🚀 使用正态分布与 t 分布进行统计推断：学习笔记（9231 Further Statistics）
欢迎来到 Further Statistics 中最强大、最实用的章节之一！本节的核心在于：即使我们手中只有少量的数据（样本），也要学会如何对庞大的总体做出稳健的决策和预测。
在之前的学习中，你已经广泛使用了正态分布（Z-检验），通常是假设已知总体方差（\(\sigma^2\)）或者样本量足够大。但在现实世界中，我们往往不知道 \(\sigma^2\)，且数据集可能非常小。这时，t 分布就是你的救星！
你将学习如何选择正确的检验方法（Z 检验或 t 检验），并利用它进行假设检验以及构建总体均值的置信区间。
1. 快速回顾：何时使用 Z 检验 vs. t 检验
在正态分布（Z-检验）和 t 分布之间进行选择，取决于两个因素：样本量 (\(n\)) 以及是否已知总体方差 (\(\sigma^2\))。
正态分布（Z-检验）：黄金标准
当我们对总体参数有充分的把握时，我们会依赖标准正态分布（Z）。
- 情况 1：已知总体方差（无论样本量 \(n\) 大小如何）。
- 情况 2：样本量较大（\(n \ge 30\)），即使总体方差未知。为什么呢？这是因为中心极限定理（Central Limit Theorem）；当 \(n\) 较大时，样本方差（\(s^2\)）是总体方差（\(\sigma^2\)）的一个非常好的估计，抽样分布本质上趋于正态分布。
t 分布：小样本专家
当我们面对真正的不确定性时，使用 t 分布。
- 情况 3：总体方差未知且样本量较小（\(n < 30\)）。
💡 类比： 将 Z-检验想象成一把锋利、精确的手术刀，当你确切知道自己在切什么时使用它。而 t 分布则像一把稍微钝一点的刀；因为它给了你更大的误差范围，这是因为你对估计精度的把握没那么足。
2. 理解 t 分布
a) 什么是 t 分布？
t 分布（或称学生 t 分布）与正态分布相似：它们都是对称的、钟形的，并以零为中心。然而，与标准正态分布（Z）相比，t 分布通常更扁平，且尾部更厚。这反映了当我们使用样本方差 \(s^2\) 来估计 \(\sigma^2\) 时所引入的额外不确定性。
b) 自由度 (\(\nu\))
t 分布的形状随着其自由度 (\(\nu\)) 的变化而变化。
- 对于大小为 \(n\) 的单样本，自由度总是：\(\nu = n - 1\)。
- 随着 \(\nu\) 的增加（即样本量 \(n\) 变大），t 分布变得越来越窄，并逐渐趋近于标准正态分布（Z）。
为什么要 \(n-1\)? 在计算样本均值 (\(\bar{x}\)) 以估计方差时，我们“用掉”了一条信息（即一个自由度）。如果你已知 \(\bar{x}\) 和 \(n-1\) 个数值，最后一个值也就固定了。因此，只有 \(n-1\) 个值是可以“自由变动”的。
3. 单个总体均值 (\(\mu\)) 的推断
当我们从总体方差未知的总体中抽取小样本（\(n < 30\)）时，使用 t 检验。
a) 假设检验（t-检验）
统计量 \(T\) 用来衡量样本均值 (\(\bar{x}\)) 与零假设 \(H_0\) 中提出的总体均值 (\(\mu_0\)) 之间相差了几个标准误。
第 1 步：建立假设
示例：\(H_0: \mu = 50\) 对比 \(H_1: \mu \ne 50\)（双尾检验）。
第 2 步：计算方差的无偏估计 (\(s^2\))
总体方差 \(\sigma^2\) 由无偏样本方差 \(s^2\) 估计。如果题目给出的是原始数据，你必须先计算它：
$$s^2 = \frac{1}{n-1} \sum (x - \bar{x})^2$$
第 3 步：计算检验统计量 T
$$T = \frac{\bar{x} - \mu_0}{s / \sqrt{n}}$$
其中 \(s / \sqrt{n}\) 是均值的估计标准误。
第 4 步：确定自由度和临界值
自由度：\(\nu = n - 1\)。根据 \(\nu\) 和显著性水平 (\(\alpha\))，从统计表（MF19，第 41 页）中查出临界 t 值。
第 5 步：结论
将计算出的 \(T\) 值与临界值对比，或者将 p 值与 \(\alpha\) 对比。如果 \(|T| > t_{\text{crit}}\)，则拒绝 \(H_0\)。
b) \(\mu\) 的置信区间 (CI)
置信区间给出了一个数值范围，真实总体均值 \(\mu\) 很可能落在这个范围内。由于 \(\sigma^2\) 未知且 \(n\) 较小，我们使用 t 分布的临界值。
\(\mu\) 的置信区间公式为：
$$\bar{x} \pm t_{\text{crit}} \times \frac{s}{\sqrt{n}}$$
- \(\bar{x}\) 是样本均值。
- \(t_{\text{crit}}\) 是使用 \(\nu = n - 1\) 和所需置信水平查表得到的临界 t 值（例如，95% 置信区间，查 MF19 t 表中 0.975 那一列）。
- \(\frac{s}{\sqrt{n}}\) 是估计标准误。
4. 两个总体均值之差 (\(\mu_1 - \mu_2\)) 的推断
本节非常关键，要求你准确识别样本是独立的还是相关的（配对的），以及样本量是大是小。
情景 A：大样本（Z-检验）
如果两个样本量 \(n_1\) 和 \(n_2\) 都较大（\(\ge 30\)），我们使用正态（Z）分布，用样本方差 \(s_1^2\) 和 \(s_2^2\) 代替 \(\sigma_1^2\) 和 \(\sigma_2^2\)。
检验统计量：
$$Z = \frac{(\bar{x}_1 - \bar{x}_2) - 0}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}$$
置信区间：
$$(\bar{x}_1 - \bar{x}_2) \pm Z_{\text{crit}} \times \sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}$$
情景 B：小独立样本（双样本 t-检验）
当我们有两个来自正态分布的小独立样本，且假设两个总体具有相同的未知方差（\(\sigma_1^2 = \sigma_2^2 = \sigma^2\)）时，使用此检验。
第 1 步：计算合并方差估计 (\(s_p^2\))
由于假设方差相同，我们将数据“合并”以获得对该共同方差的单一且更好的估计。MF19（第 39 页）提供的公式是：
$$s_p^2 = \frac{\sum(x_1 - \bar{x}_1)^2 + \sum(x_2 - \bar{x}_2)^2}{n_1 + n_2 - 2}$$
注意：\(\sum(x - \bar{x})^2\) 通常被称为离差平方和 (Sum of Squares, SS)。此公式本质上就是 \((SS_1 + SS_2) / (n_1 + n_2 - 2)\)。
第 2 步：计算检验统计量 T
$$T = \frac{(\bar{x}_1 - \bar{x}_2) - 0}{\sqrt{s_p^2 \left(\frac{1}{n_1} + \frac{1}{n_2}\right)}}$$
第 3 步：自由度 (\(\nu\))
当合并两个独立样本时，自由度为各自自由度之和：
$$\nu = (n_1 - 1) + (n_2 - 1) = n_1 + n_2 - 2$$
第 4 步：\(\mu_1 - \mu_2\) 的置信区间
$$(\bar{x}_1 - \bar{x}_2) \pm t_{\text{crit}} \times \sqrt{s_p^2 \left(\frac{1}{n_1} + \frac{1}{n_2}\right)}$$
如果起初觉得这很复杂，别担心！ 最难的部分是计算 \(s_p^2\)。一旦算出来，剩下的只需将数值代入使用相应自由度的标准 t 公式即可。
情景 C：配对样本 t-检验（相关样本）
当测量值自然相关时使用此检验（例如：比较同一组人的“前”和“后”分数，或比较同卵双胞胎）。
这里的妙招是：我们不将其视为两个独立的组，而是将配对分数的差值视为单个样本。
配对 t-检验步骤：
- 计算每一对的差值 \(d\) (\(d = x_1 - x_2\))。
- 计算差值的平均值 \(\bar{d}\) 和差值的标准差 \(s_d\)。
- 假设检验简化为对差值的单样本 t-检验，检验平均差值 \(\mu_d\) 是否为零（即 \(H_0: \mu_d = 0\)）。
检验统计量：
$$T = \frac{\bar{d} - 0}{s_d / \sqrt{n}}$$
其中 \(n\) 是配对的数量。
自由度：
$$\nu = n - 1$$
\(\mu_d\) 的置信区间：
$$\bar{d} \pm t_{\text{crit}} \times \frac{s_d}{\sqrt{n}}$$
- 单样本，\(\sigma^2\) 已知或 \(n\) 大： Z-检验（正态）
- 单样本，\(\sigma^2\) 未知，\(n\) 小： t-检验 (\(\nu = n-1\))
- 双样本，独立，\(n\) 大： Z-检验（正态近似）
- 双样本，独立，\(n\) 小： 双样本 t-检验（合并方差，\(\nu = n_1 + n_2 - 2\)）
- 双样本，相关/配对： 配对 t-检验（对差值进行单样本分析，\(\nu = n-1\)）
5. 处理置信区间 (CI)
置信区间是假设检验的补充。如果假设的均值（\(\mu_0\) 或 \(\mu_1 - \mu_2 = 0\)）落在了计算出的置信区间之外，那么你将在相应的显著性水平上拒绝零假设。
a) 确定适当的 CI 公式
寻找 CI 的过程与选择假设检验方法的过程是一致的：
- 确定参数： 你是在估计单个均值 (\(\mu\)) 还是均值之差 (\(\mu_1 - \mu_2\))？
- 确定分布： 是正态 (Z) 还是 t (T)？（基于样本量 \(n\) 和是否已知 \(\sigma^2\)）。
- 确定临界值： 查出 \(Z_{\text{crit}}\)（来自正态表）或 \(t_{\text{crit}}\)（使用相应的自由度查 t 表）。
任何置信区间的结构都是：
$$(\text{点估计}) \pm (\text{临界值}) \times (\text{标准误})$$
b) 解读置信区间
95% 的置信区间并不意味着真实总体均值有 95% 的概率落在这个特定的区间内。它真正的含义是：如果我们重复抽样过程多次，所构建出来的 95% 的置信区间都将包含真实总体均值。
示例：如果方法 A 和方法 B 之间均值差的 95% 置信区间是 (2.5, 4.1)，由于该区间不包含零，我们可以 95% 地确信方法 A 优于方法 B。
c) 你知道吗？
t 分布最初是由 William Sealy Gosset 在 1908 年提出的。他在健力士（Guinness）啤酒厂工作，利用小样本来监控啤酒质量。由于公司规定禁止他以个人名义发表文章，他使用了“Student”（学生）这个笔名，因此该分布被称为“学生 t 分布”。
要在本章中取得成功，请确保你能迅速识别出题目中的三个要点：
- 样本量是大还是小？
- 总体方差 \(\sigma^2\) 是已知还是未知？
- 样本是独立还是配对的？
回答这些问题将直接引导你找到正确的检验统计量（Z 或 T）以及正确的自由度 (\(\nu\))。
坚持练习选择正确的步骤，你一定能掌握这个主题！