跳轉到

8.3 信賴區間與假設檢定#

本章導言#

點估計給一個數，科學需要的是誤差聲明：「新藥療效為 12% ± 3%」「此差異不太可能來自運氣」。信賴區間與假設檢定把機率論變成科學的誤差度量衡。兩者的形式由 Laplace（1812）的早期應用、Pearson（1900）的卡方檢定、Student（1908）與 Fisher（1920s）的 t 檢定逐步建立，本節講述其邏輯結構與經典案例。

信賴區間：反覆抽樣的保證#

信賴區間（Fisher 稱 confidence interval，Neyman 1934 年正式化）的原則：構造隨機區間 \([\hat{\theta}_L, \hat{\theta}_U]\) （由樣本決定），使

\[ P\left(\theta \in [\hat{\theta}_L(X_1, \ldots, X_n),\ \hat{\theta}_U(X_1, \ldots, X_n)]\right) = 1 - \alpha. \]

標準工具是樞紐量（pivot）：分布已知、夾住參數的統計量。常態均值（ \(\sigma\) 已知）：

\[ Z = \frac{\bar{X} - \mu}{\sigma/\sqrt{n}} \sim N(0, 1) \quad\Rightarrow\quad \bar{X} \pm z_{\alpha/2} \frac{\sigma}{\sqrt{n}}. \]

\(\sigma\) 未知時以 \(t = \frac{\bar{X} - \mu}{S/\sqrt{n}} \sim t_{n-1}\) （Student 1908，9.1 節）替代。

詮釋的雷區：95% 信賴區間不是「真值有 95% 機率在區間內」——真值固定、區間隨機，機率屬於「重複抽樣時覆蓋真值的頻率」。這個反覆抽樣詮釋（frequency coverage）是頻率學派的立場，與貝氏的「可信區間」（credible interval，後驗機率）形成兩種哲學（9.3 節）。日常科學寫作中兩種詮釋常被混用，是統計教育的頭號難題。

假設檢定的邏輯#

假設檢定（Fisher 的顯著性檢定 + Neyman–Pearson 的決策檢定，9.2 節詳述其綜合）的框架：

  1. 零假設 \(H_0\) ：無效果/無差異（受質疑但受保護的地位）。
  2. 檢定統計量：將資料壓縮為一個數（如 \(t\) 、 \(\chi^2\) ）。
  3. p 值：在 \(H_0\) 成立時，觀測到「至少這麼極端」結果的機率：
\[ p = P_{H_0}\left(\text{統計量} \ge \text{觀測值}\right). \]
  1. 判決： \(p < \alpha\) （如 0.05）則拒絕 \(H_0\) （「顯著」）。

p 值的詮釋同樣是雷區：它不是「 \(H_0\) 為真的機率」（那是 \(P(H_0 \mid \text{資料})\) ，貝氏的量），而是「 \(P(\text{這麼極端的資料} \mid H_0)\) 」——方向恰與人類直覺相反，正是 1.3 節基率謬誤的統計學版本。

Pearson 1900：卡方檢定#

Karl Pearson 1900 年的適合度檢定是假設檢定的誕生宣言： \(k\) 個類別的觀察計數 \(O_i\) 對期望計數 \(E_i\) ，統計量

\[ \chi^2 = \sum_{i=1}^{k} \frac{(O_i - E_i)^2}{E_i} \;\xrightarrow{d}\; \chi^2_{k-1} \quad (\text{大樣本}). \]

Pearson 用它檢驗孟德爾豌豆數據、輪盤公平性、擲骰子。經典案例——Mendel 數據之謎：Fisher（1936）重析孟德爾的踠豆實驗，發現 84 組數據的 \(\chi^2\) 過度地小（擬合「好得不自然」， \(p\) 值極端地大）——數據疑似「過於完美」，可能經過修飾或篩選。檢定不僅能偵測「太大」的偏差，也能偵測「太小」的偏差——這個「雙向使用」顯示了 p 值的深刻本質：它度量任何方向的極端性。孟德爾之謎至今仍是科學史名案（爭議仍在：或許是記錄慣例而非造假）。

兩大經典：z 檢定與比例檢定#

兩樣本均值差（ \(\sigma\) 已知）：統計量 \(Z = \frac{\bar{X} - \bar{Y}}{\sqrt{\frac{\sigma_1^2}{n_1} + \frac{\sigma_2^2}{n_2}}}\) ，對立 \(H_1\) 有 \(Z \sim N(\delta, 1)\) ， \(\delta = \frac{\mu_1 - \mu_2}{\sqrt{\cdot}}\) ——功效由非中心參數決定（9.2 節）。

比例檢定（Laplace 1781 年男嬰數據的方法論）： \(H_0: p = p_0\) 時 \(Z = \frac{\hat{p} - p_0}{\sqrt{p_0(1-p_0)/n}}\) 。Laplace 對巴黎 216,345 男嬰 / 216,345 男嬰（比例 \(\frac{22}{43}\) ）的計算得到偏差數十個標準差——史上第一個大規模 p 值拒絕。檢定的樣本量敏感：任何微小真實偏差在大數據下都「顯著」——「統計顯著 \(\neq\) 實質重要」的教訓在 Laplace 時代已埋下。

一個具體例題#

例題 8.3.1：某藥廠測試新藥降血壓效果。安慰劑組 \(n_1 = 100\) 、均值降低 5.2 mmHg、標準差 8；用藥組 \(n_2 = 100\) 、均值降低 7.9、標準差 9。(a) 求差異的 95% 信賴區間；(b) 做 \(H_0: \mu_1 = \mu_2\) 的 z 檢定，求 p 值；(c) 計算功效與所需樣本量（對抗 \(\delta = 2.7\) mmHg、 \(\sigma \approx 8.5\) ）。

解：

(a) 差異 \(\hat{\Delta} = 2.7\) ，標準誤 \(se = \sqrt{\frac{8^2}{100} + \frac{9^2}{100}} = \sqrt{0.64 + 0.81} = \sqrt{1.45} \approx 1.204\) 。95% 區間：

\[ 2.7 \pm 1.96 \times 1.204 = (0.34, \, 5.06) \ \text{mmHg}. \]

(b) \(Z = \frac{2.7}{1.204} \approx 2.243\) 。雙尾 p 值：

\[ p = 2\left(1 - \Phi(2.243)\right) \approx 2 \times 0.0124 = 0.0248 < 0.05. \]

拒絕「無差異」——顯著。

(c) 功效（ \(H_1\) 下 \(\Delta = 2.7\) ，即 \(\delta = \frac{2.7}{1.204} = 2.243\) ）：

\[ \text{power} = \Phi(2.243 - 1.96) + \Phi(-2.243 - 1.96) \approx \Phi(0.283) \approx 0.61. \]

只有 61% 的機率能偵測到這個真實差異——即使藥真的有效，四成機率漏掉（假陰性）。若要求功效 0.9（ \(z_{0.9} = 1.28\) ）：

\[ n = \frac{2\sigma^2 (z_{0.975} + z_{0.9})^2}{\Delta^2} = \frac{2 \times 72.25 \times (1.96 + 1.28)^2}{7.29} \approx \frac{144.5 \times 10.50}{7.29} \approx 208 \ \text{每組}. \]

實務意義：本次 100/100 的實驗是「欠功率」的；信賴區間下界 0.34 mmHg 極接近 0，說明「顯著但可能微弱」。區間、p 值、功效三者必須一起讀——只報 p 值是現代科學（複製危機）被詬病的主因之一。

歷史啟示#

  • p 值是望遠鏡不是顯微鏡：它放大「資料與 \(H_0\) 的距離」，卻常被誤讀為「假說為真的機率」——語義的滑移是統計學最大的公共關係危機。
  • Fisher 的 0.05：Fisher 在 1925 年《研究工作者的統計方法》以「兩個標準差約 1/20」作為工作慣例——一條實用建議被制度化為科學通行證，是科學史上最著名的「慣例固化」案例。
  • 孟德爾之謎的雙面教訓：檢定能發現異常，但「異常」的解釋需要科學史與機制知識——統計證據不自我詮釋。
  • 功效被遺忘的代價：欠功率的研究不僅漏掉真效果，還使「顯著的發現」系統性誇大效應（winner's curse）——2010 年代複製危機的數學根源之一。

與其他章節及領域的關聯#

  • 3.2 節：常態假設與誤差律是 z 檢定的模型。
  • 9.1 節：Student 的 t 分布修正了本節「 \(\sigma\) 未知」的漏洞。
  • 9.2 節：Neyman–Pearson 理論把本節的檢定實踐升級為最優性理論（功效、NP 引理）。
  • 9.3 節：貝氏對 p 值的批判（假陽性率高於表觀 \(\alpha\) ）與替代方案（貝氏因子）。
  • 10.2 節：複雜模型的 p 值無解析解時，蒙地卡羅/置換檢定（Fisher 1935 的女士品茶實驗！）提供計算替代。
  • 流行病學與醫學：RCT（隨機對照試驗, Fisher 1935 的設計思想）的統計骨架是本節；2016 年 ASA 對 p 值的官方聲明是當代的自我矯正。
  • 心理學複製危機（2011–2018）：p-hacking、欠功率、出版偏誤——本節的工具被濫用的社會史，統計教育的改革動力。

練習#

  1. 樣本 \(n = 36\) 、 \(\bar{X} = 52\) 、已知 \(\sigma = 9\) 。構造 \(\mu\) 的 95% 與 99% 信賴區間，並說明「更自信 → 更寬」的交換。
  2. 對例題 8.3.1，若兩組各增為 400 人（其他不變），重算 (a)(b)(c)，討論樣本量如何同時影響區間寬度、p 值與功效。
  3. Pearson 卡方：擲骰子 600 次得各面計數 \((98, 105, 112, 90, 96, 99)\) 。計算 \(\chi^2\) 統計量與 p 值，判斷骰子是否可疑。
  4. 仿 Fisher 1936 年分析孟德爾：若某實驗 8 組數據的 \(\chi^2\) 全部「異常地小」，如何量化「過度擬合」的證據（提示：p 值的聯合分布應為均匀；過多小 p 值本身可檢定）。
  5. 思考題：ASA 2016 年聲明列舉 p 值的六大誤用。請挑兩條（如「p 值是 \(H_0\) 為真的機率」「不顯著即無差異」），分別用 1.3 節的條件機率與例題 8.3.1(c) 的功效概念予以數學反駁。

進階研讀：誤差學的五個深化場景#

場景一：多重檢定與 FDR。同時檢驗 \(m\) 個假說，即使全部 \(H_0\) 為真，預期 \(\alpha m\) 個偽顯著（多重比較問題）。Bonferroni 修正（ \(\alpha/m\) ）保守；Benjamini–Hochberg（1995）以「偽發現率 FDR」控制假陽性的比例，成為基因組學（上萬基因同時檢定）的標準——「p 值的通貨膨脹與貨幣改革」。

場景二：置換檢定與隨機化推論。Fisher 1935 年《實驗設計》的女士品茶實驗：以「標籤的全部排列」構造零分布，不需要任何分布假設——這是蒙地卡羅思想的先聲（10.2 節）。隨機化推論（randomization inference）在今日 A/B 測試（線上實驗的百萬次置換）中復興：電腦時代的 Fisher 方法。

場景三：信賴區間的哲學戰場。Neyman 的覆蓋率保證 vs. 貝氏可信區間 vs. Fisher 的 fiducial 區間（他自認為解決了逆機率，被 Neyman 的區間理論與後世批評所取代）——同一個「95% 區間」三種詮釋的世紀爭論，在 2010 年代的「p 值改革」討論中再次上桌（Amrhein–Greenland–McShane 2019 年《科學家們，停下用 p 值做有意義的二元區分》）。

場景四：t 檢定到非參數檢定。常態假設可疑時：Wilcoxon 秩和檢定（1945）、符號檢定——以秩代替值，犧牲小量效率換取穩健（8.1 節場景四）。Pitman（1948）的漸近相對效率（ARE）理論定量了「穩健的代價」：Wilcoxon 對 t 在常態下效率約 0.955、在重尾下反超——「保險的保費與賠付」。

場景五：現代改革——估計量、效量與預註冊。2010 年代的改革路線：(1) 報效量與信賴區間取代二元顯著性（Cohen 1988 的效量傳統復興）；(2) 預註冊與分析計畫鎖定（杜絕 p-hacking）；(3) 貝氏因子與等效檢定（TOST）補充；(4) 欠功率的自我糾正（更多重複、多實驗室合作如 psychology 的「Many Labs」計畫）。這場改革的實質是：把「二值判決」還原為「證據的連續度量」——回應了 Laplace 時代即已存在的哲學問題。

名詞速查表（本節出現的核心術語）#

  • 信賴區間：隨機區間以 \(1 - \alpha\) 頻率覆蓋真參數。
  • 樞紐量：分布已知且連結參數與樣本的統計量。
  • 假設檢定：以小概率事件拒絕零假設的判決框架。
  • p 值： \(H_0\) 下觀測到至少同樣極端結果的機率。
  • **顯著水準 \(\alpha\) **：拒絕的門檻（Type I 錯誤率上限）。
  • 功效： \(H_1\) 為真時正確拒絕的機率（1 − Type II 錯誤率）。
  • 卡方適合度檢定：Pearson 1900 的類別擬合統計量。
  • 樣本量公式： \(n = \frac{2\sigma^2(z_{1-\alpha/2} + z_{1-\beta})^2}{\Delta^2}\) 。
  • 多重比較：同時檢定多假說的假陽性累積。
  • 置換檢定：以排列重組構造零分布的無分布檢定。

年表速查（本節涉及的關鍵年份）#

  • 1781 起：Laplace 以比例檢定分析出生率。
  • 1900：Pearson 卡方檢定。
  • 1908：Student 的 t 分布（9.1 節）。
  • 1925：Fisher《研究工作者的統計方法》，0.05 慣例。
  • 1934：Neyman 信賴區間理論。
  • 1935：Fisher《實驗設計》，女士品茶與隨機化。
  • 1936：Fisher 重析孟德爾數據。
  • 1945：Wilcoxon 秩和檢定。
  • 1948：Pitman 漸近相對效率。
  • 1995：Benjamini–Hochberg FDR。
  • 2016：ASA 對 p 值的聲明。
  • 2019：Nature 特刊「科學家們，停下……」改革倡議。

深化問答三則#

問：「95% 信賴區間不包含 0」與「p < 0.05」是同一件事嗎？ 答：數學上，對兩側 z 檢定與對應的樞紐區間，兩者是等價判決（區間排除 \(H_0\) 值 \(\iff\) 檢定在 \(\alpha\) 水準拒絕）。但敘事上不等價：區間給出「效應的範圍與精度」，p 值只給「與 0 的距離證據」。這正是改革派主張「報區間不報 p」的理由：等價的數學、不同層次的資訊呈現。

問：為什麼欠功率的研究反而誇大效應？ 答：條件於「檢定顯著」的效應估計有選擇偏誤：真效應小時，能通過顯著門檻的樣本必然是「運氣好（估計偏大）」的那些——winner's curse。欠功率（功效低）加劇此偏誤，因為通過門檻更依賴運氣。這是 1.3 節「選擇效應改變分布」的精確統計學案例，也是複製實驗常「效應縮水」的數學原因。

問：Fisher 的 p 值與 Neyman 的判決是同一套理論嗎？ 答：不是，且兩人為此終身交惡（9.2 節）。Fisher：p 值是證據的連續度量，反對固定的 \(\alpha\) 判決規則。Neyman：檢定是行為決策（接受/拒絕），價值在長期錯誤率的控制。現代教科書的「hybrid 檢定」（報 p 值 + 依 \(\alpha\) 判決）混合了兩種不相容的哲學——統計教育至今為此付出代價，9.2 節將完整還原這場論戰。

（本節完）