95% 信賴區間到底在說什麼？從點估計到區間估計

從「一個數」到「一段範圍」：估計的兩種姿態

假設你想知道全校三千名學生平均每天滑手機幾小時。最老實的做法是把三千個人通通問一遍，但這幾乎不可能。於是我們改抽 100 個人來問，用這 100 個人的平均，去「猜」全校的平均。這種「用樣本猜母體」的過程，就是統計學裡的估計（estimation）。

估計有兩種姿態。第一種是點估計（point estimation）：直接給出一個數字，例如「全校平均是 3.2 小時」。乾脆俐落，但它幾乎一定是錯的——下次再抽 100 個人，平均可能變成 3.4 小時。第二種是區間估計（interval estimation）：不給單一數字，而是給一段範圍，例如「全校平均落在 2.9 到 3.5 小時之間」，並附上一個信心水準，例如「我有 95% 的信心」。

我們最常聽到的「95% 信賴區間」，正是區間估計的代表。但這句話到底在說什麼？很多人——包括不少念過統計的人——都誤解了它。讓我們慢慢拆開來看。

點估計：那個「最合理的猜測」

點估計最常用的就是樣本平均數，用來估計母體平均數 $\mu$：

$$\bar{x}=\frac{1}{n}\sum_{i=1}^{n} x_i$$

而要描述資料的分散程度，會用樣本標準差：

$$s=\sqrt{\frac{1}{n-1}\sum_{i=1}^{n}(x_i-\bar{x})^2}$$

注意分母是 $n-1$ 而不是 $n$，這個細節背後有講究（稍後在研究所視角會解釋）。

點估計給的是「在現有資料下最合理的單一猜測」。但它沒有告訴我們：這個猜測有多可靠？如果我們的樣本只有 5 個人，和有 5000 個人，給出的同樣是 3.2，可信度天差地遠。要表達這種「可靠程度」，就需要區間。

抽樣分布：理解信賴區間的鑰匙

關鍵觀念是：每次抽樣得到的 $\bar{x}$ 都不一樣。如果我們重複抽很多次樣本，每次都算一個平均數，這些平均數本身會形成一個分布，叫做抽樣分布（sampling distribution）。

中央極限定理告訴我們一件很美的事：只要樣本夠大，無論原始資料長什麼樣，樣本平均數的抽樣分布會近似常態分布，且標準差是

$$\text{SE}=\frac{\sigma}{\sqrt{n}}$$

這個 $\text{SE}$ 稱為標準誤（standard error）。它隨 $n$ 變大而變小——樣本越多，平均數越穩定。這正是「樣本越大越可信」的數學根據。

當母體標準差 $\sigma$ 已知、或樣本夠大時，平均數的 95% 信賴區間是：

$$\bar{x}\pm z_{0.025}\cdot\frac{\sigma}{\sqrt{n}}$$

其中 $z_{0.025}\approx 1.96$，是標準常態分布兩側各留 2.5% 機率的臨界值。

帶數字的小範例：算出一個 95% 信賴區間

假設我們抽了 100 名學生，量得每天滑手機時數的樣本平均 $\bar{x}=3.2$ 小時，已知母體標準差 $\sigma=1.5$ 小時（為了示範先假設已知）。

步驟一：算標準誤

$$\text{SE}=\frac{\sigma}{\sqrt{n}}=\frac{1.5}{\sqrt{100}}=\frac{1.5}{10}=0.15$$

步驟二：乘上臨界值，得到誤差界限

$$E=1.96\times 0.15=0.294$$

步驟三：用點估計加減誤差界限

$$3.2-0.294=2.906,\qquad 3.2+0.294=3.494$$

所以 95% 信賴區間約為 $[2.91,\ 3.49]$ 小時。

如果母體標準差未知（這才是現實），就改用樣本標準差 $s$，並把臨界值換成t 分布的值：

$$\bar{x}\pm t_{0.025,\,n-1}\cdot\frac{s}{\sqrt{n}}$$

t 分布比常態分布略「胖尾」，反映了我們對 $\sigma$ 不確定而付出的代價；當 $n$ 很大時，t 值會趨近 1.96。

「95% 信賴」到底在說什麼？

這是最容易出錯的地方。先說錯誤的理解：

❌「真正的母體平均有 95% 的機率落在 $[2.91, 3.49]$ 這個區間裡。」

這句話聽起來很自然，卻是錯的。在頻率學派的觀點下，母體平均 $\mu$ 是一個固定但未知的數，它要嘛在這個區間裡（機率 1），要嘛不在（機率 0），沒有「95% 機率」可言。

正確的理解是關於「方法」的：

✅「如果我們用同樣的方法重複抽樣、重複建構區間 100 次，大約有 95 個區間會涵蓋真正的 $\mu$。」

換句話說，95% 是這套造區間程序的長期成功率，而不是「這一條特定區間」的中獎機率。我們手上這一條，要嘛命中、要嘛沒命中，我們只是相信「製造它的工廠良率有 95%」。

這個區別也提醒我們別把信賴區間和 p 值混為一談。常見的另一個誤解是「95% 信賴區間沒蓋到某個值，就等於該效果一定存在」——其實它只代表在這個信心水準下，該值不被資料強烈支持，而非鐵證。統計給的是「在不確定中量化不確定」，不是給保證。

最後一個素養提醒：估計出相關，不等於因果。就算我們很有信心地估出「滑手機時數」和「睡眠不足」有關，也不能直接說滑手機「導致」睡不夠——可能有第三變數（如課業壓力）同時推高兩者。信賴區間能量化「關聯有多強、多精確」，卻無法替你回答「為什麼」。

深入探討（研究所視角）

把估計放進嚴謹的框架，核心問題是：在所有可能的估計量裡，什麼樣的才算「好」？三個經典性質提供判準。不偏性（unbiasedness）要求 $E[\hat{\theta}]=\theta$，即估計量的期望值等於真參數；樣本變異數用 $n-1$ 當分母（貝索校正，Bessel's correction），正是為了讓 $E[s^2]=\sigma^2$ 成立，這也是「自由度」的直觀來源——估 $\bar{x}$ 時用掉了一個自由度，殘差只剩 $n-1$ 個能自由變動。一致性（consistency）要求 $n\to\infty$ 時 $\hat{\theta}\xrightarrow{P}\theta$，樣本越大越收斂到真值。有效性（efficiency）則比較不偏估計量之間的變異數，變異數越小越有效；其下界由 Cramér–Rao 不等式給出，達到下界者稱為有效估計量。

求估計量最通用的工具是最大概似估計（maximum likelihood estimation, MLE）。給定觀測資料，定義概似函數 $L(\theta)=\prod_i f(x_i;\theta)$，取使其最大的 $\hat{\theta}$。實務上常最大化對數概似 $\ell(\theta)=\sum_i \log f(x_i;\theta)$，求解 $\frac{\partial \ell}{\partial \theta}=0$。MLE 在正則條件下具漸近不偏、漸近常態與漸近有效等良好性質，且其漸近變異數由 Fisher 訊息量 $I(\theta)$ 決定，$\hat{\theta}$ 的分布近似 $\mathcal{N}\!\left(\theta,\ \frac{1}{nI(\theta)}\right)$，這也讓我們能反過來建構大樣本信賴區間。

報告結果時，光看「顯著與否」並不夠，還要看效果量（effect size），例如 Cohen's $d=\frac{\bar{x}_1-\bar{x}_2}{s_p}$，它衡量差異的「實質大小」而與樣本數脫鉤。大樣本下任何微小差異都可能達顯著，但效果量小到沒有實務意義；現代統計素養強調效果量與信賴區間並陳，而非只盯 p 值。

換到貝氏觀點，參數 $\theta$ 本身被視為隨機變數，帶有先驗分布 $P(\theta)$。觀測資料後，用貝氏定理更新為後驗分布：

$$P(\theta\mid D)=\frac{P(D\mid \theta)\,P(\theta)}{P(D)}$$

由後驗分布算出的可信區間（credible interval），才真正能說「$\theta$ 有 95% 機率落在此區間」——這恰好是頻率學派信賴區間做不到的詮釋，兩者哲學根基不同，不可混用。

最後，這套估計理論與機器學習血脈相連：最小化平方誤差等價於常態雜訊假設下的 MLE，加上 L2 正則化則對應於放上高斯先驗的最大後驗（MAP）估計；偏誤—變異數權衡（bias–variance tradeoff）正是不偏性與有效性張力的現代化身。理解估計，就是理解整個統計推論與資料科學的地基。