简介：群体比较与预测未来

在之前的学习中，我们探讨了如何估计单一群体的参数（例如某类汽车保险的平均理赔金额）。但在现实世界中，精算师经常需要比较两个不同的群体。例如：“电动车的平均理赔成本是否与汽油车不同？”或者“我们新的安全培训是否比去年减少了工作场所事故？”

在本章中，我们将学习如何构建置信区间 (Confidence Intervals, CIs) 来比较两个总体，以及利用预测区间 (Prediction Intervals, PIs) 来估计单个未来观测值可能落在哪里。这是统计推断 (Statistical Inference) 的核心部分，帮助我们从“单纯猜测”进步到做出具备数学根据的结论。

1. 双样本置信区间：独立样本

当我们有两个独立的群体（例如 A 组和 B 组）时，我们通常对它们均值之差 (difference between their means) 感兴趣：\(\mu_1 - \mu_2\)。

A. 正态分布（均值）

如果我们的数据来自正态总体，计算方法取决于我们是否知道方差 (\(\sigma^2\))。

情况 1：方差已知
\(\mu_1 - \mu_2\) 的置信区间为：
\((\bar{X}_1 - \bar{X}_2) \pm z_{\alpha/2} \sqrt{\frac{\sigma_1^2}{n_1} + \frac{\sigma_2^2}{n_2}}\)

情况 2：方差未知但假设相等
由于我们不知道方差，我们会将样本方差 (\(s_1^2\) 和 \(s_2^2\)) “合并”起来，以获得更准确的估计，这称为合并样本方差 (pooled sample variance) (\(s_p^2\))。
\(s_p^2 = \frac{(n_1-1)s_1^2 + (n_2-1)s_2^2}{n_1 + n_2 - 2}\)

此时区间使用 t-分布：
\((\bar{X}_1 - \bar{X}_2) \pm t_{n_1+n_2-2, \alpha/2} \sqrt{s_p^2 (\frac{1}{n_1} + \frac{1}{n_2})}\)

小贴士：如果差异的置信区间包含 0，这表示这两个群体之间可能没有显著差异！

B. 二项分布与泊松分布（使用正态近似）

对于大样本，我们可以使用正态分布来近似这些区间。

二项分布（比较比例）：
为了比较两个概率 \(p_1 - p_2\)，我们使用样本比例 \(\hat{p}_1\) 和 \(\hat{p}_2\)：
\((\hat{p}_1 - \hat{p}_2) \pm z_{\alpha/2} \sqrt{\frac{\hat{p}_1(1-\hat{p}_1)}{n_1} + \frac{\hat{p}_2(1-\hat{p}_2)}{n_2}}\)

泊松分布（比较率）：
为了比较两个泊松均值 \(\lambda_1 - \lambda_2\)，我们使用样本均值 \(\bar{X}_1\) 和 \(\bar{X}_2\)：
\((\bar{X}_1 - \bar{X}_2) \pm z_{\alpha/2} \sqrt{\frac{\bar{X}_1}{n_1} + \frac{\bar{X}_2}{n_2}}\)

重点总结：双样本区间让我们在比较两个不同总体时，能够将不确定性量化。

2. 配对数据：“前后对比”的情景

有时候，样本并不是独立的。例如，如果我们测量同一批 10 个人在服用药物前和服用后的血压。这些数据就是“配对”的。

秘诀：不要把它们当作两个样本处理。相反，计算每一对数据的差值 (\(D_i = X_i - Y_i\))。现在你就得到了一个关于差值的单一样本！

平均差值 \(\mu_D\) 的置信区间就是标准的单样本 t-区间：
\(\bar{D} \pm t_{n-1, \alpha/2} \frac{s_D}{\sqrt{n}}\)
其中：
\(\bar{D}\) 是差值的平均数。
\(s_D\) 是差值的标准差。
\(n\) 是配对的数量。

常见错误：对配对数据使用双样本公式。这在考试中是大忌，因为它忽略了配对数据之间的相关性！

3. 预测区间 (PIs)

同学经常混淆置信区间 (CI) 和预测区间 (PI)。它们的分别如下：

  • 置信区间： 估计总体均值 (\(\mu\)) 所在的位置。
  • 预测区间： 估计单个未来观测值 (\(X_{next}\)) 可能落在哪里。

因为单个观测值比群体平均值波动（不稳定性）大得多，所以预测区间总是比置信区间更宽。

公式（适用于正态数据）：
基于大小为 \(n\) 的样本，单个未来观测值的区间为：
\(\bar{X} \pm t_{n-1, \alpha/2} \cdot s \sqrt{1 + \frac{1}{n}}\)

注意到根号里面多了一个“\(1\)”吗？这代表除了我们对均值的不确定性外，还考虑了单个新数据点本身固有的随机性。

比喻：想象你在猜测全校学生的平均身高（置信区间）。现在想象你在猜测下一个走进教室的学生的身高（预测区间）。比起猜平均值，你需要一个更宽的范围才能确保涵盖那个特定个人的身高！

4. Bootstrap 方法（自助法）构建区间

如果数据不是正态分布，且我们没有现成的公式怎么办？我们可以使用 Bootstrap（自助法）——这是一种现代且依赖计算机运算的方法。

逐步流程：
1. 重采样 (Resample)： 从原始数据中进行有放回 (with replacement) 的随机抽样（因此同一个数值可能会出现两次）。这个新样本的大小必须与原始样本相同。
2. 计算： 算出这个新样本的目标统计量（例如均值或均值之差）。
3. 重复： 重复上述步骤数千次，建立一个 “Bootstrap 分布”。
4. 寻找百分位数： 对于 95% 置信区间，找出你生成结果中的第 2.5 和第 97.5 个百分位数。

你知道吗？ Bootstrap 的名称源自英文谚语“pulling yourself up by your own bootstraps”（靠自己的力量振作起来），寓意仅利用你手头上的数据来估计总体的性质，而不需要理论公式。

5. 总结与快速回顾

必须记住的重点：

  • 独立双样本： 如果 \(\sigma_1^2 = \sigma_2^2\)，使用合并方差 (pooled variance)。对于大样本的比例或率，使用 \(z\)。
  • 配对样本： 留意“前后”或“匹配”等字眼。处理差值 (\(D\))。
  • 预测区间： 用于单一未来数值。它比 CI 更宽，因为个人比平均值变数更大。
  • Bootstrap： 当难以找到公式或分布未知时使用的重采样技术。

考试小贴士： 在 Paper B（R 语言考试）中，你可能会被要求编写代码来计算这些数值。在 Paper A 中，你通常需要使用公式与表格 (Formulae and Tables)（即橙皮书）来查找正确的 t-分布或 z-分布临界值。务必仔细检查你的自由度 (df)！