В расчетах мощности мы калибруем тесты, используя знания о том, каким будет распределение выборки статистики теста под нулевой гипотезой. Обычно оно следует за или нормальным распределением. Это позволяет вычислять «критические значения», для которых значения, превышающие это, считаются слишком сильно несовместимыми с тем, что можно было бы ожидать, если бы значение NULL было истинным.χ2
Мощности статистического теста вычисляется путем определения модели вероятности для процесса формирования данных в соответствии с альтернативной гипотезой и вычислением распределения выборки для одной и той же тестовой статистики. Это теперь принимает другое распределение.
Для тестовой статистики, имеющей под нулем, они принимают нецентральное под альтернативой, которую вы создаете. Это очень сложные распределения, но стандартное программное обеспечение может легко рассчитать плотность, распределение и квантили для них. Хитрость в том, что они представляют собой свертку стандартных плотностей и пуассоновских плотностей. В R, то , и функции у всех есть дополнительный аргумент , который, по умолчанию, 0.χ2χ2χ2dchisq
pchisq
rchisq
ncp
Если тестовая статистика имеет стандартное нормальное распределение при нулевой гипотезе, она будет иметь ненулевое среднее нормальное распределение при альтернативе. Здесь это среднее означает параметр нецентральности. Для t-теста в предположении равной дисперсии среднее значение определяется как:
δ= μ1- μ2σр о о л е д/ н--√
В любом случае данные, сгенерированные в соответствии с альтернативной гипотезой, будут иметь статистику теста после некоторого нецентрального распределения с параметром нецентральности ( ). является иногда неизвестна, часто сложной функцией других параметров генерации данных.δδ