簡介：群組比較與預測未來

在之前的學習中，我們探討了如何估計單一群組的參數（例如某類汽車保險的平均理賠金額）。但在現實世界中，精算師經常需要比較兩個不同的群組。例如：「電動車的平均理賠成本是否與汽油車不同？」或者「我們新的安全培訓是否比去年減少了工作場所事故？」

在本章中，我們將學習如何構建信心區間 (Confidence Intervals, CIs) 來比較兩個母體，以及利用預測區間 (Prediction Intervals, PIs) 來估計單個未來觀測值可能落在哪裡。這是統計推論 (Statistical Inference) 的核心部分，幫助我們從「單純猜測」進步到做出具備數學根據的結論。

1. 雙樣本信心區間：獨立樣本

當我們有兩個獨立的群組（例如 A 組和 B 組）時，我們通常對它們均值之差 (difference between their means) 感興趣：\(\mu_1 - \mu_2\)。

A. 正態分佈（均值）

如果我們的數據來自正態母體，計算方法取決於我們是否知道方差 (\(\sigma^2\))。

情況 1：方差已知
\(\mu_1 - \mu_2\) 的信心區間為：
\((\bar{X}_1 - \bar{X}_2) \pm z_{\alpha/2} \sqrt{\frac{\sigma_1^2}{n_1} + \frac{\sigma_2^2}{n_2}}\)

情況 2：方差未知但假設相等
由於我們不知道方差，我們會將樣本方差 (\(s_1^2\) 和 \(s_2^2\)) 「合併」起來，以獲得更準確的估計，這稱為合併樣本方差 (pooled sample variance) (\(s_p^2\))。
\(s_p^2 = \frac{(n_1-1)s_1^2 + (n_2-1)s_2^2}{n_1 + n_2 - 2}\)

此時區間使用 t-分佈：
\((\bar{X}_1 - \bar{X}_2) \pm t_{n_1+n_2-2, \alpha/2} \sqrt{s_p^2 (\frac{1}{n_1} + \frac{1}{n_2})}\)

小貼士：如果差異的信心區間包含 0，這表示這兩個群組之間可能沒有顯著差異！

B. 二項分佈與泊松分佈（使用正態近似）

對於大樣本，我們可以使用正態分佈來近似這些區間。

二項分佈（比較比例）：
為了比較兩個概率 \(p_1 - p_2\)，我們使用樣本比例 \(\hat{p}_1\) 和 \(\hat{p}_2\)：
\((\hat{p}_1 - \hat{p}_2) \pm z_{\alpha/2} \sqrt{\frac{\hat{p}_1(1-\hat{p}_1)}{n_1} + \frac{\hat{p}_2(1-\hat{p}_2)}{n_2}}\)

泊松分佈（比較率）：
為了比較兩個泊松均值 \(\lambda_1 - \lambda_2\)，我們使用樣本均值 \(\bar{X}_1\) 和 \(\bar{X}_2\)：
\((\bar{X}_1 - \bar{X}_2) \pm z_{\alpha/2} \sqrt{\frac{\bar{X}_1}{n_1} + \frac{\bar{X}_2}{n_2}}\)

重點總結：雙樣本區間讓我們在比較兩個不同母體時，能夠將不確定性量化。

2. 配對數據：「前後對比」的情景

有時候，樣本並不是獨立的。例如，如果我們測量同一批 10 個人在服用藥物前和服用後的血壓。這些數據就是「配對」的。

秘訣：不要把它們當作兩個樣本處理。相反，計算每一對數據的差值 (\(D_i = X_i - Y_i\))。現在你就得到了一個關於差值的單一樣本！

平均差值 \(\mu_D\) 的信心區間就是標準的單樣本 t-區間：
\(\bar{D} \pm t_{n-1, \alpha/2} \frac{s_D}{\sqrt{n}}\)
其中：
\(\bar{D}\) 是差值的平均數。
\(s_D\) 是差值的標準差。
\(n\) 是配對的數量。

常見錯誤：對配對數據使用雙樣本公式。這在考試中是大忌，因為它忽略了配對數據之間的相關性！

3. 預測區間 (PIs)

同學經常混淆信心區間 (CI) 和預測區間 (PI)。它們的分別如下：

  • 信心區間： 估計母體均值 (\(\mu\)) 所在的位置。
  • 預測區間： 估計單個未來觀測值 (\(X_{next}\)) 可能落在哪裡。

因為單個觀測值比群組平均值波動（不穩定性）大得多，所以預測區間總是比信心區間更寬。

公式（適用於正態數據）：
基於大小為 \(n\) 的樣本，單個未來觀測值的區間為：
\(\bar{X} \pm t_{n-1, \alpha/2} \cdot s \sqrt{1 + \frac{1}{n}}\)

注意到根號裡面多了一個「\(1\)」嗎？這代表除了我們對均值的不確定性外，還考慮了單個新數據點本身固有的隨機性。

比喻：想像你在猜測全校學生的平均身高（信心區間）。現在想像你在猜測下一個走進教室的學生的身高（預測區間）。比起猜平均值，你需要一個更寬的範圍才能確保涵蓋那個特定個人的身高！

4. Bootstrap 方法（自助法）構建區間

如果數據不是正態分佈，且我們沒有現成的公式怎麼辦？我們可以使用 Bootstrap（自助法）——這是一種現代且依賴電腦運算的方法。

逐步流程：
1. 重新抽樣 (Resample)： 從原始數據中進行有放回 (with replacement) 的隨機抽樣（因此同一個數值可能會出現兩次）。這個新樣本的大小必須與原始樣本相同。
2. 計算： 算出這個新樣本的目標統計量（例如均值或均值之差）。
3. 重複： 重複上述步驟數千次，建立一個 「Bootstrap 分佈」。
4. 尋找百分位數： 對於 95% 信心區間，找出你生成結果中的第 2.5 和第 97.5 個百分位數。

你知道嗎？ Bootstrap 的名稱源自英文諺語「pulling yourself up by your own bootstraps」（靠自己的力量振作起來），寓意僅利用你手頭上的數據來估計母體的性質，而不需要理論公式。

5. 總結與快速回顧

必須記住的重點：

  • 獨立雙樣本： 如果 \(\sigma_1^2 = \sigma_2^2\)，使用合併方差 (pooled variance)。對於大樣本的比例或率，使用 \(z\)。
  • 配對樣本： 留意「前後」或「匹配」等字眼。處理差值 (\(D\))。
  • 預測區間： 用於單一未來數值。它比 CI 更寬，因為個人比平均值變數更大。
  • Bootstrap： 當難以找到公式或分佈未知時使用的重新抽樣技術。

考試小貼士： 在 Paper B（R 語言考試）中，你可能會被要求編寫代碼來計算這些數值。在 Paper A 中，你通常需要使用公式與表格 (Formulae and Tables)（即橙皮書）來查找正確的 t-分佈或 z-分佈臨界值。務必仔細檢查你的自由度 (df)！