使用distributions3包进行单样本Z检验的完整指南

引言

在统计学中，Z检验是一种常用的假设检验方法，用于判断样本均值是否显著不同于已知总体均值。本文将详细介绍如何使用distributions3包在R中执行单样本Z检验，包括假设检验的各个步骤、计算p值、确定拒绝域以及进行功效和样本量计算。

数据准备与问题描述

假设一位学生想估计教授们知道并喜爱的表情包数量。经过一年观察，记录了以下10个班级的表情包使用数量：

x <- c(3, 7, 11, 0, 7, 0, 4, 5, 6, 2)

根据其他类似研究，可以假设总体标准差σ=2。我们的目标是检验教授平均知道3个表情包的假设是否成立。

正态性检验

在进行Z检验前，需要验证数据是否满足正态性假设。对于小样本(n<30)，我们可以使用Q-Q图：

qqnorm(x)
qqline(x)

如果数据点大致落在参考线附近，没有系统性偏离，则可以认为数据近似正态分布。从图中可以看出，本例数据满足正态性假设。

假设检验步骤

1. 建立假设

我们设定：

• 零假设H₀: μ = 3
• 备择假设H₁: μ ≠ 3

2. 计算检验统计量

Z统计量计算公式为： Z = (x̄ - μ₀) / (σ/√n)

在R中计算：

n <- length(x)
z_stat <- (mean(x) - 3) / (2 / sqrt(n))

3. 计算p值

使用distributions3包计算双尾p值：

library(distributions3)
Z <- Normal(0, 1)  # 标准正态分布
p_value <- 2 * cdf(Z, -abs(z_stat))

理解p值计算

p值表示在零假设成立的情况下，观察到当前或更极端结果的概率。对于双尾检验，我们考虑两个方向的极端情况：

1. 直接计算： p = P(Z ≥ |z|) + P(Z ≤ -|z|) = 2 * P(Z ≤ -|z|)

2. 使用对称性： p = 2 * Φ(-|z|)

在distributions3包中，我们使用第二种方法，因为它计算更高效且避免了重复计算。

单尾检验

有时我们只关心单一方向的差异：

1. 右尾检验(H₁: μ > μ₀): p = P(Z > z) = 1 - Φ(z)

2. 左尾检验(H₁: μ < μ₀): p = P(Z < z) = Φ(z)

拒绝域的三种表示方式

1. p值表示：当p < α时拒绝H₀
2. 检验统计量表示：当|z| > z_{1-α/2}时拒绝H₀
3. 样本均值表示：当x̄超出μ₀ ± z_{1-α/2}*(σ/√n)时拒绝H₀

这三种表示本质上是等价的，只是表达形式不同。

功效分析

功效(1-β)是指当H₀为假时正确拒绝H₀的概率。计算功效需要考虑真实的μ值(μ_A)。

功效计算公式

对于双尾检验，功效为： P(Z < (μ₀-μ_A)/(σ/√n) + z_{α/2}) + P(Z > (μ₀-μ_A)/(σ/√n) + z_{1-α/2})

例如，当真实μ=5时：

effect <- (3 - 5) / (2 / sqrt(10))
power_lower <- effect + quantile(Z, 0.025)
power_upper <- effect + quantile(Z, 0.975)
power <- cdf(Z, power_lower) + (1 - cdf(Z, power_upper))

样本量计算

为了达到特定功效(1-β)，所需样本量n可通过以下公式计算：

n ≈ [σ*(z_{α/2} + z_β)/(μ₀ - μ_A)]²

例如，要检测μ从2变为3的差异，功效90%：

n <- (2 * (quantile(Z, 0.025) + quantile(Z, 0.1)) / (2 - 3))^2

实际应用建议

1. 优先报告精确p值，而非简单的"显著/不显著"
2. 考虑效应大小而不仅仅是统计显著性
3. 在实验前进行功效分析，确保样本量足够
4. 检查正态性假设，特别是小样本时
5. 使用distributions3包可以简化分布相关计算

总结

本文通过一个实际案例，详细介绍了使用distributions3包进行单样本Z检验的全过程。从数据准备、假设检验到功效分析，distributions3包提供了简洁而强大的工具，使统计计算更加直观和高效。理解这些基础统计方法对于正确进行数据分析和结果解释至关重要。