时间: 2021-06-11 09:26:25 | 作者:Yeun | 来源: 喜蛋文章网 | 编辑: admin | 阅读: 100次
参数(Parameter):是描述总体的数字。参数是一个固定数值,但我们无法知道参数的实际值。一般我们用 p 表示。
统计量(statistics):是描述样本的数字。一旦有了样本,统计量的值即可得知,如果换一个样本,统计量的值就可能有所改变。我们常用统计量来估计未知的参数。一般我们用 P ̂ 表示。
那么,参数和统计量的具体区别到底在哪?我们试着引入如下例子来说明。
Example1:同性恋是否应得到法律认可的民意调查
同性婚姻一直富有争议性,许多人基于宗教信仰表示反对。反对者认为同性婚姻破坏了传统的家庭和婚姻制度,支持者认为这涉及权利平等问题。2004年2月,这个话题在美国成为重大新闻,受到全国人民的关注。在一些城市——其中最知名的是旧金山市——出现了同性婚礼,尽管这违反了该州的法律。小布什总统对此发表讲话说:“今天,我建议国会尽快通过并送交各州推行一项宪法修正案,该修正案承认和保护婚姻是男女双方以夫妻名义形成的联合体。”关于这项修正案,有多少人支持呢?一项从2003年7月到2004年2月进行的盖洛普民意调查提出问题:“你支持还是反对宪法修正案规定只有男女才能结婚,而不允许男同性恋者和女同性恋者建立婚姻关系?”该项调查发现,“支持该宪法修正案的人为51%,略高于45%的反对者比例”。这是在随机访谈了2527名美国成年人后得出的结论。盖洛普公司采用了随机抽样的方式,与只访谈那些参加旧金山市同性婚礼的人相比,调查结果的偏差会更小。这个例子中,2527位成年人的样本是随机抽取的,样本代表的总体是2.2亿的全美成年人。我们有理由相信,这个样本可以比较好地代表总体,并且估算出“所有成年人”中约有51%的人支持该修正案。
这代表了统计领域的一种基本做法:用抽样调查的结论,当作对总体真实信息的估计。
另外,解答上面提出的两个概念。统计量就是在样本量为2527位美国成年人下,支持宪法修正案的比例为51%,“51%”即样本的统计量。
参数之于总体,参数的实际值我们并不清楚。那么,我们会用样本的统计量当作参数的估计值,也是“51%”。
我们继续看进一步的解释:
所有支持该宪法修正案的调查对象的比例,就是描述约2.2亿美国成年人这一总体的参数。我们将其记作 p ,意为“比例”(Proportion)。但是,我们无法知道它的确切数值。为了估算出p 的值,盖洛普公司抽取了一个包含2527位成年人的样本。该样本中支持者的比例就是 p 的估计值,记作 P ̂ ,读作“戴帽子的p”。因为在2527人中有1289人支持修正案,所以对于这个样本,有如下样本量统计值:
由于所有成年人都有同样概率被选入2527的样本,因此,我们可以用统计量P ̂=0.51作为未知参数 p 的估计值。
02 样本统计量的变异性
偏差:当我们取多个样本时,它们的统计量朝同一个方向偏离总体的参数值。
变异性:当我们取多个样本时,统计量的值的离散程度。变异性大,意味着不同样本的统计量可能差别也较大。一个好的抽样方法,其偏差与变异性都较小。
接着上述的例子,如果盖洛普公司重新抽取一个2527人的随机样本,那么这个样本会包含于前一个样本不一样的人。几乎可以肯定的是,不会有1289人给出支持的答复。也就是说,统计量P ̂的值,会随着样本的改变而改变。一个随机样本说有51%的美国成年人支持宪法修正案,而另一个随机样本说只有37%的人支持修正案。
第2章已经说明,随机样本可以有效地消除偏差,但是由于随机选取的样本有变异性,所以调查结果可能还是不准确。
那么,如何解决变异性的问题?
答案:扩大样本量。
统计学另外一个很重要的概念是:要知道一个样本有多可靠,就得问问如果我们从同一总体中抽取多个样本,会出现什么情况。
还是接着盖洛普民意调查的例子,我们假设正好有50%的美国成年人支持这项宪法修正案(盖洛普不知道)。也就是说,总体的参数p = 0.5。
如果盖洛普公司用大小为100的简单随机样本得出的P ̂来估算总体的p,会怎么样?
我们来看下面的解释过程:
假设我们每次抽取的样本量为100,反复抽取1000次,得出不同的P ̂值。如下图所示,第一个样本中,100人有56人支持修正案,因此P ̂=56/100=0.56。在下一个样本中,只有36人支持修正案,因此该样本的P ̂=36/100=0.36。
选出1000个样本,将其计算出的P ̂绘制成柱状图。横轴代表不同的P ̂值区间,柱形高度代表1000个样本中,有多少个落在相应的横轴区间。
例如,在图上,P ̂值为0.40~0.42的柱形高度略微超过50,这意味着1000个样本中有50个以上的样本的P ̂值为0.40~0.42。
现在,我们试着将单次样本量扩大为2527个,反复1000次,得到如下的柱形图:
对比这两幅柱状图,单次样本量更大所得到的1000个P ̂值,和图3-1相比,P ̂的分布范围要窄得多。
由此我们有如下结论:
那么,我们如何处理偏差与变异性呢?
减少偏差的方法:使用随机抽样方法。(第2章已经详细说明)
减少变异性的方法:扩大样本量。
误差范围(margin of error)为±2%的具体意思是:
如果我们用抽取这个样本所用的方法,去抽取多个样本,那么这些样本的统计量中有95%会在总体参数真实值的正负两个百分点的范围之内。
误差范围用于描述样本的统计量P ̂的变异性,是关于调查结果的可信度叙述。
Example2:电视新闻
电视新闻播音员说:“最近发布的一项盖洛普民意调查发现,约有51%的美国成年人支持小布什总统关于婚姻的宪法修正案,反对同性婚姻。此次调查的误差范围是±2%。”51%加减两个百分点,分别是53%和49%,总体对该修正案的真正态度落在这个区间之内。而盖洛普公司实际上说的是:“对于该抽样调查的结果,我们有95%的信心认为,由抽样或其他随机因素造成的误差,应该在正负两个百分点之间。”也就是说,该误差范围只适用于95%的样本统计量,“95%的置信度”就是这种意思的简单表达,而新闻报道中把“95%的置信度”漏掉了。回到盖洛普民意调查的例子,盖洛普的民意调查访谈了2527人,对应95%的置信度。根据误差速算法公式,如果置信度为95%,那么误差大致在
1/√n
由此公式,得:
这与Example2所述的误差范围吻合。
另外,我们仔细地查看这个公式,可以得知:
再看当单次样本量为100时,误差范围是:
因为2527大约是100的25倍,25的平方根是5,因此,100人样本的误差范围约为2527人的5倍。
置信度说明:
包含两个部分:误差范围与置信度(level of confidence)。误差范围告诉我们,样本统计量距离总体参数真实值有多远。置信度告诉我们,所有样本统计量中,满足该误差范围的样本统计量的百分比。
关于Example2的置信度说明,我们可以简化说法为:“我们有95%的把握认为,在所有成年人当中,有49%~53%的人支持该修正案。”,这就是置信度说明。
注意:
一个随机样本统计量的变异性,不受总体大小的影响,只需确保总体至少比样本大100倍即可。
假设我们从已收获的玉米种抽样,把勺子插进玉米粒当中。勺子并不知道它是在一袋玉米当中,还是在一卡车的玉米当中。如果玉米混合得很均匀(如此一来,勺子舀出来的玉米就是随机样本),样本统计量的变异性就只与勺子的大小有关。
如果我们要估计俄亥俄大学中在政治方面属于保守派的学生比例,还是要估计美国所有成年人中的保守派人士的比例,只要两者要求同样的误差范围,就得抽取一样大的简单随机样本。(因为样本量的变异性首样本量大小影响)要知道,俄亥俄大学只有4.9万名学生,而2009年美国成年人口超过2.32亿。这说明,在俄亥俄大学中抽取的样本占总体的比例要高得多。
全站搜索