欢迎来到统计推论的世界！
在统计学中，我们经常想了解一大群人或事物（即总体 (Population)）的特征，但要检查每一个个体根本是不可能的。试想一下，要找出全英国每个人的平均身高——这简直不可能！因此，我们会抽取一个较小的样本 (Sample)，并利用它对整个总体进行合理的推断。这种“合理的推测”就是我们所称的统计推论 (Statistical Inference)。
在本章中，你将学会如何估算总体数值、如何构建称为置信区间 (Confidence Intervals) 的“安全网”，以及如何检验一个平均值是否真的如他人所宣称的那样。别担心，即使起初听起来有点深奥，我们会一步一步为你拆解！
1. 参数估计：点估计 (Point Estimates)
点估计是指利用样本中的单一数值，作为我们对总体参数的最佳猜测。
- 平均值估计：我们使用样本平均值（记为 \(\bar{x}\)）来估计总体平均值 \(\mu\)。即 \(\hat{\mu} = \bar{x}\)。
- 方差估计：为了得到总体方差 (\(\sigma^2\)) 的无偏估计量，我们使用样本方差 \(s^2\)。重要提示：我们除以 \(n - 1\) 而非 \(n\)。这能“修正”估计值，因为小型样本往往会稍微低估总体的离散程度。
方差无偏估计量的公式为：
\(s^2 = \frac{1}{n-1} \sum (x_i - \bar{x})^2\)
什么是标准误 (Standard Error)？
平均值标准误 (Standard Error of the Mean, SE) 告诉我们样本平均值预期会偏离真实总体平均值多少。你可以把它想像成“我们猜测结果的标准差”。
公式：\(SE = \frac{\sigma}{\sqrt{n}}\)（如果不知道 \(\sigma\)，我们就用样本的 \(s\) 来代替）。
快速回顾：样本量 (\(n\)) 越大，标准误就越小。这很合理：样本越大，你的猜测就越可靠！
2. 抽样分布与中央极限定理 (CLT)
如果你多次抽取样本并绘制它们的平均值，这些平均值会形成自己的分布，这就是平均值的抽样分布 (Sampling distribution of the mean)。
- 如果原始总体呈常态分布 (Normal)，样本平均值分布也会呈常态分布。
- 中央极限定理 (Central Limit Theorem, CLT)：这是统计学中的“魔法”。它指出，只要你的样本量“足够大”（通常 \(n > 30\)），样本平均值的分布就会趋近于常态分布，即使原始总体的分布形状很奇怪也没关系！
类比：想像一锅汤。即使配料（总体）大小不一且分布不均，如果你用一个够大的勺子（样本），那么每一勺汤的味道都会与下一勺非常一致。
3. 置信区间 (Confidence Intervals, CIs)
与其只给出一个数字（点估计），置信区间提供了一个数值范围，让我们相当有把握真实的总体平均值就落在其中。
“Z”与“T”分布的抉择
这是许多学生感到困惑的地方，但规则很简单：
1. 以下情况使用常态分布 (z)：
- 样本量很大（使用 \(s^2\) 作为 \(\sigma^2\) 的估计值）。
- 已知总体方差 \(\sigma^2\)。
2. 以下情况使用 t-分布：
- 样本量很小且总体方差 \(\sigma^2\) 未知（但必须假设总体呈常态分布）。
影响置信区间宽度的因素：
- 样本量 (\(n\))：样本越大，区间越窄（越精确）。
- 置信水平：置信水平越高（例如 99% 对比 95%），区间越宽。（如果你想更确定能捕捉到“鱼”，你需要一张更大的网！）
- 总体变异性 (\(\sigma\))：数据越分散，区间越宽。
关键概念：95% 置信区间的意思是，如果我们抽取 100 个不同的样本并建立 100 个区间，我们预期其中大约有 95 个会实际包含真实的总体平均值。
4. 成对样本 (Paired Samples)
有时数据是成对出现的。例如，测试一个人喝咖啡“前”与“后”的反应时间。这不是两组独立的数据，而是同一群人被测量了两次。
为了解决这个问题，我们计算每一对的差值 (Difference)。然后，我们将这些差值视为单一样本，并使用与之前相同的平均值和置信区间方法来进行分析。
步骤：
1. 对每个人计算“后”减“前”的差值。
2. 找出这些差值的平均值 (\(\bar{d}\))。
3. 找出这些差值的标准差 (\(s_d\))。
4. 使用这些“差值”构建你的区间或进行检验。
5. 平均值的假设检验 (Hypothesis Testing)
这是我们对总体参数（通常是平均值 \(\mu\) 或中位数）的宣称进行检验的过程。
三大主要检验：
1. 常态 (z) 检验：用于 \(n\) 很大或已知 \(\sigma\) 时的平均值检验。
2. t-检验：用于 \(n\) 很小、\(\sigma\) 未知且总体呈常态分布时的平均值检验。
3. Wilcoxon 单样本符号秩检验 (Wilcoxon Single Sample Signed-Rank Test)：这是一种非参数 (non-parametric) 检验。我们用它来检验中位数。当你不想假设数据符合常态分布，但分布必须对称时，这是个很好的选择。
Wilcoxon 记忆法：记住 W-S-S (Wilcoxon - Symmetrical - Signed-rank)。它关注的是差值的“秩 (rank)”，而不仅仅是原始数值。
6. 利用置信区间做决策
你可以利用置信区间来执行假设检验！
如果你有一个假设数值（例如某人宣称平均体重为 50kg），而你建立的 95% 置信区间并不包含 50kg，那么你可以在 5% 的显著性水平下拒绝他们的宣称。
快速回顾：
- 数值在区间内 \(\rightarrow\) 没有足够证据拒绝该宣称。
- 数值在区间外 \(\rightarrow\) 有证据拒绝该宣称。
应避免的常见错误
- 除错分母：在计算标准误时，务必将标准差除以 \(\sqrt{n}\)，而不是除以 \(n\)。
- 混用 z 与 t：如果样本很小（例如 \(n=10\)）且你不知道总体方差，你必须使用 t-分布。
- 忘记对称性：除非你明确陈述了总体分布是对称的这一假设，否则不能使用 Wilcoxon 检验。
本章重点总结：统计推论是从“已知”（样本）走向“未知”（总体）的过程。无论你是使用点估计、置信区间还是假设检验，你始终都要考虑到样本本身会存在变异这一事实！