ความเป็นมา: ฉันกำลังนำเสนอให้กับเพื่อนร่วมงานที่ทำงานเกี่ยวกับการทดสอบสมมติฐานและเข้าใจว่าส่วนใหญ่ดี แต่มีแง่มุมหนึ่งที่ฉันคาดว่าจะเป็นปมพยายามเข้าใจและอธิบายให้ผู้อื่นฟัง
นี่คือสิ่งที่ฉันคิดว่าฉันรู้ (โปรดแก้ไขถ้าผิด!)
- สถิติที่อาจเป็นเรื่องปกติหากทราบความแปรปรวนให้ทำตามการแจกแจงแบบหากไม่ทราบความแปรปรวน
- CLT (ทฤษฎีขีด จำกัด กลาง): การกระจายตัวตัวอย่างของค่าเฉลี่ยตัวอย่างนั้นประมาณปกติสำหรับขนาดใหญ่พอ (อาจเป็น , อาจสูงถึงสำหรับการแจกแจงแบบเบ้สูง)
- -distribution สามารถพิจารณาปกติองศาอิสระ
คุณใช้การทดสอบถ้า:
- ประชากรปกติและความแปรปรวนเป็นที่รู้จัก (สำหรับขนาดตัวอย่างใด ๆ )
- ประชากรปกติไม่ทราบความแปรปรวนและ (เนื่องจาก CLT)
- ประชากรทวินาม, , n q > 10
คุณใช้ -test ถ้า:
- ประชากรปกติไม่ทราบความแปรปรวนและ
- ไม่มีความรู้เกี่ยวกับประชากรหรือความแปรปรวนและแต่ข้อมูลตัวอย่างดูเป็นปกติ / ผ่านการทดสอบและอื่น ๆ เพื่อให้ประชากรสามารถสันนิษฐานได้ว่าเป็นปกติ
ดังนั้นฉันเหลือ:
- สำหรับตัวอย่างและ< ≈ 300 (?) ไม่มีความรู้เกี่ยวกับประชากรและความแปรปรวนที่ทราบ / ไม่รู้จัก
ดังนั้นคำถามของฉันคือ:
คุณสามารถสมมติขนาดเท่าใด (ไม่มีความรู้เกี่ยวกับการกระจายตัวของประชากรหรือความแปรปรวน) ว่าการกระจายตัวตัวอย่างของค่าเฉลี่ยเป็นเรื่องปกติ (เช่น CLT ได้เตะเข้าไป) เมื่อการกระจายตัวตัวอย่างดูไม่ปกติ? ฉันรู้ว่าการกระจายบางอย่างต้องการแต่ทรัพยากรบางอย่างดูเหมือนว่าจะใช้การทดสอบzเมื่อใดก็ตามที่n > 30 ...
สำหรับกรณีที่ฉันไม่แน่ใจเกี่ยวกับฉันคิดว่าฉันดูข้อมูลสำหรับความปกติ ทีนี้ถ้าฉันใช้ข้อมูลตัวอย่างดูเป็นเรื่องปกติทดสอบ z (ตั้งแต่สมมติว่าประชากรเป็นปกติและตั้งแต่ n > 30 )
แล้วข้อมูลตัวอย่างสำหรับกรณีที่ฉันไม่แน่ใจเกี่ยวกับการไม่ดูปกติหรือไม่ มีสถานการณ์ใดบ้างที่คุณยังคงใช้ -test หรือz -test หรือคุณมักจะทำการแปลง / ใช้การทดสอบที่ไม่ใช่พารามิเตอร์หรือไม่? ฉันรู้ว่าเนื่องจาก CLT ที่คุ้มค่าของnการกระจายตัวอย่างของค่าเฉลี่ยจะใกล้เคียงมาเป็นปกติ แต่ข้อมูลตัวอย่างจะไม่บอกฉันว่ามูลค่าของที่nคือ; ข้อมูลตัวอย่างอาจไม่ปกติในขณะที่ค่าเฉลี่ยตัวอย่างเป็นไปตามปกติ / t Tมีกรณีที่คุณจะเปลี่ยน / ใช้การทดสอบที่ไม่ใช่พารามิเตอร์เมื่อในความเป็นจริงการกระจายตัวอย่างของค่าเฉลี่ยเป็นปกติ / แต่คุณไม่สามารถบอกได้?