QTL作图中零假设检验统计量分布特征及LOD临界值估计方法

研究QTL作图中零假设检验统计量分布特征,可以帮助我们选取合适的LOD临界值,以控制全基因组显著性概率水平下犯第一类错误的概率。本文利用模拟方法,研究了QTL作图中单个扫描位点的似然比检验(LRT)统计量在零假设下的分布特征、影响最大LOD统计量累积分布的因素以及不同群体在不同标记密度下有效独立检验次数与染色体长度的关系。结果表明,在定位加显性效应QTL的一维扫描和定位上位性互作QTL的二维扫描中,单个扫描位置上的LRT统计量均服从卡方分布,其自由度等于检测QTL遗传参数的个数;染色体个数、群体大小和表型测量误差方差对零假设下检验统计量的分布没有影响,即不影响LOD临界值的选取,而群体类型、标记密度和染色体长度有明显影响,BC1、RIL和F2三种类型的群体中,BC1群体的临界值最小,F2群体的临界值最大,标记越密染色体越长,对应的LOD临界值越大;QTL一维扫描中有效独立检验次数与染色体长度呈正比,二维扫描中有效独立检验次数与染色体长度呈二次幂关系。借助Bonferroni矫正,给出了全基因组显著性水平与单个扫描位点显著性水平间的关系,因此,研究者可根据作图群体的群体类型、标记密度和基因组长度,很方便地确定特定全局显著性概率水平下的LOD临界值。

与零假设检验有关的统计分析流程

人们熟知的零假设显著性检验,受到一次次质疑与辩护,地位并未动摇,报告检验结果仍然是统计分析的习惯做法。不过,其局限性促使研究者探寻更多的统计方法如区间估计、效应量分析、检验力分析等。本文先介绍假设检验与置信区间的关系;然后讨论检验力与两类错误率和效应量的关系;最后在理顺上述统计方法的基础上,提供一个可操作的统计分析流程。

零假设检验和元分析之间的逻辑连贯性

零假设检验的结果分为三种情况,它把样本空间分为三个部分:备择假设的接受域S1、零假设的接受域S0,以及接受备择假设和零假设都不合适的模糊区域S2,从而β被分为两个部分:P(X∈S2|H1)和P(X∈S0|H1)。数据分析表明:P(X∈S2|H1)远大于P(X∈S0|H1),并且元分析所导致β的降低主要是P(X∈S2|H1)的降低。当样本观察值落在S0中时,统计推断的不明确性会驱使研究者做元分析研究从而能够明确地作出或者接受备择假设或者接受零假设的统计决策。

复杂零假设的边界P值及其应用

本文研究零假设为复杂情况时的P值问题。对于一维正态均值的单边检验H_0:θ≤θ_0,P值是指拒绝域在参数θ=θ_0时的概率。根据这一想法,本文定义了一般情况下的边界P值。当零假设是一个多面体凸锥时,本文给出了一个计算边界P值的方法,并利用这个方法解决了一个实际问题。

关于参数假设检验中零假设的选择

在统计的参数假设检验中,对可能作出的2个相互对立的假设,存在如何选择零假设的问题;而且对同一样本信息,由于零假设的不同选取,可能会得到不同的检验结论.分析了参数的显著性检验中由于零假设的不同选择所出现的问题,探讨了零假设的选择原则.

略谈假设检验中零假设的确定

假设检验是统计推断的重要内容,而假设检验问题首先便面临零假设的确定。本文中笔者试图通过对假设检验的统计逻辑分析,认识零假设与被择假设的非对称性,探索针对具体统计问题零假设的确定方法,并尝试以双向检验的办法解决零假设与被择假设地位有争议情况下的假设检验问题。

一、“零假设”管理原理运用于城市管理的两个实例

管理者在制定管理策略的时候需要做一些基本假设，所有的具体管理措施、方法和手段都是基于这些假设而设计的。这样的管理假设，笔者称之为“基础性管理假设”。例如，关于人性的假设就属于基础性管理假设。在具体的管理活动中（无论社会管理、城市管理，还是企业管理等均如此），基础性假设有很多，有些是管理者明确表达出来的，有些则是隐含于各种管理方法和手段之中。

对评分者信度检验中零假设的更正

我们通常采用Friedman双向秩次方差分析和Kendall和谐系数检验法来进行评分者信度检验。在绝大多数书籍中 ,此检验的零假设都被设置成“H0 :m个评分者对n个被评对象的评分是一致的”。但是 ,这一零假设是错误的 。

单侧检验中的零假设应当“反设”

本文说明了在单侧检验中的零假设应当根据有关的样本数字特征(如(?),S^2等)而进行反设。

P值之争与管理学研究:先验概率的意义

P值之争的本质是人们把统计检验和统计推断混淆,直接用统计检验结果来进行统计推断.这导致许多似是而非的理论被接受.统计检验犯错的是假阳性概率.统计推断犯错的是假阳性之反概率.两种概率之间的数值关系受先验概率影响很大.先验概率越高,利用统计检验的结果进行推断所犯错误概率就越小.如果先验概率很小,即使假阳性概率很小,利用该结果进行推断所犯错误概率也很大.本文以管理学研究为例,提出解决该问题的办法是,通过与现实和与理论的双重对话来掌握先验概率,以提高基于统计检验的结果进行统计推断的可靠性.本文的科学哲学意义是,揭示了科学研究是先验与经验相统一的本质,以及科学研究的不充分决定性的特征.

接受零结果——论心理学实验中的零结果

针对目前心理学研究中存在的对零结果过分拒绝的现象,文章首先解释了出现该现象的原因,然后提出了拒绝零结果可能产生的错误,并进一步探讨了接受零结果的理论和实践意义,希望对心理学,人类工效学工作者有方法学上的指导意义。

一种求解假设检验拒绝域和计算p-值的系统化方法

提出了假设检验中零假设拒绝域和检验的p-值的系统化求解方法,证明了该方法保证p-值检验的完备性,即当p-值大于给定显著性水平时,接受零假设;否则,拒绝零假设而接受备择假设。

对假设检验使用中一个常见错误的澄清

是否接受某个假设应该取决于这个假设成立的概率.当从实验获得样本观察值X之后,假设H成立的概率就是P(H/X).所以,应该把P(H/X)≥e(e是一个足够大的概率常数)规定为接受假设H的条件并进而规定为确定H接受域的方法.这个方法对备择假设和零假设是同样适用的,据此可以证明:零假设的接受域不是备择假设接受域的余集.

谈谈假设检验中假设的问题

假设检验是统计学教学的重点内容之一。在假设检验中如何进行假设一直是困扰学生的一个问题,本文就此问题作了一定的探讨。

简析统计假设的两个问题

以新的视角对假设检验中的两个假设进行了剖析,提出了如何确定零假设与备择假设的方法。

参数假设检验教学中的几个问题

在概率统计教学的基础上,对参数假设检验教学中出现的学生难于理解的几个问题做了系统的总结,主要包括决策的依据,拒绝域的选择以及决策可靠性的判断,其中对做出"接受零假设"决策的可靠性给出了解释。

双侧假设检验的理论与应用——GB/T14900中表4的改进

采用统计量的标准化方法,研究了均值（μ）的双侧假设检验的一般理论与方法（σ2未知）。该成果为具有双侧限产品的监督检验提供理论基础和应用方法,并对GB/T14900表4提出改进建议。 1.引言 设X～N（μ·σ2）,σ2已知,对平均值μ的双侧假设检验为 零假设H0:μ=μ0,(H1:μ≠μ0)