Skip to content

Statistics › 推論統計 › 信賴區間

信賴區間 (Confidence Intervals, CI) ​

信賴區間給出母體參數的合理範圍,同時表達點估計與不確定性。比起只報 p 值,CI 還告訴你效果的大小、方向與精確度。

CI=點估計±臨界值×SE⏟誤差界限 (margin of error)

「95% 信賴」是什麼意思? ​

說法
✅ 正確若重複抽樣並每次建構區間,長期下約 95% 的區間會包含真實參數
❌ 錯誤「μ 有 95% 機率落在這個區間」:μ 是固定值,這個區間要嘛包含、要嘛不包含
❌ 錯誤「95% 的資料落在這個區間」:那是預測區間 / 參考範圍,不是 CI
❌ 錯誤「兩組 CI 有重疊 → 沒有顯著差異」:差異的顯著性要看差值的 CI

機率描述的是建構區間的程序,不是某一個特定區間。

100 repeated 95% CIs比喻:撒網 100 次,約 95 次網住魚;但任何一次網要嘛有魚、要嘛沒有。

想要「參數有 95% 機率落在區間內」這種解讀,要用貝氏的 可信區間 (credible interval)。

平均數的 CI ​

情況公式臨界值
σ 已知(少見)x¯±zα/2σ/nz
σ 未知(標準情況)x¯±tα/2,n−1s/nt,df = n − 1
信賴水準αzα/2
90%0.101.645
95%0.051.960
99%0.012.576

z vs t:結構相同,差別只在分母用 σ(已知)或 s(估計)。σ 幾乎永遠未知,預設用 t;n 大時 t 自動趨近 z。

python
import numpy as np
import scipy.stats as stats
from sklearn.datasets import load_iris

x = load_iris(as_frame=True).frame["sepal length (cm)"]
n, x_bar, se = len(x), x.mean(), x.std(ddof=1) / np.sqrt(len(x))

# 手算
t_crit = stats.t.ppf(0.975, df=n - 1)
(x_bar - t_crit * se, x_bar + t_crit * se)

# 一行版
stats.t.interval(0.95, df=n - 1, loc=x_bar, scale=se)

# 臨界值速查
stats.norm.ppf(0.975)          # 雙尾 z = 1.96
stats.norm.ppf(0.95)           # 單尾 z = 1.645(用於單尾檢定)

比例的 CI ​

Wald 公式:p^±zα/2p^(1−p^)/n,需 np^≥10 且 n(1−p^)≥10。

方法何時用
Wald(常態近似)n 大、p̂ 不接近 0 或 1
Wilson建議預設,各種 n 與 p̂ 都表現好
Clopper-Pearson(exact)n 很小;較保守
python
from statsmodels.stats.proportion import proportion_confint

proportion_confint(count=82, nobs=150, alpha=0.05, method="wilson")

影響區間寬度的因素 ​

因素變化CI 寬度直覺
樣本數 n↑↓ 變窄(∝ 1/√n)資料越多越精確
信賴水準↑(95 → 99%)↑ 變寬要更有把握就得撒更大的網
資料變異 s↑↑ 變寬越分散越難定位平均

CI 與 p 值的關係 ​

p 值信賴區間
回答效果是否統計顯著?效果的合理範圍是多少?
資訊二元:顯著 / 不顯著大小 + 方向 + 精確度
關係p < 0.05 ⇔ 95% CI 不包含 H₀ 的值數學上等價

CI 為 [0.001, 0.003] 的結果可能「顯著」但毫無實務意義。兩者都報。

視覺化:分組平均數 ± 95% CI ​

python
import matplotlib.pyplot as plt
import seaborn as sns

iris = load_iris(as_frame=True)
df = iris.frame.assign(species=iris.target_names[iris.target])

sns.pointplot(data=df, x="species", y="sepal length (cm)", errorbar=("ci", 95),
              linestyle="none", capsize=0.2)
plt.title("Mean Sepal Length with 95% CI")
plt.show()

要判斷兩組是否不同,請直接算差值的 CI(例如 兩樣本 t 檢定 的輸出),不要用目測重疊判斷。