检验功效与样本量:1 方差

规划针对目标值或历史值的过程离散程度 1 方差检验。输入样本量、比值(真实标准差除以假设标准差)和检验功效三者中的任意两个,工具通过精确的卡方计算求出第三个。它假定数据为正态,且对非正态性敏感。输出包含实际检验功效的结果表和检验功效曲线。

最后审阅

核心要点

1 方差的检验功效与样本量用于规划针对目标值的过程标准差卡方检验,可求解样本量、检验功效,或可检出的真实标准差与假设标准差之比。

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

1 方差的检验功效与样本量用于规划针对目标值或历史值的过程标准差(或方差)检验。它回答:检出给定的离散程度增大或减小需要多少次测量,计划样本的检验功效有多大,或给定样本能检出的最小离散程度变化是多少。变化以真实标准差与假设标准差之比的形式输入,因此无需输入标准差本身。输入样本量、比值和检验功效三者中的任意两个,工具即可求出第三个。可在进行 1 方差检验之前使用,例如检查过程变更是否使离散程度变差。

主要功能

  • 求解样本量、检验功效或比值:将想要求解的那个留空。
  • 可同时输入多个值,例如比值“1.25 1.5 2”和检验功效值“0.8 0.9”,每种组合各给出一行。
  • 双侧(Ratio ≠ hypothesized ratio)或单侧(小于、大于)备择假设,置信水平可自行选择。
  • 精确的卡方计算,不使用正态近似。
  • 每个比值的检验功效随样本量变化的曲线,并标出求解得到的点。

统计方法

计算所依据的检验是单个方差的卡方检验:从正态总体中取 n 个测量值,当真实标准差等于假设值 σ₀ 时,(n − 1)·S²/σ₀² 服从自由度为 n − 1 的卡方分布。如果真实标准差为 σ = r·σ₀,则同一统计量是 r² 倍的卡方变量,因此只有比值 r 起作用。显著性水平为 α = 1 − 置信水平 / 100。

对于“大于”备择假设,检验功效 = P(χ²ₙ₋₁ > c₁₋α / r²),其中 c₁₋α 是卡方上临界值。对于“小于”,检验功效 = P(χ²ₙ₋₁ < c_α / r²)。对于双侧检验,两侧尾部都计入,使用 c_α/2 和 c₁₋α/2。达到目标检验功效所需的样本量通过数值方法求得并向上取整,该整数处的检验功效作为实际检验功效报告。求解比值时,工具对“小于”备择假设在 1 以下搜索,其他情形在 1 以上搜索。

卡方检验假定数据为正态,且对偏离正态性敏感,因此运行检验时请检查数据的形状。检出离散程度的变化所需的数据比多数人预期的更多:像 1.25 这样的小比值需要大样本。

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。

Ratio(s)

以空格或逗号分隔,例如“1.5 2”。希望检出的真实标准差与假设标准差之比。留空则求解该比值。

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。

Confidence level

默认 95(α = 0.05);取值 75 至 100。

Alternative hypothesis

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

Power curve

默认勾选:绘制检验功效随样本量变化的曲线。

Title

输出和检验功效曲线上显示的标题。

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


图 1 — 求解样本量:Ratio(s) = 1.5,Power values = 0.8 0.9,置信水平 95% 的单侧(Ratio > hypothesized ratio)。

输出说明

  • Settings——求解的对象、置信水平和备择假设。
  • Results——每种组合一行:求解样本量时给出比值、样本量以及目标检验功效和实际检验功效,求解检验功效时给出检验功效,求解比值时给出比值。
  • Power Curve——每个比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-variance-output


图 2 — 示例的结果:要检出标准差增大 50%,80% 检验功效需要 19 片药片,90% 检验功效需要 27 片。

计算示例

某压片机的长期重量标准差为 2 mg。更换新的冲模组后,质量团队希望检查离散程度是否没有增大,而增大到 3 mg(比值为 1.5)就会成为问题。只有增大才重要,因此选择 Ratio > hypothesized ratio。他们将 Sample sizes 留空,输入 Ratio(s) = 1.5 和 Power values = 0.8 0.9,置信水平为 95%。

工具给出:80% 检验功效需要 19 片药片(实际检验功效 0.802),90% 检验功效需要 27 片药片(实际检验功效 0.900)。仅快速检查 10 片药片的检验功效只有 0.583。变化的幅度影响很大:以 80% 检验功效检出 1.25 的比值(2.5 mg)需要 61 片药片,而标准差翻倍只需要 8 片。比值为 1.5 的双侧检验在 80% 检验功效下需要 24 片药片。

常见问题

为什么离散程度的变化以比值的形式输入?

单个方差的卡方检验使用 (n - 1) 乘以 S 的平方再除以假设方差。如果真实标准差是假设标准差的 r 倍,则该统计量是 r 的平方倍的卡方变量,因此只有比值 r 起作用。因此,输入的是真实标准差与假设标准差之比,而不是标准差本身。

检出标准差的变化需要多少样本?

检出离散程度的变化所需的数据比多数人预期的更多。在一个计算示例中,以置信水平 95% 的单侧检验检出标准差增大 50%(比值 1.5),80% 检验功效需要 19 个,90% 检验功效需要 27 个。比值 1.25 在 80% 检验功效下需要 61 个,而翻倍只需要 8 个。

1 方差检验功效计算有哪些假设?

它假定测量值来自正态总体,因为单个方差的卡方检验依赖于正态性,且对偏离正态性敏感。运行检验时请检查数据的形状。计算本身是精确的,使用卡方分布而非正态近似。

1 方差检验应使用单侧还是双侧?

当只有离散程度的增大或只有减小才重要时(例如检查过程变更是否使变异变差),请选择单侧备择假设。双侧检验需要更多测量:在计算示例中,比值 1.5 在 80% 检验功效下,单侧需要 19 个,双侧需要 24 个。