Wald检验计算器 - 统计显著性

Wald检验是一种参数统计检验，以统计学家Abraham Wald命名。它是极大似然估计中三种经典假设检验之一，另外两种是似然比检验和得分（拉格朗日乘子）检验。Wald检验最为常见，因为它只需要估计值本身及其标准误——这两项通常都会由统计软件报告——而不需要完整的似然函数。 Wald检验背后的思想很直接。如果参数估计值 β̂ 相对于其精度（由标准误 SE 衡量）而言距离假设值 β₀ 很远，那么原假设 H₀: β = β₀ 就不太可能成立。Wald统计量为 W = ((β̂ − β₀) / SE)²，也就是z分数的平方。在原假设成立且样本足够大时，W服从自由度为1的卡方分布。等价地，带符号的z分数 z = (β̂ − β₀) / SE 服从标准正态分布，因此双侧p值为 2 · (1 − Φ(|z|))，其中 Φ 是标准正态分布的累积分布函数。 p值回答的问题是：如果原假设为真，观察到至少像实际计算出的检验统计量一样极端的结果的概率是多少？较小的p值（通常低于显著性水平 α，常设为0.05或0.01）提供了反对 H₀ 的证据。当 p < α 时，结果称为具有统计显著性，我们拒绝原假设。当 p ≥ α 时，我们不拒绝原假设——这表示没有足够证据说明参数不同于 β₀，但并不意味着 H₀ 为真。 Wald检验在应用统计中无处不在。在线性回归和逻辑回归中，为每个系数报告的t统计量本质上就是Wald z分数，相应的p值用于检验各系数是否显著不同于零。在计量经济学中，Wald检验用于同时检验关于多个系数的联合假设（通过矩阵代数扩展）。在生存分析中，它检验某个协变量是否能显著预测风险率。在遗传学中，全基因组关联研究使用Wald型统计量来检验数百万个单核苷酸多态性。 Wald检验的一个已知局限是，它可能会因参数化方式不同而产生不同结果，因为该检验依赖于对似然函数的局部二次近似。对于小样本，通常更偏好似然比检验，因为它更准确。Wald检验在样本量较大、估计值近似服从正态分布（即满足渐近条件）且标准误估计良好时最可靠。