Skip to content

Statistics › 推論統計 › 假設檢查

假設檢查 (Assumption Checks) ​

母數檢定(t 檢定、ANOVA、迴歸)的前提不成立時,p 值可能無效、型一錯誤膨脹。先檢查,再檢定。

三大假設 ​

假設需要的方法檢查不成立時
獨立性 (independence)所有母數檢定研究設計、Durbin-Watson配對檢定、混合效應模型、GEE、ARIMA
常態性 (normality)t 檢定、ANOVA(對殘差)Q–Q 圖、Shapiro-Wilk轉換資料、無母數方法、n 大時依賴 CLT
變異數同質 (homoscedasticity)Student's t、ANOVALevene's testWelch's t / Welch's ANOVA

檢查順序:獨立 → 常態 → 等變異。獨立性是設計問題,一旦違反,其他檢查都沒意義,而且它造成的傷害最大。

迴歸的假設是針對殘差,不是原始資料,見 迴歸診斷。

常態性 (Normality) ​

H₀:資料來自常態分配。先看圖,再看檢定。Q–Q 圖的判讀見 單變數:數值型。

方法適用特點
Q–Q 圖任何 n最實用,能看出偏態、厚尾、離群
Shapiro-Wilkn ≤ 2000小樣本檢定力最好
Kolmogorov-Smirnov一般用途比較經驗 CDF 與理論 CDF;參數由資料估計時需 Lilliefors 校正
Anderson-Darling任何 n對尾部偏離更敏感
python
import scipy.stats as stats
import matplotlib.pyplot as plt
from statsmodels.stats.diagnostic import lilliefors

stats.probplot(data, dist="norm", plot=plt); plt.show()    # Q–Q 圖
stats.shapiro(data)                                        # Shapiro-Wilk:p ≤ 0.05 → 偏離常態
lilliefors(data, dist="norm")                              # K-S(Lilliefors 校正)
stats.anderson(data, dist="norm")                          # statistic > critical value → 拒絕

常態檢定的兩難

  • n 小(最需要常態假設時):檢定力不足,偏離了也測不出來。
  • n 大(> 200):微不足道的偏離也會顯著,但此時 CLT 已讓 t 檢定很穩健。

所以以 Q–Q 圖為主,並思考偏離的程度是否嚴重(強烈偏態、極端離群、Ordinal 資料)。

不常態時:(1) log、sqrt、Box-Cox 轉換,見 資料轉換;(2) 無母數檢定;(3) n ≥ 30 且偏離輕微時,依賴 CLT;(4) Bootstrap 或置換檢定。

變異數同質 (Homoscedasticity) ​

H₀:各組變異數相等。

檢定何時用
Levene's預設,對非常態穩健
Brown-Forsythe偏態或有離群值(= 以中位數為中心的 Levene)
Bartlett's已確認近似常態時(檢定力較高,但對非常態敏感)
python
stats.levene(g1, g2, g3)                     # 預設 center="median",即 Brown-Forsythe
stats.levene(g1, g2, g3, center="mean")      # 原始 Levene
stats.bartlett(g1, g2, g3)

不等時:兩組 → Welch's t(equal_var=False);三組以上 → Welch's ANOVA(pingouin.welch_anova);事後比較 → Games-Howell。

實務上很多人直接預設 Welch,跳過變異數檢定,這通常是更好的做法(先檢定再選方法本身也會影響錯誤率)。

獨立性 (Independence) ​

一個觀測值不影響另一個。最好由隨機抽樣與隨機分派保證,而不是靠檢定。

不獨立的來源例子對策
重複量測同一病人前後測、同一小鼠多個時間點配對檢定、重複量數 ANOVA、混合模型
群集 / 巢套 (nested)病人巢套在醫院內、細胞巢套在樣本內多層次模型 (multilevel model)、GEE
時間相關每日量測時間序列模型
空間相關相鄰位置的感測器空間模型(Moran's I)
批次效應同批次處理的樣本較相似把批次放進模型當共變數或隨機效應

假重複 (pseudoreplication):把同一隻小鼠的 1,000 個細胞當成 n = 1,000 個獨立樣本,會讓 SE 嚴重低估、p 值小得離譜。單細胞資料比較組別時,常見做法是先把細胞 pseudobulk(依樣本加總)再分析,有效樣本數是生物重複數。

python
from statsmodels.stats.stattools import durbin_watson
from statsmodels.sandbox.stats.runs import runstest_1samp

durbin_watson(model.resid)     # ≈ 2 無自相關;< 2 正自相關;> 2 負自相關
runstest_1samp(residuals)      # p ≤ 0.05 → 殘差序列非隨機

檢定前檢查清單 ​

項目檢查
☐ 獨立性隨機抽樣 / 分派?有沒有重複量測、群集、批次?分析單位是什麼?
☐ 結果變數型態連續?若是 Ordinal → 考慮無母數
☐ 常態性(每組或殘差)Q–Q 圖;小樣本搭配 Shapiro-Wilk
☐ 變異數各組 SD 差很多嗎?或直接用 Welch
☐ 離群值Boxplot;是否主導了結果?

z / t 臨界值與單雙尾的計算見 信賴區間。