统计推断

最新推荐文章于 2025-05-08 14:51:15 发布

原创最新推荐文章于 2025-05-08 14:51:15 发布 · 1.4k 阅读

CC 4.0 BY-SA版权

文章标签：

16 篇文章

订阅专栏

本文探讨了统计推断的基础概念，包括参数估计和假设检验，并详细介绍了TTEST过程在独立样本、成对样本及两样本均值比较中的应用。通过实例分析，展示了如何在不同场景下使用TTEST进行假设检验。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参数估计
假设检验: $H0:μ=μ0⇔H1:μ≠μ0H_0 :\mu=\mu_0\Leftrightarrow H1:\mu\neq\mu_0$ ;
统计推断是建立在总体分布已知的前提下的。

TTEST过程

proc ttest data=数据集名<选项>;
class 变量;
by 变量列表;
paired 变量列表;
var 变量列表;
run;

注：
proc中的选项H0=m可指定均值，默认下为0。

在显著性水平为0.05下检验sashelp.class中的学生身高是否为60英尺。
代码：

proc ttest data=sashelp.class h0=60 alpha=0.05;
var height;
run;

结果：
p值大于0.05，可以接受原假设。

下表为某厂10名工人生产产品的合格率，现采用新技术，分析在95%的置信度下采用新技术后产品的合格率是否显著提高？
在这里插入图片描述
代码：

proc ttest data=temp;
paired percent1*percent2;    *原假设即为percent1与percent2的均值有无显著区别；
run;

结果：

p值远大于0.05，故原假设成立，合格率无显著差别。

现对甲乙两车间工人完成某项工艺的时间进行抽样统计，其基本情况如下表，试分析在95%的置信度下甲乙两车间工人工作效率是否有显著差异？

代码：

proc ttest data=temp;
class a; *a表示车间；
var b; *b表示所用时间；
run;

结果：
p值>0.05，可以认为所用时间是相同的。