单样本 t 检验的功效与样本量

用于规划将一个均值与目标值或标称值比较的单样本 t 检验。输入样本量、差值和检验功效三者中的任意两项,再加上假定的标准差,工具即可求解第三项。它假定数据服从正态分布且标准差由样本估计,并根据非中心 t 分布计算检验功效。输出包含实际功效的结果表和功效曲线。

最后审阅

核心要点

单样本 t 检验的功效与样本量用于计算单样本 t 检验检测相对于目标均值的偏移需要多少个测量值、计划样本所具有的检验功效,或可检测的最小偏移。

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

单样本 t 检验的功效与样本量用于在收集数据之前,规划将一个均值与目标值或标称值比较的检验:需要多少个测量值才能检测到有意义的偏移,计划样本检测到该偏移的概率(检验功效)有多大,或给定样本能检测到的最小偏移。输入样本量、差值和检验功效三者中的任意两项,工具即求解第三项。可在单样本 t 检验之前使用,例如检查机器是否对中于标称值,或材料是否满足规定的均值。

主要功能

  • 求解样本量、检验功效或差值:将想求解的一项留空。
  • 一次输入多个值,例如差值“0.01 0.02”和功效值“0.8 0.9”,每种组合给出一行。
  • 双侧(Mean ≠ hypothesized mean)或单侧(Mean < hypothesized mean、Mean > hypothesized mean)备择假设,置信水平可自行选择。
  • 求解样本量时,报告测量值的整数个数及其对应的实际功效。
  • 针对每个差值绘制检验功效随样本量变化的功效曲线,并标出求解得到的点。

统计方法

计算假定测量值来自正态总体,其标准差 σ 由样本估计,与单样本 t 检验相同。显著性水平为 α = 1 − 置信水平 / 100,标准化差值为 d = 差值 / σ,其中差值为真实均值减去假设均值。

检验功效是当真实均值与假设均值相差所输入的差值时,t 检验拒绝原假设的概率。它根据自由度为 n − 1、非中心参数为 δ = d·√n 的非中心 t 分布计算:对于双侧检验,功效 = P(T > t₁₋α/₂) + P(T < −t₁₋α/₂),其中 T 服从该非中心 t 分布;对于单侧检验,仅计入备择假设一侧的尾部。对于样本量,先求出达到目标功效的 n,并向上取整到下一个整数,再将该 n 对应的功效报告为实际功效。对于差值,则求出在给定 n 下达到目标功效的最小差值。

检验功效随样本量和差值的增大而上升,随 σ 增大或置信水平提高而下降。单侧检验在相同功效下所需的测量值更少,但只能检测所述方向上的偏移:对于 Mean > hypothesized mean,负差值得到的功效接近 0,据此求解样本量会返回错误信息。对于双侧检验,只有差值的大小起作用。在 Mean < hypothesized mean 下求解差值会返回负的差值。

输入字段和选项

字段

说明

Sample sizes

以空格或逗号分隔,例如“10 20 30”。留空则求解样本量。

Differences

以空格或逗号分隔,例如“1 2 3”。希望检测的与假设均值的差值,以测量单位计。留空则求解差值。

Power values

以空格或逗号分隔,例如“0.8 0.9”。留空则求解检验功效。

Standard deviation

必填。总体的假定标准差或历史标准差,例如来自以往数据或试运行。

Confidence level

默认为 95(α = 0.05);范围 75 至 100。

Alternative hypothesis

Mean ≠ hypothesized mean(默认)、Mean < hypothesized mean 或 Mean > hypothesized mean。

Power curve

默认勾选:绘制检验功效随样本量变化的曲线。

Title

显示在输出和功效曲线上的标题。

power-and-sample-size-1-sample-t-inputs


图 1 — 求解样本量:Differences = 0.01,Power values = 0.8 0.9,Standard deviation = 0.02,95% 置信水平下的双侧检验。

输出说明

  • Settings——求解的对象、标准差、置信水平和备择假设。
  • Results——每种组合一行:差值、样本量,求解样本量时还有目标功效和实际功效;求解功效时为功效;求解差值时为差值。
  • Power Curve——针对每个差值的检验功效随样本量变化的曲线,并标出计算得到的点。
  • 通过 Download 导出 PDF。

power-and-sample-size-1-sample-t-output


图 2 — 示例结果:要以 80% 的功效检测偏离标称值 0.01 mm 的偏移,需要 34 根轴;以 90% 的功效,需要 44 根。

计算示例

一个车削单元生产标称直径为 25.00 mm 的轴。换刀之后,主管想检查过程是否仍然对中,任一方向 0.01 mm 的偏移都会产生影响。以往数据显示直径的标准差为 0.02 mm。主管将 Sample sizes 留空,输入 Differences = 0.01、Power values = 0.8 0.9 和 Standard deviation = 0.02,并保持 95% 置信水平下的双侧备择假设。

工具显示,80% 的功效(实际功效 0.808)需要 34 根轴,90% 的功效(实际功效 0.900)需要 44 根轴。常规检查的 20 根轴,对于 0.01 mm 的偏移,功效仅为 0.565;用 20 根轴、80% 功效,检验能够可靠检测到的最小偏移为 0.0132 mm。若只有偏大的偏移才有影响(Mean > hypothesized mean),27 根轴即可达到 80% 的功效。

常见问题

单样本 t 检验的功效如何计算?

检验功效是当真实均值与假设均值相差所输入的差值时,t 检验拒绝原假设的概率。它根据自由度为 n - 1、非中心参数为 d 乘以 n 的平方根的非中心 t 分布计算,其中 d 为差值除以标准差。双侧检验同时计入两侧尾部。

进行单样本 t 检验功效分析时应输入什么标准差?

输入总体的假定标准差或历史标准差,例如来自以往数据或试运行。该项为必填,因为检验功效取决于差值相对于标准差的大小。检验功效随样本量和差值的增大而上升,随标准差增大或置信水平提高而下降。

单样本 t 检验需要多少个测量值?

在一个计算示例中,要检测标准差为 0.02 mm 的轴直径相对于标称值的 0.01 mm 偏移,95% 置信水平下的双侧检验,80% 的功效需要 34 根轴,90% 的功效需要 44 根。检查 20 根轴的功效仅为 0.565。若只有偏大的偏移才有影响,27 根轴即可达到 80% 的功效。

应选择单侧还是双侧备择假设?

单侧检验在相同功效下所需的测量值更少,但只能检测所述方向上的偏移。对于 Mean > hypothesized mean,负差值得到的功效接近 0,据此求解样本量会返回错误信息。对于双侧检验,只有差值的大小起作用,与其符号无关。