歡迎來到估計與推論的世界！
在之前的學習中，我們探討了描述統計學——即總結現有數據的方法。但在真實的金融世界裡，我們很少擁有所有的數據。我們不可能預知這世上每一隻股票的未來回報，對吧？這就是估計與推論 (Estimation and Inference) 的用武之地。本章旨在學習如何從一大桶數據中汲取一小杯樣本 (sample)，並以此對整體 (population) 做出聰明的預測。如果一開始覺得有點抽象別擔心，我們會把它拆解成小塊逐一擊破！
1. 基本概念：母體與樣本
在深入數學之前，我們需要釐清研究的對象。
母體 (Population)：你想了解的整個群體（例如：全球所有上市公司）。
樣本 (Sample)：該群體中實際測量的一小部分（例如：我們挑選出來研究的 100 家公司）。
母體參數 (Parameter)：對母體的描述性測量值（如「真實」平均回報）。
樣本統計量 (Statistic)：對樣本的描述性測量值（如我們那 100 家公司的平均回報）。
小貼士：記住 P 代表 Population/Parameter（母體/參數），而 S 代表 Sample/Statistic（樣本/統計量）！
抽樣類型
我們如何挑選樣本非常重要。如果挑選方式錯誤，結果就會失真。
- 簡單隨機抽樣 (Simple Random Sampling)：母體中每一位成員被選中的機率均等。想像從帽子裡抽籤。
- 分層隨機抽樣 (Stratified Random Sampling)：我們根據特徵（如行業）將母體分為子群組（稱為層 (strata)），然後按比例從每一層中抽取樣本。類比：如果你在做水果沙拉，你會希望每一匙都能吃到蘋果、葡萄和哈密瓜，而不是只吃到滿滿的葡萄！
- 集群抽樣 (Cluster Sampling)：我們將母體劃分為多個「集群」（如地理區域），然後隨機選取整個集群來進行研究。
重點總結：
抽樣讓我們無需查看每一個數據點就能估計母體特徵，從而節省時間和成本。
2. 中央極限定理 (CLT) 的魔力
這可以說是統計學中最核心的概念。中央極限定理 (Central Limit Theorem) 告訴我們一個驚人的事實：只要樣本夠大（通常 n ≥ 30），樣本平均數 (sample means) 的分配就會呈現常態分配（鐘形曲線），無論原始母體的分布長什麼樣子！
為什麼這很厲害？ 即使原始數據看起來怪異且偏態，這些「樣本的平均值」卻表現得相當規律。這讓我們能利用常態分配的數學原理進行推論。
CLT 的性質：
- 所有樣本平均數的期望值等於母體平均數：\( \mu_{\bar{x}} = \mu \)。
- 樣本平均數的變異數等於母體變異數除以樣本大小：\( \sigma^2_{\bar{x}} = \frac{\sigma^2}{n} \)。
- 樣本平均數的標準差稱為標準誤 (Standard Error)。
標準誤 (Standard Error)
樣本平均數的標準誤衡量樣本平均數可能偏離真實母體平均數的程度。
公式：\( \sigma_{\bar{x}} = \frac{\sigma}{\sqrt{n}} \)
如果我們不知道母體標準差 (\( \sigma \))，我們就用樣本標準差 (\( s \)) 來代替：
\( s_{\bar{x}} = \frac{s}{\sqrt{n}} \)
你知道嗎？ 當樣本大小 (\( n \)) 越大，標準誤就越小。這很有道理：你問的人越多，對平均值的信心就越充足！
3. 點估計與信賴區間
當我們進行估計時，有兩種方式：
1. 點估計 (Point Estimate)：一個單一數值（例如：「我覺得平均回報是 8%」）。雖然簡單，但通常很難完全精準。
2. 信賴區間 (Confidence Interval)：一個數值範圍（例如：「我有 95% 的把握回報介於 6% 到 10% 之間」）。
建立信賴區間
任何信賴區間的通用公式為：
點估計 ± (可靠係數 × 標準誤)
可靠係數 (Reliability Factor) 取決於你想要的「信心水準」以及你使用的分配類型（z 或 t）。
常見的 Z 分數 (當母體變異數已知時)：
- 90% 信心水準：\( z = 1.645 \)
- 95% 信心水準：\( z = 1.960 \)
- 99% 信心水準：\( z = 2.575 \)
範例：若樣本平均數為 10，標準誤為 2，我們想要 95% 的信賴區間：
\( 10 \pm (1.96 \times 2) = 10 \pm 3.92 \)
區間：[6.08 至 13.92]
重點總結：
信賴區間越寬（例如 99% 相對於 95%），你對真實數值落在區間內的信心就越高，但範圍的精確度會下降。
4. 如何選擇 Z 分配與 T 分配
這是 CFA 考試常見的「陷阱題」！到底該查哪張表：Z 表還是 t 表？
當出現以下情況，請使用 t 分配：
- 母體變異數未知（現實世界中幾乎總是如此）。
- 樣本數很小 (\( n < 30 \))，但母體呈現常態分配。
當出現以下情況，請使用 Z 分配：
- 母體變異數已知。
- 母體變異數未知但樣本數很大 (\( n \ge 30 \))。不過，許多從業者仍傾向使用 t 分配，因為它較為保守。
t 分配看起來像常態分配，但「尾部更厚 (fatter tails)」。這意味著它容許更多極端值的出現，因為我們對估計的把握度較低。隨著自由度 (degrees of freedom, \( df = n - 1 \)) 增加，t 分配會變得越來越像 Z 分配。
5. 抽樣偏差（那些陷阱！）
即使數學再精確，如果抽樣本身有偏差，結果也會是「垃圾進，垃圾出」。以下是需要注意的偏差類型：
1. 生存者偏差 (Survivorship Bias)：只看那些至今仍在營運的公司。（忽略了那些倒閉的公司，會讓平均表現看起來比實際更好！）
2. 前瞻偏差 (Look-ahead Bias)：在研究中使用了投資當時無法獲得的資訊。
3. 資料挖掘偏差 (Data-mining Bias)：通過不斷測試不同變數直到湊出想要的結果，導致某個結果僅僅是隨機巧合。
4. 時間區段偏差 (Time-period Bias)：結果僅適用於特定時間段（例如：只研究 90 年代繁榮期的科技股）。
5. 選擇性偏差 (Selection Bias)：樣本不具隨機性（例如：一個「隨機」街頭訪問只找穿西裝的人談話）。
速查小框：
- 標準誤： \( s / \sqrt{n} \)
- CLT： 當 \( n \ge 30 \) 時，樣本平均數呈現常態分配。
- t 分配： 當 \( \sigma \) 未知時使用；尾部較厚。
- 自由度： \( n - 1 \)。
結語
估計與推論是連接原始數據與實際決策之間的橋樑。別擔心公式看起來很繁重，重點在於邏輯：我們抽取樣本、計算平均數、針對不確定性進行調整（標準誤與可靠係數），並創造出一個我們認為真值存在的區間。你做得很好，繼續練習查閱 Z 表吧！
歡迎來到假設檢定：金融界的「事實查核員」
各位未來的特許金融分析師（Charterholder）大家好！歡迎來到數量分析（Quantitative Methods）中最實用的章節之一。你可以將假設檢定（Hypothesis Testing）視為投資領域的「科學方法」。
想像一位基金經理聲稱其策略能擊敗市場。這是真的，還是他們今年只是運氣好？假設檢定為我們提供了一種數學方法，用來判斷一個結果是統計顯著（statistically significant），還是僅僅是巧合。如果剛開始覺得數學公式很嚇人，不用擔心——我們會將其拆解成簡單且合乎邏輯的步驟。
1. 基礎概念：虛無假設 vs. 對立假設
每個檢定都始於兩個對立的陳述。
虛無假設（Null Hypothesis, \(H_0\)）： 這是「現狀（status quo）」或我們在有足夠證據推翻它之前，預設為真的陳述。它幾乎總是包含「等於」符號（=、≤ 或 ≥）。
類比：在法庭上，虛無假設就是「被告是無罪的」。
對立假設（Alternative Hypothesis, \(H_a\)）： 這是研究人員真正想要證明的假設，是對「現狀」的挑戰。它永遠不包含「等於」符號（<、> 或 ≠）。
類比：檢察官的目標是證明對立假設：「被告是有罪的」。
重要法則： 我們從不「接受」虛無假設。我們只能「拒絕 \(H_0\)」（我們找到了支持 \(H_a\) 的足夠證據），或是「無法拒絕 \(H_0\)」（我們沒有找到足夠的證據）。
重點總結：
永遠尋找「等於」符號。如果一個陳述說「等於」或「至少」，它就屬於 \(H_0\)；如果它說「不等於」或「大於」，它就屬於 \(H_a\)。
2. 單尾檢定 vs. 雙尾檢定
我們如何知道該從哪個方向去觀察？這取決於問題本身。
雙尾檢定（Two-Tailed Test）： 當你想知道數值是否與假設值不同（可能是變高或變低）時使用。
例子：\(H_0: \mu = 10\%\) 對比 \(H_a: \mu \neq 10\%\)。
單尾檢定（One-Tailed Test）： 當你只對單一方向（「大於」或「小於」）感興趣時使用。
例子：\(H_0: \mu \le 0\) 對比 \(H_a: \mu > 0\)。 (我們只關心報酬是否為正)。
速記技巧： 觀察對立假設（\(H_a\)）中的符號。如果是 \(\neq\)，就是雙尾檢定；如果是 \(>\) 或 \(<\)，「箭頭」指向的方向就是你要檢定的尾部（tail）！
3. 檢定中的錯誤：型一錯誤與型二錯誤
在完美的理想世界中，我們總能做出正確判斷。但在統計學中，我們可能會犯兩類錯誤：
型一錯誤（Type I Error）： 拒絕了真實的虛無假設。這就像是將無辜的人定罪。犯下型一錯誤的機率稱為阿爾法 (\(\alpha\))，也稱為顯著水準（Level of Significance）。
型二錯誤（Type II Error）： 無法拒絕錯誤的虛無假設。這就像是放走了一個有罪的人。此錯誤的機率稱為貝塔 (\(\beta\))。
檢定力（Power of a Test）： 這是正確拒絕錯誤虛無假設的機率。計算公式為 \(1 - \beta\)。我們當然希望檢定力越高越好！
記憶小撇步：
型一錯誤是「偽陽性（False Positive）」（你以為發現了什麼，但其實沒有）。
型二錯誤是「偽陰性（False Negative）」（那裡確實有東西，但你錯過了它）。
4. 檢定統計量：我們的測量尺
為了做出決定，我們會計算一個檢定統計量（Test Statistic）。本章中幾乎所有檢定統計量的通用公式如下：
\( \text{Test Statistic} = \frac{\text{樣本統計量} - \text{假設值}}{\text{標準誤}} \)
其中標準誤（Standard Error）通常是樣本標準差除以樣本數的平方根：\( \frac{s}{\sqrt{n}} \)。
你知道嗎？ 檢定統計量只是告訴你，你的樣本結果距離虛無假設有多少個「標準誤」。距離越遠，我們就越傾向於拒絕虛無假設！
5. 選擇正確的檢定（z-檢定 vs. t-檢定）
學生經常糾結於該選哪種檢定。以下是簡單的指南：
使用 t-檢定（t-test）： 如果你不知道母體變異數（這在現實世界中幾乎總是如此）且使用樣本標準差（\(s\)）時。
注意：對於 t-檢定，你需要知道自由度（Degrees of Freedom, df），通常是 \(n - 1\)。
使用 z-檢定（z-test）： 如果你確實知道母體變異數（\(\sigma^2\)），或者樣本量非常大時（儘管在變異數未知時，技術上仍偏好使用 \(t\)）。
6. 決策：拒絕域與 P-值
得到檢定統計量後，該如何決策？
方法一：臨界值（Critical Values）。 將計算出的檢定統計量與查表得到的「臨界值」（基於你的顯著水準，例如 5%）進行比較。如果你的統計量比臨界值更極端，你就拒絕 \(H_0\)。
方法二：P-值（P-value）。 這是「機率」法。P-值是能夠拒絕虛無假設的最小顯著水準。
P-值的黃金法則：
若 P-值 < \(\alpha\)，則 拒絕 \(H_0\)。
若 P-值 ≥ \(\alpha\)，則 無法拒絕 \(H_0\)。
口訣：「If the p is low, the null must go!」（P 值低，虛無歸！）
7. 變異數的檢定
有時我們不關心平均值（mean）；我們關心的是風險（變異數）。
單一變異數檢定： 我們使用 卡方檢定（Chi-square, \(\chi^2\) test）。
公式：\( \chi^2 = \frac{(n-1)s^2}{\sigma_0^2} \)
兩個變異數的比較： 我們使用 F-檢定（F-test）。這在檢查兩隻不同股票是否具有相同風險水準時很常見。
公式：\( F = \frac{s_1^2}{s_2^2} \)（請務必將較大的變異數放在分子，使 \(F > 1\)）。
8. 母數檢定 vs. 無母數檢定
母數檢定（Parametric Tests）： 這些檢定（如 t-檢定和 z-檢定）假設數據遵循特定的分佈（如常態分佈），並依賴平均值和變異數等母數。
無母數檢定（Non-parametric Tests）： 這些是「與分佈無關」的檢定。我們在以下情況使用：
1. 數據不符合常態分佈。
2. 數據是「排序的」（如第一名、第二名）而非具體數值。
3. 樣本量非常小。
要避免的常見錯誤： 不要認為無母數檢定「更好」。如果數據確實呈常態分佈，它們的檢定力其實比母數檢定更弱。
9. 考前重點檢核表
進入下一章前，請確保你已經掌握：
• 能從文字題目中正確識別 \(H_0\) 和 \(H_a\)。
• 區分型一錯誤與型二錯誤。
• 計算單一平均值的 t-統計量。
• 決定是否使用臨界值或 P-值來拒絕 \(H_0\)。
• 識別何時該用卡方檢定（單一變異數）或 F-檢定（兩個變異數）。
別擔心，一開始覺得棘手是很正常的！假設檢定就像學習一門新語言。一旦你熟悉了虛無假設與對立假設的「文法」，邏輯就會變得像本能一樣自然。繼續練習那些計算題吧！
歡迎來到獨立性參數檢定與無參數檢定（Parametric and Non-Parametric Tests of Independence）的世界！
在你的 CFA 學習之旅中，你已經學過如何描述數據，並針對單一平均數或變異數進行假設檢定。但在真實的金融世界裡，我們很少只單獨看一件事。我們通常想了解的是：股票的表現是否與其所屬行業有關？執行長的學歷會影響公司回報嗎？
在本章中，我們將探討如何檢定兩個變數是獨立的（代表兩者沒有關係）還是相關的（代表兩者有關聯）。我們將探討兩個主要工具：卡方檢定（Chi-Square Test）和斯皮爾曼等級相關係數（Spearman’s Rank Correlation）。不用擔心這些名字聽起來很複雜——我們會一步步拆解它們！
快速回顧：「獨立」是什麼意思？
如果兩個事件是獨立的，那麼其中一個事件的發生對於另一個事件的機率不會提供任何資訊。例如，擲硬幣的結果與倫敦的天氣是獨立的。然而，利率與債券價格則是相關的（dependent）。
1. 參數檢定與無參數檢定：宏觀概覽
在深入研究具體的檢定方法之前，我們需要先了解統計檢定的這兩個「家族」。
參數檢定（Parametric Tests）
這類檢定對基礎數據有嚴格的假設。通常，它們假設數據遵循某種特定分佈（如常態分佈），並使用諸如平均數（mean）和變異數（variance）等參數。想像一下，這就像一個嚴格的烘焙食譜——如果你的材料不夠精準，蛋糕就不會發起來。
無參數檢定（Non-Parametric Tests）
這些檢定更具彈性。它們不要求數據必須呈常態分佈。通常在我們有小樣本量、異常值（outliers），或是處理的是等級數據（ranked data）（例如「第一名、第二名」）而非精確數值時使用。把它們想像成「Taco 自助餐」——你可以隨意替換配料，餐點依然美味！
關鍵要點：當我們的數據比較「混亂」或不符合參數檢定的嚴格要求時，我們就會使用無參數檢定。
2. 卡方（\(\chi^2\)）獨立性檢定
當我們有類別數據（categorical data）時，我們會使用卡方檢定。這意味著數據是被分類到不同的組別或「桶子」中，而不是連續的數值。例如，將公司按產業（科技、能源、金融）和股利政策（發放股利、不發放股利）進行分類。
列聯表（Contingency Tables）
為了執行此檢定，我們使用列聯表（也稱為交叉表）。它能同時展示兩個類別變數的計數（頻率）。
假設（Hypothesis）
虛無假設（\(H_0\)）：兩個變數是獨立的（沒有關係）。
對立假設（\(H_a\)）：兩個變數是相關的（存在關係）。
計算檢定統計量
卡方統計量衡量的是我們實際觀察到的數據 (\(O\)) 與如果變數完全獨立時我們預期會看到 (\(E\)) 的數據之間的差異。
公式為：
\( \chi^2 = \sum \frac{(O - E)^2}{E} \)
逐步流程：
1. 計算期望值 (\(E\))： 對表格中的每個格子，使用這個技巧：
\( E = \frac{(\text{列總計} \times \text{行總計})}{\text{總計}} \)
2. 求出差異： 對於每個格子，用實際觀察值減去期望值 (\(O - E\))。
3. 平方並相除： 將差異平方後，除以期望值。
4. 加總： 將所有格子的計算值加在一起，即可得到你的 \(\chi^2\) 統計量。
自由度（Degrees of Freedom, \(df\)）
對於卡方獨立性檢定，自由度的計算方式為：
\( df = (r - 1) \times (c - 1) \)
其中 \(r\) 是列數，\(c\) 是行數。
你知道嗎？ 卡方分佈總是正值，且向右偏斜。隨著自由度增加，它會看起來越來越像常態分佈！
關鍵要點： 如果計算出的 \(\chi^2\) 遠大於表格中的「臨界值」，我們就會拒絕虛無假設，並推論這些變數之間存在關係。
3. 斯皮爾曼等級相關係數（Spearman’s Rank Correlation, \(r_s\)）
有時候我們想知道關係的強度，但我們的數據是順序型的（ordinal/ranked），或者包含了會破壞標準相關係數計算的極端異常值。這時候就是斯皮爾曼等級相關係數出場的時候了。
類比： 想像兩位評審在選秀節目中給 10 位參賽者排名。即使評審給出的確切分數不同，但如果他們都同意參賽者 A 比參賽者 B 優異，那麼他們的排名就是相關的。
為什麼要用它？
- 它是皮爾遜（Pearson）相關係數的無參數替代方案。
- 當數據是非線性但仍遵循某種趨勢（單調）時使用。
- 它對於異常值具有穩健性（robust），因為它看的是數據的順序，而非實際數值。
計算方式：
1. 將兩個變數的數據分別從小到大（或從大到小）進行排名。
2. 計算每一對排名之間的差異 (\(d_i\))。
3. 使用公式：
\( r_s = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)} \)
解讀結果：
\(r_s\) 的值永遠介於 -1 到 +1 之間。
- +1： 完美的正等級相關（當一個排名上升，另一個也總是上升）。
- -1： 完美的負等級相關。
- 0： 排名之間沒有關係。
常見錯誤： 別忘了分子裡的「6」！無論你的樣本量是多少，這都是公式中的常數。
關鍵要點： 當你的數據不呈常態分佈，或是處理的是排名而非原始測量數據時，斯皮爾曼等級相關係數是你的首選工具。
4. 何時使用無參數檢定？（快速指南）
在 CFA 考試中，你可能會被要求辨識何時使用無參數檢定比參數檢定更合適。請記住這四種情境：
- 數據是類別型的： 當你是在計算「桶子」裡的數量時，使用卡方檢定。
- 數據是順序型的（有排名的）： 使用斯皮爾曼等級相關係數。
- 樣本量小： 當樣本過小，無法假設其為常態分佈時。
- 存在極端異常值： 當幾個異常數據點會將平均數或相關係數拉向某一極端時。
如果起初覺得這些很棘手，別擔心！ 只要記住：參數檢定 = 精確/嚴格，無參數檢定 = 排名/彈性。
總結與快速回顧欄
卡方檢定： 使用列聯表檢定兩個類別變數之間的獨立性。使用 \(df = (r-1)(c-1)\)。
斯皮爾曼等級相關： 衡量排名數據之間關係的強度。範圍從 -1 到 +1。
獨立性： 虛無假設通常指出沒有關係。如果我們的檢定統計量很高，我們就「開除」（拒絕）虛無假設！
測試你的理解：
如果你正在比較「分析師評級」（買入/持有/賣出）與「行業」（科技/零售），你會使用哪種檢定？
答案： 卡方獨立性檢定（因為這些都是類別！）。