單樣本卜瓦松率檢定

單樣本卜瓦松率檢定估計單位暴露量下的事件率,並與假設比率進行比較。適用於固定暴露量內獨立事件的計數,而非合格/不合格資料。資料可以是一欄計數,也可以是樣本數和總數。可選精確法或常態近似法,輸出樣本率、其信賴區間和 p 值。

最後審閱

核心要點

單樣本卜瓦松率檢定用於估計事件發生的比率,如每塊面板的缺陷數或每月的故障次數,給出信賴區間,並檢定其是否不同於目標或歷史比率。

本頁內容
  1. 用途
  2. 主要功能
  3. 統計方法
  4. 輸入欄位和選項
  5. 輸出說明
  6. 計算範例

用途

單樣本卜瓦松率檢定估計事件發生的比率,如每塊面板的缺陷數、每月故障次數或每小時來電次數,並與目標或歷史比率進行比較。它給出帶信賴區間的比率,並可根據需要檢定該比率是否不同於假設值、高於或低於假設值。適用於固定暴露量(單元、面積、時間)內且每個事件相互獨立的事件計數;對於合格/不合格結果,則應使用 1 Proportion 檢定。

主要功能

  • 資料可以是一欄計數(每個單元一個計數),也可以是彙總資料:樣本數和總髮生次數。
  • 精確法(精確卜瓦松檢定和精確信賴區間)或常態近似法(z 檢定)。
  • 雙側或單側對立假設,並匹配雙側區間或單側界限。
  • 可按任意觀測長度計算比率,例如每塊面板、每 100 m² 或每班次。
  • 清除 Perform hypothesis test 後,僅給出信賴區間而不進行檢定。

統計方法

有 N 個單元,每個單元的觀測長度為 t(Length of observation,預設 1),則總暴露量為 T = N·t。若共計數到 X 個事件,則樣本率為 λ̂ = X / T。在虛無假設下,計數 X 服從平均值為 μ₀ = λ₀·T 的卜瓦松分配,其中 λ₀ 為假設比率。

精確法:對於 Rate > hypothesized rate,p 值為 P(X ≥ x | μ₀);對於 Rate < hypothesized rate,p 值為 P(X ≤ x | μ₀);對於雙尾檢定,p 值再加上另一側尾部中按概似比規則同樣不可能的計數以外的機率。信賴區間為基於卡方分配的精確(Garwood)區間:下限 = χ²(α/2; 2x) / (2T),上限 = χ²(1 − α/2; 2x + 2) / (2T),單側界限則將 α / 2 替換為 α。

常態近似法:z = (λ̂ − λ₀) / √(λ₀ / T),p 值取自標準常態分配,區間為 λ̂ ± z·√(λ̂ / T),下限截斷於零。當期望計數較大時,它與精確法接近。兩種方法都假定事件以恆定速率獨立發生,因此計數的變異數等於其平均值;如果計數的變化遠大於平均值(缺陷成簇出現),p 值將偏小。

輸入欄位和選項

欄位

說明

Data

Summarized data(預設)或 Counts in a column。

Sample

選擇 Counts in a column 時:計數所在的欄,每個單元一個計數。計數必須是 0 或以上的整數;空白儲存格將被忽略。

Sample size / Total occurrences

選擇 Summarized data 時:單元數和所計數的事件總數。

Perform hypothesis test

預設勾選。清除後僅得到比率及其信賴區間。

Hypothesized rate

檢定時必填。每個觀測長度的目標或歷史比率;大於 0。

Confidence level

預設 95;範圍 75 至 100。

Alternative hypothesis

Rate ≠ hypothesized rate(預設)、Rate < hypothesized rate 或 Rate > hypothesized rate。

Method

Exact(預設)或 Normal approximation。

Length of observation

預設 1。每個單元的暴露量,單位與比率所用單位一致。

one-sample-poisson-rate-test-inputs


圖 1 — 範例所用選項:統計每塊面板上的油漆缺陷數,假設比率 2,雙側,精確法。

輸出說明

  • Descriptive Statistics — N、Total Occurrences、Sample Rate 以及 λ 的信賴區間(單尾檢定時為下限或上限),並附註說明所用的欄、方法以及不為 1 的觀測長度。
  • Test — 虛無假設和對立假設,以及 P-Value(常態近似法還給出 Z-Value)。
  • 透過 Download 匯出 PDF。

one-sample-poisson-rate-test-output


圖 2 — 50 塊面板上的 148 個缺陷:比率為每塊面板 2.96,95% 信賴區間 2.502 至 3.477,相對於歷史比率 2,p < 0.001。

計算範例

汽車車門面板歷史上平均有 2 個油漆缺陷。一名塗裝現場的工程師隨機檢查了 50 塊面板,並統計每塊上的缺陷數。比率是否發生了變化?Data = Counts in a column,Sample = Paint Defects,Hypothesized rate = 2,Confidence level = 95,Alternative hypothesis = Rate ≠ hypothesized rate,Method = Exact,Length of observation = 1。

50 塊面板共有 148 個缺陷,樣本率為每塊面板 2.96 個缺陷。λ 的 95% 信賴區間為 2.502 至 3.477:整個區間都高於 2。精確 p 值低於 0.001,因此缺陷率已發生變化,約為之前的一倍半。這些計數看起來符合卜瓦松分配:其變異數(2.37)接近平均值,因此沒有跡象表明缺陷成簇出現而使檢定過於樂觀。

常態近似法得出相同的結論(z = 4.8,p < 0.001,區間 2.483 至 3.437)。如果問題僅是比率是否上升,Rate > hypothesized rate 給出的 95% 下限為每塊面板 2.571 個缺陷:缺陷率至少比歷史水準高約 29%,工程師應查詢塗裝製程中發生了什麼變化。使用 Data = Summarized data、Sample size = 50 和 Total occurrences = 148 可得到相同的結果。

常見問題

什麼是單樣本卜瓦松率檢定?

單樣本卜瓦松率檢定估計事件發生的比率,如每塊面板的缺陷數、每月故障次數或每小時來電次數,並與目標或歷史比率進行比較。它給出帶信賴區間的比率,並可檢定該比率是否不同於假設值、高於或低於假設值。

何時應使用卜瓦松率檢定而不是單比率檢定?

對於固定暴露量(如單元、面積或時間)內的事件計數,且每個事件相互獨立、一個單元可有多個事件時,使用卜瓦松率檢定。對於合格/不合格結果,即每個項目只是合格或不合格,請改用 1 Proportion 檢定。

卜瓦松率檢定有哪些假設?

精確法和常態近似法都假定事件以恆定速率獨立發生,因此計數的變異數等於其平均值。如果計數的變化遠大於平均值,例如缺陷成簇出現時,p 值將偏小。

精確法和常態近似法有什麼區別?

精確法使用卜瓦松分配計算 p 值,並使用基於卡方分配的精確 Garwood 區間。常態近似法使用 z 檢定,區間為比率加減 z 乘以比率除以暴露量的平方根。當期望計數較大時,它與精確法接近。