🚀 使用常態分佈與 t 分佈進行推論：學習筆記 (9231 Further Statistics)

歡迎來到進階統計學中最實用且強大的章節之一！本單元的主旨是即使在只有少量數據（樣本）的情況下，也能對龐大的母體做出穩健的決策與預測。

在之前的學習中，你已經廣泛運用了常態分佈（Z 檢定），通常是假設已知母體變異數 (\(\sigma^2\)) 或樣本數足夠大。但在現實世界中，我們往往不知道 \(\sigma^2\)，且數據集可能非常小。這時候，t 分佈就能派上用場了！

你將學會如何選擇正確的檢定方法（Z 或 t），並利用它來進行假設檢定，以及建立母體平均值的信賴區間。

1. 快速複習：何時使用 Z 檢定 vs. T 檢定

選擇常態分佈（Z 檢定）還是 t 分佈，取決於兩件事：樣本數 (\(n\)) 以及你是否知道 母體變異數 (\(\sigma^2\))。

常態分佈（Z 檢定）：黃金標準

當我們對母體參數有充分的了解時，我們會依賴標準常態分佈 (Z)。

  • 情況 1：已知母體變異數（無論樣本數 \(n\) 為何）。
  • 情況 2：樣本數很大 (\(n \ge 30\))，即使母體變異數未知。為什麼？因為中央極限定理 (Central Limit Theorem)；當 \(n\) 很大時，樣本變異數 (\(s^2\)) 是母體變異數 (\(\sigma^2\)) 的極佳估計值，且抽樣分佈會趨近於常態分佈。

t 分佈：小樣本專家

當我們面臨真正的不確定性時，就會使用 t 分佈。

  • 情況 3：母體變異數未知 且 樣本數很小 (\(n < 30\))。

💡 比喻： 將 Z 檢定想像成一把鋒利且精準的刀，當你清楚知道自己在切什麼時使用；t 分佈則是一把稍微鈍一點的刀，因為你對估計的精確度較沒把握，所以它給出的誤差範圍會稍大一些。

重點總結： 若 \(\sigma^2\) 未知且 \(n\) 很小，你必須使用 t 分佈。這是 9231 關於平均值推論的核心重點。

2. 理解 t 分佈

a) 什麼是 t 分佈？

t 分佈（或學生 t 分佈）與常態分佈相似：它也是對稱的鐘形曲線，中心點為零。然而，它通常比標準常態分佈 (Z) 更平坦，且尾部更厚 (heavier tails)。這是為了說明在使用樣本變異數 \(s^2\) 來估計 \(\sigma^2\) 時所引入的額外不確定性。

b) 自由度 (\(\nu\))

t 分佈的形狀會根據其自由度 (\(\nu\)) 而改變。

  • 對於大小為 \(n\) 的單一樣本，自由度永遠是：\(\nu = n - 1\)。
  • 隨著 \(\nu\) 增加（即樣本數 \(n\) 變大），t 分佈會變得更窄，並逐漸接近標準常態分佈 (Z)。

為什麼是 \(n-1\)？ 當我們計算樣本平均值 (\(\bar{x}\)) 來估計變異數時，我們消耗了一個資訊單位（一個自由度）。如果你已經知道 \(\bar{x}\) 和 \(n-1\) 個數據值，那麼最後一個數值就已經被固定了。因此，只有 \(n-1\) 個數值是「可以自由變動的」。

3. 單一母體平均值 (\(\mu\)) 的推論

當我們從未知變異數 (\(\sigma^2\)) 的常態母體中取得小樣本 (\(n < 30\)) 時，我們使用 t 檢定。

a) 假設檢定 (t 檢定)

檢定統計量 \(T\) 用來測量樣本平均值 (\(\bar{x}\)) 與虛無假設 \(H_0\) 中設定的預期母體平均值 (\(\mu_0\)) 之間相差幾個標準誤。

步驟 1：建立假設

範例：\(H_0: \mu = 50\) 對應 \(H_1: \mu \ne 50\)（雙尾檢定）。

步驟 2：計算變異數的無偏估計值 (\(s^2\))

母體變異數 \(\sigma^2\) 是由無偏樣本變異數 \(s^2\) 來估計的。如果你拿到的是原始數據，必須先計算它：

$$s^2 = \frac{1}{n-1} \sum (x - \bar{x})^2$$

步驟 3：計算檢定統計量 T

$$T = \frac{\bar{x} - \mu_0}{s / \sqrt{n}}$$

其中 \(s / \sqrt{n}\) 是估計的平均值標準誤。

步驟 4：決定自由度與臨界值

自由度：\(\nu = n - 1\)。根據 \(\nu\) 和顯著水準 (\(\alpha\))，在統計表（MF19 第 41 頁）中查出臨界 t 值。

步驟 5：結論

將計算出的 \(T\) 與臨界值比較，或將 p 值與 \(\alpha\) 比較。若 \(|T| > t_{\text{crit}}\)，則拒絕 \(H_0\)。

b) \(\mu\) 的信賴區間 (CI)

信賴區間提供了一個範圍，真實的母體平均值 \(\mu\) 很可能落在其中。由於 \(\sigma^2\) 未知且 \(n\) 很小，我們使用 t 分佈的臨界值。

\(\mu\) 的 CI 公式為：

$$\bar{x} \pm t_{\text{crit}} \times \frac{s}{\sqrt{n}}$$

  • \(\bar{x}\) 是樣本平均值。
  • \(t_{\text{crit}}\) 是使用 \(\nu = n - 1\) 和所需的信賴水準查出的臨界 t 值（例如，對於 95% CI，使用 MF19 t 表中的 0.975 欄位）。
  • \(\frac{s}{\sqrt{n}}\) 是估計的標準誤。
常見錯誤警示！ 請記住，在尋找 95% 信賴區間時，對於雙尾檢定，必須使用對應 \(p = 0.975\) 的 t 表數值（因為 \(1 - 0.95 = 0.05\)，而 \(0.05/2 = 0.025\)，所以 \(p = 1 - 0.025 = 0.975\)）。

4. 兩個母體平均值之差 (\(\mu_1 - \mu_2\)) 的推論

這部分至關重要，要求你正確判斷樣本是獨立 (independent) 還是 相依 (dependent/paired) 的，以及樣本數是大還是小。

情境 A：大樣本 (Z 檢定)

如果兩個樣本數 \(n_1\) 和 \(n_2\) 都很大 (\(\ge 30\))，我們使用常態 (Z) 分佈，並以樣本變異數 \(s_1^2\) 和 \(s_2^2\) 代替 \(\sigma_1^2\) 和 \(\sigma_2^2\)。

檢定統計量：

$$Z = \frac{(\bar{x}_1 - \bar{x}_2) - 0}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}$$

信賴區間：

$$(\bar{x}_1 - \bar{x}_2) \pm Z_{\text{crit}} \times \sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}$$

情境 B：小獨立樣本 (雙樣本 t 檢定)

當我們有兩個來自常態母體的小型獨立樣本，且假設兩母體擁有相同的未知變異數 (\(\sigma_1^2 = \sigma_2^2 = \sigma^2\)) 時，使用此檢定。

步驟 1：計算合併變異數估計值 (\(s_p^2\))

由於我們假設變異數相同，我們將數據「合併 (pool)」以獲得這個共同變異數更好的單一估計值。MF19（第 39 頁）提供的公式為：

$$s_p^2 = \frac{\sum(x_1 - \bar{x}_1)^2 + \sum(x_2 - \bar{x}_2)^2}{n_1 + n_2 - 2}$$

注意：\(\sum(x - \bar{x})^2\) 通常稱為離均差平方和 (Sum of Squares, SS)。此公式本質上就是 \((SS_1 + SS_2) / (n_1 + n_2 - 2)\)。

步驟 2：計算檢定統計量 T

$$T = \frac{(\bar{x}_1 - \bar{x}_2) - 0}{\sqrt{s_p^2 \left(\frac{1}{n_1} + \frac{1}{n_2}\right)}}$$

步驟 3：自由度 (\(\nu\))

當合併兩個獨立樣本時，自由度為個別自由度的總和：

$$\nu = (n_1 - 1) + (n_2 - 1) = n_1 + n_2 - 2$$

步驟 4：\(\mu_1 - \mu_2\) 的信賴區間

$$(\bar{x}_1 - \bar{x}_2) \pm t_{\text{crit}} \times \sqrt{s_p^2 \left(\frac{1}{n_1} + \frac{1}{n_2}\right)}$$

別擔心，這剛開始看起來可能有點複雜！ 最困難的部分是計算 \(s_p^2\)。一旦算出來，其餘步驟就只是將數值代入標準 t 公式，並使用對應的自由度即可。

情境 C：配對樣本 t 檢定 (相依樣本)

當測量結果自然連結（例如比較同一組人的「前」與「後」分數，或比較同卵雙胞胎）時，使用此檢定。

這裡的巧妙技巧是，我們不把它看作兩個獨立的群體；我們將配對分數的差值 (difference) 視為單一樣本。

配對 t 檢定的步驟：

  1. 計算每一對的差值 \(d\) (\(d = x_1 - x_2\))。
  2. 計算差值的平均值 \(\bar{d}\) 以及差值的標準差 \(s_d\)。
  3. 假設檢定簡化為對差值的單一樣本 t 檢定，檢定平均差值 \(\mu_d\) 是否為零（即 \(H_0: \mu_d = 0\)）。

檢定統計量：

$$T = \frac{\bar{d} - 0}{s_d / \sqrt{n}}$$

其中 \(n\) 是配對的數量。

自由度：

$$\nu = n - 1$$

\(\mu_d\) 的信賴區間：

$$\bar{d} \pm t_{\text{crit}} \times \frac{s_d}{\sqrt{n}}$$

選擇正確的檢定（總結輔助）：
  • 單一樣本，\(\sigma^2\) 已知或 \(n\) 大： Z 檢定 (常態)
  • 單一樣本，\(\sigma^2\) 未知，\(n\) 小： T 檢定 (\(\nu = n-1\))
  • 雙樣本，獨立，\(n\) 大： Z 檢定 (常態近似)
  • 雙樣本，獨立，\(n\) 小： 雙樣本 T 檢定 (合併變異數，\(\nu = n_1 + n_2 - 2\))
  • 雙樣本，相依/配對： 配對 T 檢定 (對差值進行單樣本檢定，\(\nu = n-1\))

5. 使用信賴區間 (CI)

信賴區間其實就是假設檢定的補充。如果假設的平均值（\(\mu_0\) 或 \(\mu_1 - \mu_2 = 0\)）落在計算出的信賴區間之外，那麼你就會在相應的顯著水準下拒絕虛無假設。

a) 決定正確的 CI 公式

尋找 CI 的過程與選擇假設檢定的過程一致：

  1. 識別參數： 你是在估計單一平均值 (\(\mu\)) 還是平均值之差 (\(\mu_1 - \mu_2\))？
  2. 識別分佈： 是常態 (Z) 還是 t (T)？（基於 \(n\) 的大小及 \(\sigma^2\) 的已知情況）。
  3. 識別臨界值： 查出 \(Z_{\text{crit}}\)（從常態分佈表的臨界值部分）或 \(t_{\text{crit}}\)（從 t 表中使用對應的自由度）。

任何信賴區間的結構都是：

$$(\text{點估計值}) \pm (\text{臨界值}) \times (\text{標準誤})$$

b) 解讀信賴區間

95% 信賴區間並不代表真實母體平均值有 95% 的機率落在此特定區間內。相反地，它代表如果我們重複抽樣程序多次，所構建的 95% 的信賴區間都將包含真實的母體平均值。

範例：如果方法 A 與方法 B 之間平均值差的 95% CI 為 (2.5, 4.1)，由於此區間不包含零，我們可以有 95% 的信心認為方法 A 優於方法 B。

c) 你知道嗎？

t 分佈是由 William Sealy Gosset 於 1908 年首次開發的。他在健力士 (Guinness) 釀酒廠工作，並利用小樣本來監控啤酒的品質。由於公司規定禁止他以本名發表研究，他便以筆名「學生」(Student) 發表，這就是「學生 t 分佈」一詞的由來。

快速複習：必要元素

為了在本章取得成功，請確保你能快速辨識任何問題中的三件事：

  1. 樣本是大還是小？
  2. \(\sigma^2\) 是已知還是未知？
  3. 樣本是獨立還是配對的？

回答這些問題，能立即指引你選擇正確的檢定統計量 (Z 或 T) 以及正確的自由度 (\(\nu\))。

持續練習選擇正確的程序，你一定能掌握這個主題！