母分散が等しい場合の対応のない2標本の母平均の差の検定とは、2つの母集団が正規分布に従い、ともに母分散が等しいと仮定できるとき、一方の母平均が他方の母平均と「異なる」または「大きい」、「小さい」かどうかを、検定統計量がt分布に従うことを利用して検定します。

統計的検定の流れ

検定の大まかな流れを確認しておきます。

  1. 帰無仮説H0と対立仮設H1をたてます
  2. 有意水準を決めて、棄却域を決定します
  3. 検定統計量を計算します
  4. 検定統計量が棄却域にあれば帰無仮説H0を棄却し、対立仮設H1を採択します。そうでなければ、帰無仮説H0を採択します

母集団Aの母平均と母集団Bの母平均が異なることを検定したい場合

母集団Aの母平均を\mu_1、母集団Bの母平均を\mu_2とします。
母集団Aの母平均が母集団Bの母平均と異なることを検定したい場合は、両側検定として次のような仮説をたてます。

  • 帰無仮説H_0: \mu_1 = \mu_2
  • 対立仮説H_0: \mu_1 \neq \mu_2

母集団Aの母平均と母集団Bの母平均より大きいことを検定したい場合

母集団Aの母平均を\mu_1、母集団Bの母平均を\mu_2とします。
母集団Aの母平均が母集団Bの母平均より大きいことを検定したい場合は、片側検定として次のような仮説をたてます。

  • 帰無仮説H_0: \mu_1 = \mu_2
  • 対立仮説H_0: \mu_1 > \mu_2

母集団Aの母平均と母集団Bの母平均より小さいことを検定したい場合

母集団Aの母平均を\mu_1、母集団Bの母平均を\mu_2とします。
母集団Aの母平均が母集団Bの母平均より小さいことを検定したい場合は、片側検定として次のような仮説をたてます。

  • 帰無仮説H_0: \mu_1 = \mu_2
  • 対立仮説H_0: \mu_1 < \mu_2

理論

標本xの標本平均を\overline{x}_1、標本の大きさをn_1、母集団の分布を正規分布N(\mu_1, \sigma^2)、分散の推定値を\hat{\sigma}_1^2とします。
同様に、標本yの標本平均を\overline{x}_2、標本の大きさをn_2、母集団の分布を正規分布N(\mu_2, \sigma^2)、分散の推定値を\hat{\sigma}_2^2とします。

検定統計量

母分散が等しい場合の対応のない2標本の母平均の差の検定における検定統計量tは、次式で表され、自由度n_1 + n_2 - 2のt分布に従います。

    \[t = \frac{\overline{x}_1-\overline{x}_2-(\mu_1-\mu_2)}{\sqrt{\frac{(n_1-1)\hat{\sigma}_1^2+(n_2-1)\hat{\sigma}_2^2}{n_1+n_2-2}}\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}\]

信頼区間

信頼区間は次のように表すことができます。

    \[t = \frac{\overline{x}_1-\overline{x}_2-(\mu_1-\mu_2)}{\sqrt{\frac{(n_1-1)\hat{\sigma}_1^2+(n_2-1)\hat{\sigma}_2^2}{n_1+n_2-2}}\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}\]

これを変形すると次のようになります。

    \[P(\overline{x}_1-\overline{x}_2-t_{\frac{\alpha}{2}}\sqrt{\frac{(n_1-1)\hat{\sigma}_1^2+(n_2-1)\hat{\sigma}_2^2}{n_1+n_2-2}}\sqrt{\frac{1}{n_1}+\frac{1}{n_2}} \leq \mu_1-\mu_2 \leq \overline{x}_1-\overline{x}_2+t_{\frac{\alpha}{2}}\sqrt{\frac{(n_1-1)\hat{\sigma}_1^2+(n_2-1)\hat{\sigma}_2^2}{n_1+n_2-2}}\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}) = 1-\alpha\]

よって、信頼係数1-\alphaの信頼区間は次のようになります。

    \[[\overline{x}_1-\overline{x}_2-t_{\frac{\alpha}{2}}\sqrt{\frac{(n_1-1)\hat{\sigma}_1^2+(n_2-1)\hat{\sigma}_2^2}{n_1+n_2-2}}\sqrt{\frac{1}{n_1}+\frac{1}{n_2}} , \overline{x}_1-\overline{x}_2+t_{\frac{\alpha}{2}}\sqrt{\frac{(n_1-1)\hat{\sigma}_1^2+(n_2-1)\hat{\sigma}_2^2}{n_1+n_2-2}}\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}]\]

R実装

Rで母分散が等しい場合の対応のない2標本の母平均の差の検定を行う場合は、基本パッケージstatsに実装されているt.test関数を用います。
getAnywhere関数の引数にt.test.defualtを渡すと、t.test関数の実装を見ることができます。


> getAnywhere(t.test.default)
A single object matching ‘t.test.default’ was found
It was found in the following places
  registered S3 method for t.test from namespace stats
  namespace:stats
with value

function (x, y = NULL, alternative = c("two.sided", "less", "greater"), 
    mu = 0, paired = FALSE, var.equal = FALSE, conf.level = 0.95, 
    ...) 
{
    alternative <- match.arg(alternative)
    if (!missing(mu) && (length(mu) != 1 || is.na(mu))) 
        stop("'mu' must be a single number")
    if (!missing(conf.level) && (length(conf.level) != 1 || !is.finite(conf.level) || 
        conf.level < 0 || conf.level > 1)) 
        stop("'conf.level' must be a single number between 0 and 1")
    if (!is.null(y)) {
        dname <- paste(deparse(substitute(x)), "and", deparse(substitute(y)))
        if (paired) 
            xok <- yok <- complete.cases(x, y)
        else {
            yok <- !is.na(y)
            xok <- !is.na(x)
        }
        y <- y[yok]
    }
    else {
        dname <- deparse(substitute(x))
        if (paired) 
            stop("'y' is missing for paired test")
        xok <- !is.na(x)
        yok <- NULL
    }
    x <- x[xok]
    if (paired) {
        x <- x - y
        y <- NULL
    }
    nx <- length(x)
    mx <- mean(x)
    vx <- var(x)
    if (is.null(y)) {
        if (nx < 2) 
            stop("not enough 'x' observations")
        df <- nx - 1
        stderr <- sqrt(vx/nx)
        if (stderr < 10 * .Machinedouble.eps * abs(mx))              stop("data are essentially constant")         tstat <- (mx - mu)/stderr         method <- if (paired)              "Paired t-test"         else "One Sample t-test"         estimate <- setNames(mx, if (paired)              "mean of the differences"         else "mean of x")     }     else {         ny <- length(y)         if (nx < 1 || (!var.equal && nx < 2))              stop("not enough 'x' observations")         if (ny < 1 || (!var.equal && ny < 2))              stop("not enough 'y' observations")         if (var.equal && nx + ny < 3)              stop("not enough observations")         my <- mean(y)         vy <- var(y)         method <- paste(if (!var.equal)              "Welch", "Two Sample t-test")         estimate <- c(mx, my)         names(estimate) <- c("mean of x", "mean of y")         if (var.equal) {             df <- nx + ny - 2             v <- 0 if (nx > 1)                  v <- v + (nx - 1) * vx if (ny > 1)                  v <- v + (ny - 1) * vy             v <- v/df             stderr <- sqrt(v * (1/nx + 1/ny))         }         else {             stderrx <- sqrt(vx/nx)             stderry <- sqrt(vy/ny)             stderr <- sqrt(stderrx^2 + stderry^2)             df <- stderr^4/(stderrx^4/(nx - 1) + stderry^4/(ny -                  1))         }         if (stderr < 10 * .Machinedouble.eps * max(abs(mx), 
            abs(my))) 
            stop("data are essentially constant")
        tstat <- (mx - my - mu)/stderr
    }
    if (alternative == "less") {
        pval <- pt(tstat, df)
        cint <- c(-Inf, tstat + qt(conf.level, df))
    }
    else if (alternative == "greater") {
        pval <- pt(tstat, df, lower.tail = FALSE)
        cint <- c(tstat - qt(conf.level, df), Inf)
    }
    else {
        pval <- 2 * pt(-abs(tstat), df)
        alpha <- 1 - conf.level
        cint <- qt(1 - alpha/2, df)
        cint <- tstat + c(-cint, cint)
    }
    cint <- mu + cint * stderr
    names(tstat) <- "t"
    names(df) <- "df"
    names(mu) <- if (paired || !is.null(y)) 
        "difference in means"
    else "mean"
    attr(cint, "conf.level") <- conf.level
    rval <- list(statistic = tstat, parameter = df, p.value = pval, 
        conf.int = cint, estimate = estimate, null.value = mu, 
        alternative = alternative, method = method, data.name = dname)
    class(rval) <- "htest"
    return(rval)
}
<bytecode: 0x69251f8>
<environment: namespace:stats>

 

検定統計量

母分散が等しい場合の対応のない2標本の母平均の差の検定における検定統計量を計算するR実装のうち、本質的な箇所を抜き出すと以下のようになります。


    nx <- length(x)                             # xの標本の大きさ
    mx <- mean(x)                               # xの標本平均
    vx <- var(x)                                # xの分散の推定値(不偏分散)
    if (is.null(y)) {
    }
    else {
        ny <- length(y)                         # yの標本の大きさ
        my <- mean(y)                           # yの標本平均
        vy <- var(y)                            # yの分散の推定値(不偏分散)
        if (var.equal) {
            df <- nx + ny - 2                   # 自由度
            v <- 0 if (nx > 1) 
                v <- v + (nx - 1) * vx if (ny > 1) 
                v <- v + (ny - 1) * vy
            v <- v/df
            stderr <- sqrt(v * (1/nx + 1/ny))   # 検定統計量の右辺の分母
        }
        tstat <- (mx - my - mu)/stderr          # 検定統計量
    }

p値と信頼区間

p値と信頼区間に関するR実装のうち、本質的な箇所を抜き出すと以下のようになります。
pt(t0, df)関数は、自由度dfのt分布における統計量t0に対する下側確率P(t < t0)を計算します。
qt(p, df)関数は、自由度dfのt分布における確率pに対する統計量t0を計算します。


    if (alternative == "less") {
        pval <- pt(tstat, df)                       # 対立仮説xy: p値, lower.tail=FALSEで上側確率を計算
        cint <- c(tstat - qt(conf.level, df), Inf) # 対立仮説x>y: 信頼係数conf.levelの限界値
    }
    else {
        pval <- 2 * pt(-abs(tstat), df)             # 対立仮説x!=y: p値, 両側検定なので下側確率の2倍を計算
        alpha <- 1 - conf.level                     # 有意水準
        cint <- qt(1 - alpha/2, df)                 # 両側検定なので、1から有意水準の1/2を引いた確率に対する統計量を計算
        cint <- tstat + c(-cint, cint)              # 対立仮説x!=y: 信頼係数conf.levelの限界値
    }
    cint <- mu + cint * stderr                      # 信頼区間

あるクラスAとBの身長を計測したところ、次のようになりました。
身長の分布が正規分布をすると仮定すると、クラスAとBの平均身長は差があるかを検定してみます。
ただし、有意水準5%とします。

クラスA:166, 168, 168, 169, 170, 171, 172, 173, 174, 175
クラスB:161, 163, 164, 165, 166, 167, 168, 169, 170

まず、クラスAとBの分散の推定値を計算します。


> var(c(166, 168, 168, 169, 170, 171, 172, 173, 174, 175))
[1] 8.488889
> var(c(161, 163, 164, 165, 166, 167, 168, 169, 170))
[1] 8.611111

ほぼ同じような値になったので、母分散が等しいと仮定して対応のない2標本の母平均の差の検定を行います。


> t.test(c(166, 168, 168, 169, 170, 171, 172, 173, 174, 175),
         c(161, 163, 164, 165, 166, 167, 168, 169, 170),
		 alternative = "two.sided", mu = 0, var.equal = TRUE, conf.level = 0.95)

Two Sample t-test

data:  c(166, 168, 168, 169, 170, 171, 172, 173, 174, 175) and c(161, 163, 164, 165, 166, 167, 168, 169, 170)
t = 3.5073, df = 17, p-value = 0.002701
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 1.877164 7.545058
 sample estimates:
 mean of x mean of y 
  170.6000  165.8889 

p値0.002701 < 有意水準0.05なので棄却される。
よって、クラスAとBの平均身長は差があるといえる。

関連する記事

  • R実装と解説 母平均の検定(母分散未知) [latexpage] 母分散が未知の場合の母平均の検定とは、母集団が正規分布に従い、母分散が未知のときに母平均が標本平均と「異なる」または「大きい」、「小さい」かどうかを、検定統計量がt分布に従うことを利用して検定します。 統計的検定の流れ 検定の大まかな流れを確認しておきます。 帰無仮説H0と対立仮設H1をたてます […]
  • R実装と解説 対応のない2標本の母平均の差の検定(母分散が異なる) [latexpage] 母分散が異なるの場合の対応のない2標本の母平均の差の検定とは、2つの母集団が正規分布に従い、ともに母分散が異なるとき、一方の母平均が他方の母平均と「異なる」または「大きい」、「小さい」かどうかを、検定統計量がt分布に従うことを利用して検定します。 統計的検定の流れ 検定の大まかな流れを確認しておきます。 […]
  • R スティール(Steel)法R スティール(Steel)法 スティール(Steel)法とは、ダネット(Dunnett)法の多重比較に対応するノンパラメトリックな多重比較である。 スティール法を簡単に言うと、正規分布を仮定しない1つの対照群と2つ以上の処理群間を順位を用いて多重比較で調べる方法である。 Rで、スティール法を使う場合は、「スティール(Steel)の方法による多重比較」のページにソースコードが紹介されている。 […]
  • R スミルノフ・グラブス検定を繰り返し用いて外れ値を除去する方法 スミルノフ・グラブス検定は、正規分布を仮定した標本において、最大値または最小値が外れ値かどうか判定する検定の一つである。 外れ値を除去する際、外れ値を一つずつ検証することよりも、外れ値がすべて除去されたデータだけがほしいときもあるのではないだろうか。 ここでは、正規分布を仮定したデータからスミルノフ・グラブス検定を繰り返し用いて外れ値を除去するソースコードをご紹介する […]
  • R MASSパッケージcorresp関数のエラー対処方法 RのMASSパッケージ内のcorresp関数を用いたとき、エラーに悩まされたので、皆様と共有しておく。 環境 Ubuntuのバージョン $ cat /etc/lsb-release […]
R実装と解説 対応のない2標本の母平均の差の検定(母分散が等しい)