社会统计分析—统计推断-估值

用抽样分布来代表抽样的变异性

• 选民偏好是一个变量，不同选民的偏好是不同的。类似的，每个样本中支持某一个候选人的比例也是一个变量。也就是说：在获取变量之前，这个比例的取值是不知道的，而且在不同样本中，这个比例是不同的。
• 抽样分布：一个统计量的抽样分布，说明了该统计量所有可能取值的发生概率。
• 同一个总体中抽取的样本量相同的样本会产生取值不同的统计量。
• 统计量本身是一个最基变量。统计量可以是样本均值、样本比例、样本中位数、样本标准差等等。
• 任何可以给出这个统计量所有可能取值，以及这些取值所发生概率的表格、列表、图形或者公式就是这个统计量的抽样分布。
• 抽样分布的重要性在于，它让我们知道，在某种样本量下，统计量与样本参数间的距离会有多远。

样本均值的抽样分布

• 样本量的抽样分布通过重复抽取样本量相同的样本得出的不同统计量取值的相对频数。
• 这个相对频数可以通过重复抽样或计算机模拟实现，但在实际研究中，我们通常只会抽取一个样本。
• 抽样分布通常是通过理论推导得出的理论分布。
• 样本均值是描述数据集中趋势的最常用最重要的一个统计量。在实际研究中，我们经常要计算样本均值，其目的就是为了预测总体均值。但我们并不清楚这个样本均值距离实际值有多远（每个样本都具有随机性）。
• 通过研究抽样分布中样本均值的离散程度，就可以预测此次获得的样本均值的准确程度。
• 我们需要了解这个抽样分布的中心在哪里，离散程度如何，也就是这个抽样分布的均值和标准差分别是多少。

样本均值抽样分布的均值和标准误

• 想象一个均值为μ的总体，从这个总体中随机抽取一个样本量为n的样本，得到样本的均值X（拔），X（拔）是一个随机变量。我们希望用X（拔）来估计μ。
• 实际上，样本均值在围绕着总体的真实值波动。经过一系列重复的抽样过程，会发现样本均值的均值会向总体的真实值收敛。
• 
  
  
  标准误本身就是标准差，这个术语只是标准差在应用于抽样分布时的固定表达，是为了区别于之前所说的总体中各 观测值的离散程度。

中心极限定理（Central Limit Theorem,CLT）

• 对于一个样本量足够大的随机抽样，样本均值的抽样分布近似地服从一个正态分布。
• 中心极限定理说明了什么？
  
  • 样本均值的抽样分布，近似服从正态分布，这条性质对于任何形态的总体分布都成立。
  • 样本量的要求和总体的偏斜程度有关：偏斜程度越高，需要的样本量越大。大多数情况下，样本量20就已经足够让抽样分布近似正态分布论文。若要做出精确的判断，需要的样本量会更多。
• 正态分布的性质就可以帮助我们了解样本均值不同取值发生概率的大小。
  
  • 应用经验法则，我们可以知道样本均值极有可能落在与总体均值相距3倍标准误的范围内。

点估计和区间估计

• 点估计：作为参数最好猜测的单个值。
• 区间估计：被认为包含总体参数的、围绕着点估计的一个区间。区间估计适用于对推断的准确度与可靠程度要求很高的情况。

参数的点估计

• 任何一个参数都有很多种可能的估计量。
• 对于一个正态分布来说，如果我们想用一个估计量来估计分布的中心，我们可以选择均值、中位数，甚至是众数。
• 一个好的估计量，它的抽样分布应该满足两个条件：
  
  • 应该以真实的参数值为中心分布——无偏性（Unbiasedness）。
  • 标准误越小越好——有效性（Efficiency）。
• 在大多数情况下，我们用与总体特征对应的样本股计量可以直接对总体做出安全的推测。如用样本均值推测总体均值，样本比例推测总体比例。
• 我们在参数符号上增加”^”来代表它对应的估计量。
• 点估计的极大似然法：
  
  • 英国科学家Ronald Fisher认为，极大似然估计值应该是与观测数据最为一致的一种估计值。
  • 所谓一致，是指如果总体参数等于这个估计值，那么我们得到手头的、眼前的这组观测数据的概率应该是最大的，它应该大于当总体参数等于其他任何参数时得到这组观测值的概率。

参数的区间估计

• 置信区间：
  一个参数的置信区间是我们相信这个参数会落入的一个数值区间。这种方法产生的一个区间会包含参数真实值的概率，被称为置信水平。代表置信水平的数值通常都接近1，因为我们需要这个概率足够大。
• 置信区间的构建
  
  • 抽样分布一般都近似的服从正态分布。
  • 正态分布可以进而决定估计值落入某参数某一段距离内的概率究竟是多少。
  • 置信水平95%：估计值会落入距离真实值两个标准误的范围内。我们几乎可以确定，估计值会落入距离真实值3个标准差的范围内。
  • 置信区间会有这样的形式：
    点估计+/-边际误差
    边际误差是标准误的倍数，相当于上面的2倍或者3倍标准误。具体是标准误的几倍，要根据置信水平的大小决定。
  • 置信水平高——倍数大——置信区间宽——点估计的精确性越低
    置信水平低——倍数小——置信区间窄——点估计的精确度越高
• 大样本条件下比例的置信区间
  
  • 变量是离散变量——二分变量，我们需要中心极限定理。
  • 服从正态分布的变量有95%的观测值会落入距离均值2倍标准差，更精确地说，1.96倍标准差的范围内。
    
    

控制置信水平

• 当置信水平为95%时，我们构造的置信区间中有5%可能无法涵盖参数的真实值。
• 对于一些情景，这5%的错误是不允许的。我们需要增加置信度到99%，甚至更高，这时则需要更改边际误差中标准误的倍数。
• 总体比例置信区间的通用形式是：
  
  
• 要把置信区间理解成一系列长期重复抽样的结果。由某一个样本获得的置信区间可能包含真实值，也可能恰好不包含。我们并不能确定这个置信区间到底是否涵盖了真值，但我们可以控制相信的程度，如95%、99%。
• 我们希望样本量越大越好：样本量越大，抽样分布就越接近正态，我们用样本比例替代总体比例计算出的标准误也更接近真实的标准误。

总体均值的置信区间

• 同总体比例的置信区间完全一致，均值的置信区间也采取如下形式：
  点估计+边际误差
• 总体均值置信区间的构建：
  
  • 样本均值的标准误为：
    
    
  • 分子为总体的标准差，且为未知数。于是我们需要用样本标准差s来替代它。
  • 构建置信区间用到的标准误，实际上是抽样分布标准误的一个估计值，称为估计标准误（estimated standard error）,即：
    
    
• T分布
  
  • *