单比率检验的功效与样本量

在收集数据之前规划单比率检验。输入样本量、备择比率和功效中的任意两项,再加上假设比率,工具即可求解第三项。它使用二项分布的正态近似,因此接近 0 或 1 的比率的结果仅供参考。支持双侧和单侧备择假设,输出含实际功效的结果表和功效曲线。

最后审阅

核心要点

单比率检验的功效与样本量用于规划单个比率(如不合格率)的检验,由另外两项求解样本量、检验功效或可检出的备择比率。

本页内容
  1. 用途
  2. 主要功能
  3. 统计方法
  4. 输入字段和选项
  5. 输出说明
  6. 计算示例

用途

单比率检验的功效与样本量在收集数据之前规划单个比率的检验,例如过程的不合格率、一次通过合格率的占比或延迟交付的比率,并与目标值或历史值比较。输入样本量、备择比率和功效中的任意两项,工具即可求解第三项:需要检验多少件,计划的样本有多大把握检出变化,或给定的样本所能检出的最小变化。在进行单比率检验之前使用。

主要功能

  • 求解样本量、功效或备择比率:将您想求解的一项留空。
  • 可同时输入多个值,例如备择比率 “0.02 0.03” 和功效值 “0.8 0.9”,每种组合给出一行。
  • 双侧(Proportion ≠ hypothesized proportion)或单侧(小于、大于)备择假设,置信水平由您选择。
  • 求解样本量时,报告取整后的件数及其对应的实际功效。
  • 针对每个备择比率绘制功效对样本量的功效曲线,并标出求解得到的点。

统计方法

该工具使用二项分布的正态近似(不提供精确二项方法)。显著性水平 α = 1 − 置信水平 / 100。设 p₀ 为假设比率,p₁ 为备择比率,z 为临界值:双侧备择假设为 z₁₋α/₂,单侧为 z₁₋α。

对于“大于”备择假设,令 Δ = p₁ − p₀;对于“小于”,Δ = p₀ − p₁;对于双侧备择假设,Δ = |p₁ − p₀|。样本量为 n 时的功效为 Φ((Δ·√n − z·√(p₀(1 − p₀))) / √(p₁(1 − p₁))),其中 Φ 为标准正态分布函数。目标功效对应的样本量为 n = ((z·√(p₀(1 − p₀)) + z_β·√(p₁(1 − p₁))) / Δ)²,其中 z_β 为目标功效的正态分位数;n 向上取整为下一个整数,并将该 n 对应的功效报告为实际功效。求解备择比率时,对于“小于”备择假设,工具在 p₀ 以下搜索,否则在 p₀ 以上搜索(因此双侧运行报告的是 p₀ 以上的值)。

单侧检验只有在备择比率位于备择假设所指的一侧时才有功效:当选择 Proportion < hypothesized proportion 时,高于 p₀ 的备择比率给出接近 0 的功效,据此求解样本量会返回错误信息。接近 0 或 1 的比率会使正态近似的准确性降低;对于非常小的缺陷率,答案仅供参考。功效随样本量和差距的增大而升高,随置信水平的提高而降低。

输入字段和选项

字段

说明

Sample sizes

件数。以空格或逗号分隔,例如 “50 100 150”。留空则求解样本量。

Hypothesized proportion

必填。目标比率、声称比率或历史比率 p₀,介于 0 和 1 之间。

Alternative proportion(s)

以空格或逗号分隔,例如 “0.5 0.6”。您想检出的比率。留空则求解该比率。

Power values

以空格或逗号分隔,例如 “0.8 0.9”。留空则求解功效。

Confidence level

默认为 95(α = 0.05);范围 75 至 100。

Alternative hypothesis

Proportion ≠ hypothesized proportion(默认)、Proportion < hypothesized proportion 或 Proportion > hypothesized proportion。

Power curve

默认勾选:绘制功效对样本量的曲线。

Title

显示在输出和功效曲线上的标题。

power-and-sample-size-1-proportion-inputs


图 1 — 求解样本量:Hypothesized proportion = 0.05,Alternative proportion(s) = 0.03,Power values = 0.8 0.9,单侧(Proportion < hypothesized proportion),置信水平 95%。

输出说明

  • Settings —— 求解的对象、假设比率、置信水平和备择假设。
  • Results —— 每种组合一行:备择比率、样本量,以及求解样本量时的目标功效和实际功效,求解功效时的功效,或求解备择比率时的备择比率。
  • Power Curve —— 针对每个备择比率绘制功效对样本量的曲线,并标出计算得到的点。
  • 通过 Download 导出 PDF。

power-and-sample-size-1-proportion-output


图 2 — 示例的结果:要检出不合格率从 5% 降至 3%,80% 功效需要 631 个零件,90% 功效需要 833 个。

计算示例

某注塑单元过去一年的不合格率一直为 5%。预计一项工艺变更会将其降至 3%,团队希望试运行的规模足够大,以便用单比率检验证明这一下降。只有下降才有意义,因此他们选择单侧备择假设 Proportion < hypothesized proportion。他们将 Sample sizes 留空,输入 Hypothesized proportion = 0.05,Alternative proportion(s) = 0.03,Power values = 0.8 0.9,置信水平为 95%。

工具显示,80% 功效需要 631 个零件(实际功效 0.801),90% 功效需要 833 个零件(实际功效 0.900)。缺陷率小需要大样本:若试验只有 300 个零件,功效为 0.472,因此试验约有一半的概率会漏检降至 3% 的真实下降。在 300 个零件和 80% 功效下,该检验能可靠显示的最小下降是降至约 2.2%(备择比率 0.0222)。双侧检验在 80% 功效下需要 815 个零件,而更大的预期改善(降至 2%)在单侧检验下,80% 功效只需 253 个零件。

常见问题

单比率检验的样本量如何计算?

该工具使用二项分布的正态近似:n = ((z 乘以 p0(1 - p0) 的平方根 + z_beta 乘以 p1(1 - p1) 的平方根) / delta) 的平方,其中 p0 为假设比率,p1 为备择比率,delta 为二者之差。结果向上取整为整数,并将该样本量对应的功效报告为实际功效。

为什么缺陷率小需要大样本?

要检出低比率的微小变化,需要检验很多件。在计算示例中,用置信水平 95% 的单侧检验证明不合格率从 5% 降至 3%,80% 功效需要 631 个零件,90% 功效需要 833 个零件。只有 300 个零件的试验功效为 0.472,因此约有一半的概率会漏检真实的下降。

单比率检验应使用单侧还是双侧备择假设?

单侧检验需要的件数较少,但只有在备择比率位于备择假设所指的一侧时才有功效;在错误的一侧功效接近 0,据此求解样本量会返回错误。在 5% 降至 3% 的示例中,单侧检验在 80% 功效下需要 631 个零件,而双侧检验需要 815 个。

如何在 Zometric Statistical Software 中运行单比率检验的功效与样本量?

将您想求解的量留空:样本量、备择比率或功效。输入假设比率和另外两个值,选择置信水平和备择假设,然后计算。可同时输入多个值,每种组合给出一行结果,并且默认绘制功效对样本量的功效曲线。