置信区间、置信水平、边际误差

假设

• 真实比例为 $p$，取值范围为 $0\sim 1$，
• 观测到的比例（如抽样）的比例为 $\hat p$（在统计理论中通常使用“帽子”也标志某数据的估值）
• 边际误差为 $\epsilon$

所要求解的问题是：真实的比例 $p$ 落在置信区间 $\left[\hat p-\epsilon, \hat p+\epsilon\right]$ 的概率。

落在置信区间的标准通用采用 95%，这一数字被称为置信水平，表达我们对 $p$ 成功落入区间的信息程度。

区间公式通过以下求解：

$$p=\hat p\pm 1.96\times \sqrt{\frac{\hat p\left(1-\hat p\right)}{n}}=\hat p\pm \epsilon$$

• 也可根据边际误差推测样本容量
• $n$表示样本中的个体数量
• 公式表示未知的真实比例 $p$ 有 95% 的概率落入 $\hat p\pm \epsilon$，也就是说，每 20 个这样的区间，平均有 19 个区间中有 $p$，只有 1 个不在区间中。

值得注意的是，边际误差 $\epsilon$ 会随着样本容量的增加而减小，因此，访问的民众越多，民调就越可信。

$$95\%\Rightarrow 1.96\\ 99\%\Rightarrow 2.58$$

来看一个具体的示例，对 1000 人进行民调，有 400 人支持总统。$\hat p=0.4$，$n=1000$，将其带入公式，置信区间就变为：

$$p=\hat p\pm 1.96\sqrt{\frac{\hat p\left(1-\hat p\right)}{n}}=0.4\pm0.03$$

许多民调的边际误差都保持在 3% 左右，这并非巧合。置信水平为 95%，则系数为 1.96，如果观测比例 $\hat p$ 与 0.5 接近，比如在 0.3 和 0.7 之间，$\hat p\left(1-\hat p\right)$的平方根大约为 0.5。而 1.96 约等于 2，两者相乘的结果大概是 1，边际误差就约为 $\frac1{\sqrt {n}}$：

$$\epsilon=\frac1{\sqrt n}$$
假设样本容量约为典型的 1000，边际误差就是 3%（$\frac1{\sqrt{1000}}\approx 0.03$）.

1. 具有欺骗性质的统计数据

如果在一项民调中，50.5%的人表达了对加入欧盟的支持。也即为了得出此结论，必须将边际误差降到 0.5%（下界不会跌破 50%），导致置信水平只有 25%.

这里的样本人数仍为 1000，则置信水平在 0.25 时的 Z 为 0.32，则其边际误差为：

$$0.32\cdot \frac{0.5}{\sqrt {1000}}\approx 0.005$$

另一个没有代表性的样本例子是假设你在你家附近做晚间散步，发现你看到的 20 人里有 14 个人都在遛狗，可以得出 70% 的邻居都养狗了吗？

$$1.96\times \sqrt{\frac{0.7\times 0.3}{20}}\approx 0.2008$$

再来看一个典型的案例，2005 年秋天，媒体报道小布什总统的支持率首次跌破 40%（好像这个 40% 是一个十分精确的数值一样）。从某种程度上是毫无意义的声明。虽然（抽样调查的）事实可能是前次民调显示支持率为 41%，下次结果则为 39%，这些数字的边际误差都是 3%，若建立其相关的置信区间，在部分区间上数值是重复的。没有边际误差的 41% 和 39% 不能说明一切，只有被我们表述为区间 [38, 44]（41%），[36, 42]（39%）时才有意义。不仅如此，我们也不能排除两次民调间支持率其实是存在上升的情况。

只有当差异大到完全超过边际误差（区间没有重叠）时，才能被称为具有统计显著性。