歡迎來到單元 S3：估計、置信區間與檢定！
你好，未來的統計學家！在這一章，我們將不再僅僅滿足於描述數據，而是要學會對整個母體做出強而有力且資訊充分的推斷。這正是統計推論的核心——利用小樣本來得出關於母體的重大結論。
為什麼這很重要？ 無論你未來從事金融、醫學還是品質管理，你幾乎不可能獲取*所有*的數據。我們利用本章的工具，能以特定的確定性水平（level of certainty）來判定真實數值（例如產品的平均壽命，或偏好某個品牌的人口比例）。掌握這些概念對於你的考試以及現實中的分析工作都至關重要！
1. 點估計量與不偏估計
在統計學中，點估計量 (point estimator) 是一個統計量（樣本數據的函數），我們用它來估計未知的母體參數（例如母體平均值 \(\mu\) 或變異數 \(\sigma^2\)）。
什麼是不偏估計量 (Unbiased Estimator)？
當我們估計一個母體參數時，我們希望估計結果是「公平」的。如果一個估計量在多次重複抽樣下，其平均估計值等於母體真實參數，那麼該估計量就是不偏的 (unbiased)。
想像一下射擊練習。如果你的估計量是不偏的，即使個別射擊（樣本）沒有命中靶心（真實參數），但所有射擊點的平均位置正好就是靶心。
你需要掌握的關鍵估計量包括：
- 母體平均值 (\(\mu\))： 使用樣本平均值 \(\bar{X}\) 估計。（\(\bar{X}\) 是 \(\mu\) 的不偏估計量）。
- 母體比例 (\(p\))： 使用樣本比例 \(\hat{p}\) 估計。（\(\hat{p}\) 是 \(p\) 的不偏估計量）。
關鍵問題：估計變異數
這往往是同學最容易犯錯的地方。我們有兩種主要方法計算樣本變異數，但只有一種是不偏的母體變異數 \(\sigma^2\) 估計量。
有偏估計量 (\(S^2\))
這是你在基礎統計學中學過的標準公式，即將離差平方和除以 \(n\)： $$S^2 = \frac{\sum (x_i - \bar{x})^2}{n}$$ 如果你使用 \(S^2\) 來估計母體變異數 \(\sigma^2\)，你的估計值通常會偏小。因此，這是一個有偏估計量 (biased estimator)。
不偏估計量 (\(\hat{\sigma}^2\))
為了得到母體變異數的不偏估計，我們需使用自由度 (degrees of freedom)，即 \(n-1\) 作為分母進行調整： $$\hat{\sigma}^2 = \frac{\sum (x_i - \bar{x})^2}{n-1}$$ 符號 \(\hat{\sigma}^2\) 是母體變異數不偏估計量的標準記法。在 A Level 的術語中，它通常被稱為樣本變異數 (sample variance)。
記憶小撇步：為什麼是 \(n-1\)？
在計算變異數時，你需要先利用樣本平均值 \(\bar{x}\) 來求離差。因為你已經利用數據計算了 \(\bar{x}\)，你等於「消耗」了一項資訊，只剩下 \(n-1\) 個*自由*的資訊量（即自由度）。除以 \(n-1\) 正是為了修正這種內在的低估。
估計量重點總結： 對於 \(\mu\)，務必使用 \(\bar{X}\)；對於 \(p\)，使用 \(\hat{p}\)；而對於 \(\sigma^2\)，請務必除以 \(n-1\) 以獲得最佳（不偏）估計。
2. 置信區間：我們到底在說什麼？
置信區間 (Confidence Interval, CI) 是一個數值範圍，我們基於特定的置信水平（confidence level），相信真實的母體參數就落在這個範圍內。
釣魚類比
想像你正試圖在一個巨大的湖中捕捉一條特定的魚（真實母體平均值 \(\mu\)）。你看不到這條魚，但你可以根據你抽樣取出的少量水，拋出一個網（即你的置信區間）。
- 網的大小： 取決於你要求的置信水平（例如 95% 或 99%）。99% 的置信區間（網更大）讓你更有機會抓到魚，但區間也會更寬（精確度較低）。
- 魚： 母體參數 (\(\mu\))。它是固定的，但我們未知。
如果你構建了 100 個置信區間（即抽取 100 次樣本並製成 100 個網），95% 的置信水平意味著：其中 95 個網能成功捕捉到真實的母體平均值 \(\mu\)，其餘 5 個則會落空。
公式結構
所有置信區間都遵循以下結構：
$$ \text{估計值} \pm (\text{臨界值} \times \text{標準誤}) $$其中 \((\text{臨界值} \times \text{標準誤})\) 被稱為誤差範圍 (Margin of Error)。
你知道嗎？ 科學研究中最常見的置信水平是 95%。這對應的顯著性水平 (\(\alpha\)) 為 0.05。
3. 計算平均值 (\(\mu\)) 的置信區間
計算平均值置信區間的方法完全取決於兩個因素：樣本大小 (\(n\)) 以及母體變異數 (\(\sigma^2\)) 是否已知。
A. 當母體變異數 (\(\sigma^2\)) 已知時
若已知母體變異數，無論樣本大小 \(n\) 為何，我們都可以利用中央極限定理 (CLT) 使用常態分佈 (Z-scores)。
Z-區間步驟
- 檢查假設： 母體呈常態分佈，或者 \(n\) 足夠大 (\(n > 30\))，使 CLT 適用。
- 識別數值： 找出 \(\bar{x}\)、\(\sigma\)、\(n\) 以及置信水平。
- 尋找臨界 Z 值 (\(z\))： 使用常態分佈表（或計算機）獲取對應的置信水平。
- 計算區間： $$ \bar{x} \pm z \times \frac{\sigma}{\sqrt{n}} $$
快速回顧：常見 Z 值：
（這是雙側檢定中經常使用的關鍵數值）：
- 90% 置信水平： \(z = 1.6449\)
- 95% 置信水平： \(z = 1.9600\)
- 99% 置信水平： \(z = 2.5758\)
B. 當母體變異數 (\(\sigma^2\)) 未知時
當 \(\sigma^2\) 未知時，我們必須使用樣本變異數 \(\hat{\sigma}^2\) 來估計它。當我們這樣做時（特別是樣本較小時），檢定統計量的分佈不再是常態的，我們需要使用學生 t 分佈 (Student's t-distribution)。
重要提示： \(t\) 分佈比常態分佈更寬、更扁，這反映了從樣本數據估計 \(\sigma^2\) 所帶來的額外不確定性。
T-區間步驟
- 檢查假設： 我們必須假設母體為常態分佈。（如果 \(n\) 非常大，\(t\) 分佈會趨近於常態分佈）。
- 計算 \(\hat{\sigma}\)： 使用 \(\sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}}\) 作為 \(\hat{\sigma}\)。
- 確定自由度 (\(v\))： \(v = n-1\)。
- 尋找臨界 T 值 (\(t_v\))： 使用 \(t\) 分佈表，查閱 \(v = n-1\) 及相應置信水平（雙側）。
- 計算區間： $$ \bar{x} \pm t_v \times \frac{\hat{\sigma}}{\sqrt{n}} $$
如果初次接觸覺得複雜也不用擔心，Z 和 T 的主要差別僅在於你要查哪一個表！記住：變異數未知？就用 T！
4. 比例 (\(p\)) 的置信區間
如果我們研究的是二元結果（例如成功/失敗、是/否），我們關注的是母體比例 \(p\)。我們使用樣本比例 \(\hat{p}\) 來估計 \(p\)。
為了讓置信區間有效，我們通常要求樣本量足夠大，即 \(n\hat{p} > 5\) 且 \(n(1-\hat{p}) > 5\)。
比例區間步驟
- 識別數值： 成功次數 \(x\)、樣本大小 \(n\)，以及 \(\hat{p} = x/n\)。
- 標準誤： 樣本比例的標準誤計算如下： $$ \text{SE} = \sqrt{\frac{\hat{p}(1-\hat{p})}{n}} $$
- 尋找臨界 Z 值 (\(z\))： 使用常態分佈表（與已知變異數的情況相同）。
- 計算區間： $$ \hat{p} \pm z \times \sqrt{\frac{\hat{p}(1-\hat{p})}{n}} $$
避免常見錯誤： 在處理比例時，請務必使用 Z 分佈（常態近似），因為當樣本足夠大時，\(\hat{p}\) 的分佈近似於常態分佈。
5. 母體變異數 (\(\sigma^2\)) 的置信區間
有時，數據的離散程度比平均值更重要（例如製造過程中的一致性）。要計算母體變異數 \(\sigma^2\) 的置信區間，我們必須假設母體呈常態分佈，並使用卡方 (\(\chi^2\)) 分佈。
使用的統計量為：
$$ \chi^2 = \frac{(n-1)\hat{\sigma}^2}{\sigma^2} $$\(\chi^2\) 分佈的特性：
- 僅定義於正數範圍。
- 非對稱（向右偏斜）。
- 由自由度 \(v = n-1\) 定義。
卡方區間步驟
- 檢查假設： 母體必須呈常態分佈。
- 識別數值： 計算不偏變異數估計量 \(\hat{\sigma}^2\)，以及自由度 \(v = n-1\)。
- 尋找臨界 \(\chi^2\) 值： 由於分佈不對稱，你需要從 \(\chi^2\) 表中找到兩個臨界值（自由度 \(v=n-1\)）。對於 95% 置信區間：
- \(\chi^2_L\): 對應於 \((1 - 0.025) = 0.975\) 的值（左尾）。
- \(\chi^2_R\): 對應於 \(0.025\) 的值（右尾）。
- 計算區間（針對 \(\sigma^2\)）： $$ \left( \frac{(n-1)\hat{\sigma}^2}{\chi^2_{R}}, \frac{(n-1)\hat{\sigma}^2}{\chi^2_{L}} \right) $$
注意順序反轉！ 請留意較小的 \(\chi^2_L\) 值用於變異數區間的上限，而較大的 \(\chi^2_R\) 值用於下限。這是因為 \(\sigma^2\) 位於檢定統計量的分母中。
置信區間分佈選擇總結：
- 平均值 (\(\mu\)), 已知 \(\sigma\)：Z
- 平均值 (\(\mu\)), 未知 \(\sigma\)：T (自由度 \(n-1\))
- 比例 (\(p\))：Z
- 變異數 (\(\sigma^2\))：\(\chi^2\) (自由度 \(n-1\))
6. 單樣本的假設檢定
假設檢定（在之前的模組中已詳細介紹）旨在確定是否有足夠的統計證據來拒絕虛無假設 (\(H_0\)) 並接受對立假設 (\(H_1\))。在 S3 中，我們利用 Z、T 和 \(\chi^2\) 分佈來應用這些標準程序。
A. 母體平均值 (\(\mu\)) 的檢定
程序同樣取決於變異數是否已知：
情況 1：\(\sigma^2\) 已知 (Z-檢定)
檢定統計量： $$ Z = \frac{\bar{X} - \mu_0}{\sigma / \sqrt{n}} $$
我們將計算出的 \(Z\) 值與常態分佈中的臨界 \(Z\) 值進行比較。
情況 2：\(\sigma^2\) 未知 (T-檢定)
我們使用不偏估計量 \(\hat{\sigma}\) 作為標準差。
檢定統計量： $$ T = \frac{\bar{X} - \mu_0}{\hat{\sigma} / \sqrt{n}} $$
我們將計算出的 \(T\) 值與 \(t\) 分佈中的臨界 \(T\) 值進行比較，使用自由度 \(v = n-1\)。
B. 母體變異數 (\(\sigma^2\)) 的檢定
如果我們想檢定母體變異數是否等於某個指定值 \(\sigma_0^2\)，我們使用卡方檢定。
假設範例：
\(H_0: \sigma^2 = \sigma_0^2\)
\(H_1: \sigma^2 \neq \sigma_0^2\) (雙側) 或 \(H_1: \sigma^2 > \sigma_0^2\) (單側)
檢定統計量 (\(\chi^2\))
檢定統計量： $$ \chi^2 = \frac{(n-1)\hat{\sigma}^2}{\sigma_0^2} $$
我們將計算出的 \(\chi^2\) 值與表格中的臨界 \(\chi^2\) 值進行比較，使用自由度 \(v = n-1\)。
假設檢定步驟總結：
- 設定 \(H_0\) 與 \(H_1\)： 清晰地定義虛無假設與對立假設。
- 設定顯著性水平 (\(\alpha\))： 通常為 5% (0.05) 或 1% (0.01)。
- 計算檢定統計量： 使用適當的公式 (Z, T, 或 \(\chi^2\))。
- 尋找臨界值： 使用正確的分佈表和自由度查表。
- 得出結論： 將檢定統計量與臨界值比較（或使用 \(p\)-值）。若檢定統計量落入拒絕域，則拒絕 \(H_0\)。
- 語境結論： 寫下與原始問題相關的結論語句。
學習小貼士：置信區間與檢定的連結
一個 95% 的置信區間可以用來進行 5% 顯著性水平的雙側假設檢定。如果假設的數值 (\(\mu_0\) 或 \(\sigma_0^2\)) 落於置信區間之外，則拒絕 \(H_0\)。如果落於區間內，則不拒絕 \(H_0\)。
最終重點
整個章節的關鍵在於根據兩點判斷該使用哪種分佈 (Z, T, 或 \(\chi^2\))：你正在估計哪個參數 (\(\mu\), \(p\), 或 \(\sigma^2\))，以及母體變異數是否已知。