檢定力與樣本數:1 變異數

規劃針對目標值或歷史值的製程離散程度 1 變異數檢定。輸入樣本數、比值(真實標準差除以假設標準差)和檢定力三者中的任意兩個,工具透過精確的卡方計算求出第三個。它假定資料為常態,且對非常態性敏感。輸出包含實際檢定力的結果表和檢定力曲線。

最後審閱

核心要點

1 變異數的檢定力與樣本數用於規劃針對目標值的製程標準差卡方檢定,可求解樣本數、檢定力,或可檢出的真實標準差與假設標準差之比。

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

1 變異數的檢定力與樣本數用於規劃針對目標值或歷史值的製程標準差(或變異數)檢定。它回答:檢出給定的離散程度增大或減小需要多少次量測,計畫樣本的檢定力有多大,或給定樣本能檢出的最小離散程度變化是多少。變化以真實標準差與假設標準差之比的形式輸入,因此無需輸入標準差本身。輸入樣本數、比值和檢定力三者中的任意兩個,工具即可求出第三個。可在進行 1 變異數檢定之前使用,例如檢查製程變更是否使離散程度變差。

主要功能

  • 求解樣本數、檢定力或比值:將想要求解的那個留空。
  • 可同時輸入多個值,例如比值「1.25 1.5 2」和檢定力值「0.8 0.9」,每種組合各給出一列。
  • 雙側(Ratio ≠ hypothesized ratio)或單側(小於、大於)對立假設,信賴水準可自行選擇。
  • 精確的卡方計算,不使用常態近似。
  • 每個比值的檢定力隨樣本數變化的曲線,並標出求解得到的點。

統計方法

計算所依據的檢定是單一變異數的卡方檢定:從常態母體中取 n 個量測值,當真實標準差等於假設值 σ₀ 時,(n − 1)·S²/σ₀² 服從自由度為 n − 1 的卡方分配。如果真實標準差為 σ = r·σ₀,則同一統計量是 r² 倍的卡方變數,因此只有比值 r 起作用。顯著水準為 α = 1 − 信賴水準 / 100。

對於「大於」對立假設,檢定力 = P(χ²ₙ₋₁ > c₁₋α / r²),其中 c₁₋α 是卡方上臨界值。對於「小於」,檢定力 = P(χ²ₙ₋₁ < c_α / r²)。對於雙尾檢定,兩側尾部都計入,使用 c_α/2 和 c₁₋α/2。達到目標檢定力所需的樣本數透過數值方法求得並向上取整,該整數處的檢定力作為實際檢定力報告。求解比值時,工具對「小於」對立假設在 1 以下搜尋,其他情形在 1 以上搜尋。

卡方檢定假定資料為常態,且對偏離常態性敏感,因此執行檢定時請檢查資料的形狀。檢出離散程度的變化所需的資料比多數人預期的更多:像 1.25 這樣的小比值需要大樣本。

輸入欄位和選項

欄位

說明

Sample sizes

以空格或逗號分隔,例如「10 20 30」。留空則求解樣本數。

Ratio(s)

以空格或逗號分隔,例如「1.5 2」。希望檢出的真實標準差與假設標準差之比。留空則求解該比值。

Power values

以空格或逗號分隔,例如「0.8 0.9」。留空則求解檢定力。

Confidence level

預設 95(α = 0.05);取值 75 至 100。

Alternative hypothesis

Ratio ≠ hypothesized ratio(預設)、Ratio < hypothesized ratio 或 Ratio > hypothesized ratio。

Power curve

預設勾選:繪製檢定力隨樣本數變化的曲線。

Title

輸出和檢定力曲線上顯示的標題。

power-and-sample-size-1-variance-inputs


圖 1 — 求解樣本數:Ratio(s) = 1.5,Power values = 0.8 0.9,信賴水準 95% 的單側(Ratio > hypothesized ratio)。

輸出說明

  • Settings——求解的物件、信賴水準和對立假設。
  • Results——每種組合一列:求解樣本數時給出比值、樣本數以及目標檢定力和實際檢定力,求解檢定力時給出檢定力,求解比值時給出比值。
  • Power Curve——每個比值的檢定力隨樣本數變化的曲線,並標出計算得到的點。
  • 透過 Download 匯出 PDF。

power-and-sample-size-1-variance-output


圖 2 — 範例的結果:要檢出標準差增大 50%,80% 檢定力需要 19 片藥片,90% 檢定力需要 27 片。

計算範例

某壓片機的長期重量標準差為 2 mg。更換新的沖模組後,品質團隊希望檢查離散程度是否沒有增大,而增大到 3 mg(比值為 1.5)就會成為問題。只有增大才重要,因此選擇 Ratio > hypothesized ratio。他們將 Sample sizes 留空,輸入 Ratio(s) = 1.5 和 Power values = 0.8 0.9,信賴水準為 95%。

工具給出:80% 檢定力需要 19 片藥片(實際檢定力 0.802),90% 檢定力需要 27 片藥片(實際檢定力 0.900)。僅快速檢查 10 片藥片的檢定力只有 0.583。變化的幅度影響很大:以 80% 檢定力檢出 1.25 的比值(2.5 mg)需要 61 片藥片,而標準差翻倍只需要 8 片。比值為 1.5 的雙尾檢定在 80% 檢定力下需要 24 片藥片。

常見問題

為什麼離散程度的變化以比值的形式輸入?

單一變異數的卡方檢定使用 (n - 1) 乘以 S 的平方再除以假設變異數。如果真實標準差是假設標準差的 r 倍,則該統計量是 r 的平方倍的卡方變數,因此只有比值 r 起作用。因此,輸入的是真實標準差與假設標準差之比,而不是標準差本身。

檢出標準差的變化需要多少樣本?

檢出離散程度的變化所需的資料比多數人預期的更多。在一個計算範例中,以信賴水準 95% 的單尾檢定檢出標準差增大 50%(比值 1.5),80% 檢定力需要 19 個,90% 檢定力需要 27 個。比值 1.25 在 80% 檢定力下需要 61 個,而翻倍只需要 8 個。

1 變異數檢定力計算有哪些假設?

它假定量測值來自常態母體,因為單一變異數的卡方檢定依賴於常態性,且對偏離常態性敏感。執行檢定時請檢查資料的形狀。計算本身是精確的,使用卡方分配而非常態近似。

1 變異數檢定應使用單側還是雙側?

當只有離散程度的增大或只有減小才重要時(例如檢查製程變更是否使變異變差),請選擇單側對立假設。雙尾檢定需要更多量測:在計算範例中,比值 1.5 在 80% 檢定力下,單側需要 19 個,雙側需要 24 個。