0, 86мм². Проверить на уровне значимости =0, 05 гипотезу Н₀: = при конкурирующей гипотезе Н₁: > .

3.6. По четырем независимым выборкам объемом n₁=12, n₂=8, n₃=13, n₄=11, извлеченным из нормальных генеральных совокупностей, найдены выборочные исправленные дисперсии =2, 1, =1, 9, =2, 2, =2, 3. Проверить на уровне значимости =0, 05 гипотезу об однородности дисперсий Н₀: = =….= .

3.7. Для сравнения точности работы четырех станков из продукции каждого станка взято по одной выборке из 25 деталей. По результатам измерений найдены несмещенные оценки дисперсий =0, 1, =0, 19, =0, 2, =0, 13. Допустив, что погрешность есть нормальная случайная величина, проверить при уровне значимости =0, 05 гипотезу о том, что точность станков одинакова.

3.8. Для сравнения качества работы четырех сборочных конвейеров из общего дневного объема продукции каждого конвейера отобрано соответственно n₁=20, n₂=26, n₃=18, n₄=24 изделий, из которых оказались дефектными m₁=2, m₂=4, m₃=1, m₄=2. На уровне значимости =0, 05 проверить гипотезу о том, что вероятности появления дефектного изделия на всех станках равны, т.е. Н₀: р₁= p₂= p₃= p₄.

Тема 4. Методика статистического анализа количественных и
качественных показателей

Корреляционный анализ является методом исследования взаимозависимости признаков в генеральной совокупности. Основная задача корреляционного анализа состоит в оценке корреляционной матрицы генеральной совокупности по выборке и определении на ее основе оценок коэффициентов корреляции.

В рамках реализации статистических процедур корреляционного анализа необходимо: выбрать (с учетом специфики и природы анализируемых переменных) подходящий измеритель статистической связи (коэффициент корреляции, корреляционное отношение, ранговый); оценить с помощью точечной и интервальной оценок его числовое значение по выборочным данным; проверить гипотезу о том, что полученное числовое значение анализируемого измерителя связи действительно свидетельствует о наличии статистической связи.

Парная корреляция занимается изучением характеристик взаимосвязи двух случайных величин. Корреляционная зависимость двух случайных величин задается моделью X=X(Y, Z) и Y= Y(Х, Z), где Z –набор внешних случайных факторов.

Основой получения этих характеристик служит совместное распределение случайных величин F(x, y) = P .

Плотность двумерного нормального закона распределения определяется пятью параметрами: - математическое ожидание Х; - математическое ожидание Y; - дисперсия Х; - дисперсия Y; - парный коэффициент корреляции между Х и Y.

Парный коэффициент корреляции характеризует тесноту линейной связи между двумя переменными. Выборочное значение парного коэффициента корреляции ρ подсчитывается по исходным статистическим данным по формуле:

. (4.1)

Коэффициент корреляции не имеет размерности и изменяется в диапазоне
-1 ρ +1. Положительность коэффициента корреляции означает одинаковый характер тенденции взаимосвязанного изменения случайных величин Х и Y: с увеличением Х наблюдается тенденция увеличения соответствующих индивидуальных значений Y. Отрицательное значение говорит о противоположной тенденции взаимосвязанного изменения случайных величин Х и Y. Если ρ =0, можно сделать вывод, что линейная связь между Х и Y отсутствует. Однако это не означает, что Х и Y статистически независимы, так как не отрицается возможность существования нелинейной связи между Х и Y. Значение ρ = говорит о функциональном характере связи между Х и Y.

В рамках корреляционного анализа можно построить линии условных математических ожиданий (линий регрессии у по х и х по у)

у(х)=М(Y/X=x), x(y)=М(X/Y=y) ; (4.2)

а также линии условных дисперсий, которые характеризует, насколько точно линии регрессии передают изменение одной случайной величины при изменении другой,

= М , (4.3)

= М .

Точные (или приближенные) прямолинейные регрессии

y(x) = , x(y) = (4.4)

задаются следующими коэффициентами:

; , (4.5)

, .

Если случайные величины Х и Y независимы, ρ =0, то все условные математические ожидания и дисперсии не зависят от фиксированного значения другой случайной величины и совпадают с безусловными.

Стоит отметить, что выборочные коэффициенты корреляции могут быть формально вычислены для любой двумерной системы наблюдений.

Для проверки значимости парного коэффициента корреляции выдвигается гипотеза Н₀: ρ =0. При проверки нулевой гипотезы используется статистика:

, (4.6)

имеющая распределение Стьдента с ν =n-2 числом степеней свободы.

Если < , нулевая гипотеза не отвергается, следовательно, случайные величины Х и Y независимы. Если > , коэффициент корреляции считается значимым.

На практике для проверки нулевой гипотезы пользуются также распределением Фишера-Йетса. На уровне значимости α по таблице распределения Фишера-Йетса находят (α, ν =n-2). Если , гипотеза отвергается, коэффициент корреляции считается значимым. - взятое по модулю значение выборочного коэффициента корреляции.

Для значимых параметров связи можно построить интервальную оценку.

При определении границ доверительного интервала коэффициента корреляции ρ используется преобразование Фишера: . (4.7)

Предварительно устанавливают интервальную оценку для из условия:

Р( ) = =Ф( ), (4.8)

где находят по таблице интегральной функции Лапласа для данного уровня .

Получив доверительный интервал для , , при помощи таблицы z- преобразования Фишера делают обратный переход от и к и . Таким образом окончательно получаем: .

При выборе и следует учитывать нечетность z- функции.

Трехмерная корреляционная модель является частным случаем множественной корреляционной модели. На примере анализа трехмерной корреляционной модели удобно показать все свойства множественной корреляции. Трехмерная нормально распределенная генеральная совокупность, образуемая тремя признаками X, Y, Z, определяется девятью параметрами: тремя математическими ожиданиями, тремя дисперсиями и тремя парными коэффициентами корреляции:

, , - математические ожидания Х, Y и Z соответственно;

, , - дисперсии Х, Y и Z соответственно;

- парный коэффициент корреляции между Х и Y,

- парный коэффициент корреляции между Х и Z,

- парный коэффициент корреляции между Z и Y.

При изучении корреляционной зависимости между более чем двумя случайными величинами с заданным совместным многомерным распределением используют множественные и частные коэффициенты корреляции.

Частный коэффициент корреляции – это мера линейной зависимости между двумя случайными величинами из некоторой совокупности Х₁_, Х₂, …, Х_n, когда исключено влияние остальных случайных величин. Частный коэффициент корреляции обладает всеми свойствами парного коэффициента корреляции. В общем случае частный коэффициент корреляции выражается через элементы корреляционной матрицы R = , составленной из коэффициентов парной корреляции.

В рамках простой трехмерной корреляционной модели могут быть рассчитаны три частных коэффициента корреляции:

; ; . (34.9)

Для проверки значимости частного коэффициента корреляции выдвигается гипотеза Н₀: =0. При проверки нулевой гипотезы используется статистика:

, ((34.10)

имеющая распределение Стьюдента с ν =n-3 числом степеней свободы.

Как и в случае парной корреляции на практике для проверки нулевой гипотезы чаще пользуются распределением Фишера-Йейтса. На уровне значимости α по таблице распределения Фишера-Йейтса находят (α, ν =n-3). Если , гипотеза отвергается, частный коэффициент корреляции считается значимым. - взятое по модулю значение выборочного частного коэффициента корреляции.

При определении границ доверительного интервала коэффициента корреляции ρ используется преобразование Фишера: (34.11)

Предварительно устанавливают интервальную оценку для из условия:

Р( ) = =Ф( ), (34.12)

где находят по таблице интегральной функции Лапласа для данного уровня .

Множественный коэффициент корреляции R служит мерой линейной зависимости между случайной величиной Х₁ и набором случайных величин Х₂, …, Х_n. В общем случае множественные коэффициенты корреляции выражаются через элементы корреляционной матрицы. Для трехмерной модели может быть рассчитано три множественных коэффициента корреляции:

;

; (34.13)

Множественный коэффициент корреляции изменяется в диапазоне 0 R +1. Если, например, = 1, то связь между случайной величиной Х и двумерной случайной величиной (Х, Z) является функциональной; если = 0, то случайная величина Х и двумерная случайная величина (Х, Z) независимы.

Множественный коэффициент детерминации показывает долю дисперсии случайной величины Х₁, обусловленную влиянием остальных факторов Х₂, …, Х_n, входящих в многомерную модель. Множественный коэффициент детерминации может увеличиваться при введении в модель дополнительных признаков и не увеличиваться при исключении некоторых признаков из модели. Для двухмерной корреляционной модели коэффициент детерминации равен квадрату парного коэффициента корреляции.

При проверке значимости множественного коэффициента корреляции (множественного коэффициента детерминации) выдвигается гипотеза Н₀: =0 (или =0 ). При проверке нулевой гипотезы используется статистика:

, (34.14)

имеющая распределение Фишера-Снедекора с числом степеней свободы =2 и n-2.

Если (α, , ), нулевая гипотеза отвергается, следовательно, множественный коэффициент корреляции (множественный коэффициент детерминации) считается значимым.

Корреляционное отношение.Как уже отмечалось выше коэффициент корреляции является адекватной мерой статистической взаимозависимости только в случае линейного характера связи между признаками. Для изучения связи между признаками, выражаемой нелинейной функцией, применяется более общий показатель тесноты связи – корреляционное отношение. В теории статистики разработан специальный критерий оценки нелинейности связи между двумя переменными:

, (34.15)

где - корреляционное отношение между X и Y,

- коэффициент корреляции между X и Y.

Если > 2, 5, то корреляционную связь можно считать нелинейной.

Использование корреляционного отношения основано на разложении общей дисперсии зависимой переменной на составляющие: дисперсию, характеризующую влияние объясняющей переменной, и дисперсию, характеризующую влияние неучтенных факторов: , (34.16)

где - общая дисперсия зависимой переменной,

- дисперсия функции регрессии относительно среднего значения зависимой переменной, характеризующая влияние объясняющей переменной.

- остаточная дисперсия.

Корреляционное отношение определяется по формуле:

= (34.17)

Корреляционное отношение не имеет размерности и изменяется в диапазоне 0 +1.

Для проверки значимости корреляционного отношения выдвигается гипотеза Н₀: =0. При проверке нулевой гипотезы используется статистика:

, (43.18)

которая имеет распределение Стьюдента с числом степеней свободы ν =n-2. Если < , нулевая гипотеза не отвергается, следовательно, случайные величины Х и Y независимы. Если > , коэффициент корреляции считается значимым.

Доверительный интервал имеет вид: , (34.19)

где находят по таблице интегральной функции Лапласа для данного уровня .

Ранговая корреляция. Для изучения взаимосвязи признаков, не поддающихся количественному измерению, используются различные показатели ранговой корреляции. Под ранговой корреляцией понимается статистическая связь между порядковыми переменными. В статистической практике эта связь анализируется на основании исходных статистических данных, представленных упорядочениями (ранжировками) n рассматриваемых объектов. Методы ранговой корреляции широко используются, в частности, при организации и статистической обработке различного рода систем экспертных обследований.

Для измерения тесноты связи между порядковыми переменными используются различные показатели, такие как коэффициент Спирмена, коэффициент Кэнделла, коэффициенты конкордации, ассоциации, контингенции.

Рассмотрим пример расчета рангового коэффициента корреляции Спирмена.

, (34.20)

где - разность значений рангов, расположенных в двух рядах у одного и того же объекта.

Если два ряда полностью совпадают, то =0, и следовательно, =1. При полной обратной связи ранги двух рядов расположены в обратном порядке и =-1. При отсутствии корреляции между рангами =0.

Для проверки значимости рангового коэффициента корреляции Спирмена выдвигается гипотеза Н₀: =0. При проверке нулевой гипотезы вычисляется критическая точка: , (43.21)

где определяется по таблице распределения Стьюдента для уровня значимости α и числа степеней свободы ν =n-2. Если нулевая гипотеза не отвергается, следовательно, случайные величины Х и Y независимы. В противном случае ранговый коэффициент корреляции считается значимым.

Регрессионный анализ – статистический метод исследования зависимости случайной величины Y от переменных Х₁_, Х₂, …, Х_m , рассматриваемых как неслучайные величины, независимо от истинного закона распределения Х_i .

Регрессия – функция f(Х₁_, Х₂, …, Х_m), описывающая зависимость условного математического ожидания зависимой переменной Y (вычисленного при условии, что независимые переменные зафиксированы на уровнях Х₁_, Х₂, …, Х_m) от заданных фиксированных значений независимых переменных.

В рамках регрессионного анализа решаются следующие задачи: выбор математической модели, описывающей изучаемый процесс; отбор наиболее информативных объясняющих переменных (регрессоров); вычисление оценок для неизвестных значений параметров, участвующих в записи уравнения искомой зависимости; анализ точности полученного уравнения связи.

Выбор конкретной формы уравнения регрессии зависит от экономической сущности изучаемого явления или процесса. На практике чаще всего встречаются следующие виды уравнений регрессии:

1) - двумерное линейное;

2) - многомерной линейное;

3) - полиномиальное;

4) - гиперболическое;

5) - степенное.

Так как аппарат исследования линейных функций разработан наиболее полно, на практике чаще всего прибегают к линейному преобразованию (линеаризации) степенных, полиномиальных, гиперболических, а также любых других нелинейных функций, поддающихся такому преобразованию. Например, степенное регрессионное уравнение может быть приведено к линейной форме путем логарифмирования:

и далее

где = lg , = lg , = .

Общая модель линейной относительно оцениваемых параметров регрессии может быть представлена следующим образом:

+ε,

где - некоторая функция переменных ,

- неизвестные параметры уравнения регрессии, которые необходимо оценить по выборочным данным,

- случайное слагаемое или ошибка модели (возмущение), с нулевым математическим ожиданием и дисперсией .

Для оценки неизвестных параметров модели используются уже описанные выше статистические методы оценивания: метод максимального правдоподобия (ММП), метод наименьших квадратов (ММП) и метод моментов. В теории регрессионного анализа доказывается, что ММП– и МНК–оценки являются наилучшими линейными оценками неизвестных параметров уравнения регрессии, обладающими свойствами несмещенности и эффективности.

Ввиду относительной простоты реализации в практических приложениях чаще всего используется метод наименьших квадратов. Для получения несмещенных и эффективных МНК-оценок неизвестных параметров необходимо выполнение некоторых предпосылок, касающихся как всего уравнения в целом, так и его отдельных составляющих.

Основные предпосылки формулируются следующим образом:

1. Объем наблюдений n больше числа оцениваемых параметров m.

2. Между объясняющими переменными не должно существовать строгой линейной зависимости, т.е. предполагается отсутствие мультиколлинеарности.

3. Зависимая переменная Y и объясняющие параметры Х_i распределены нормально.

4. Регрессоры являются неслучайными величинами.

5. При построении функции регрессии предполагается, что результативный признак Y зависит только от объясняющих переменных Х_i, которые включены в регрессию. Таким образом, предполагается, что на переменную Y не оказывают влияния никакие другие систематически действующие факторы. Суммарный эффект от воздействия на зависимую переменную неучтенных факторов учитывается возмущающей переменной ε. При этом предполагается, что математическое ожидание возмущающей переменной ε равно .

6. Объясняющие переменные не коррелируют с возмущающей переменной ε, т.е. =0. Отсюда следует, что переменные Х_i объясняют переменную Y, а переменная Y не объясняет переменные Х_i.

7. Распределение возмущающей переменной подчиняется нормальному закону распределения.

8. Возмущаюшая переменная ε имеет постоянную дисперсию . Это свойство возмущающей переменной называется гомоскедастичностью.

9. Значения возмущающей переменной ε попарно некоррелированы, т.е. для s≠ 0. Иначе это свойство называется отсутствием автокорреляции возмущающей переменной ε.

Для нахождения оценок неизвестных параметров и двумерного линейного уравнения регрессии используется метод наименьших квадратов. В соответствии с МНК оценки и можно получить из условия минимизации суммы квадратов ошибок оцениваемых параметров, т.е. суммой квадратов отклонений фактических значений зависимой переменной от ее расчетных значений, полученных на основе уравнения регрессии:

, (4.22)

где и - оценки неизвестных параметров и соответственно;

- расчетные значения зависимой переменной .

Разность называется остатком и дает количественную оценку воздействия возмущающей переменной ε.

Дифференцируя функционал S по и и приравнивая нулю частные производные, получаем следующую систему уравнений:

(4.23)

После соответствующих преобразований имеем:

(4.24)

Решив данную систему относительно и , окончательно получим:

; (4.25)

. (4.26)

Свободный член уравнения регрессии определяет точку пересечения линии регрессии с осью ординат. является средним значением Y в точке Х=0 и задает масштаб изменения зависимой переменной Y. Коэффициент имеет размерность зависимой переменной. Его экономическая интерпретация очень затруднительна или вообще невозможна. Коэффициент показывает среднюю величину изменения зависимой переменной Y при изменении объясняющей переменной Х на одну единицу своего измерения. Знак при показывает направление изменения. При положительном коэффициенте регрессии увеличение значений объясняющей переменной ведет к увеличению значений зависимой переменной. При отрицательном коэффициенте увеличение значений объясняющей переменной ведет к убыванию значений зависимой переменной.

⇐ Предыдущая 1 2 345 Следующая ⇒