均值置信区间

均值置信区间 (Confidence Interval for the Mean)

均值置信区间是统计学中用于估计总体均值的一种区间估计方法。它给出了在给定的置信水平 $1-\alpha$ 下，总体均值 $\mu$ 最可能落入的一个数值范围。与点估计提供单一数值不同，置信区间同时传达了估计的精度和可靠性，是统计推断中不可或缺的工具。

基本概念与构造原理

设总体 $X$ 的均值为 $\mu$，方差为 $\sigma^2$，从总体中抽取容量为 $n$ 的随机样本 $X_1, X_2, \ldots, X_n$。样本均值为 $\bar{X} = \frac{1}{n}\sum_{i=1}^n X_i$。根据中心极限定理，当样本量足够大时，$\bar{X}$ 近似服从正态分布 $N(\mu, \sigma^2/n)$。

均值置信区间的一般形式为：

其中 $z_{\alpha/2}$ 为标准正态分布的上 $\alpha/2$ 分位数。这个区间意味着，如果重复抽样并构造区间，约有 $100(1-\alpha)\%$ 的区间会覆盖真实的总体均值 $\mu$。

不同情形下的构造方法

根据总体方差是否已知以及样本量大小，均值置信区间的构造方法有所不同。

情形一：总体方差 $\sigma^2$ 已知。此时无论样本量大小，均使用标准正态分布构造区间：

该区间的宽度为 $2 z_{\alpha/2} \sigma / \sqrt{n}$，反映了样本量越大区间越窄、估计越精确的性质。

情形二：总体方差 $\sigma^2$ 未知，大样本。当 $n \ge 30$ 时，用样本标准差 $S$ 替代 $\sigma$，仍使用标准正态分布：

这是实际应用中最常见的近似方法。

情形三：总体方差未知，正态总体，小样本。当总体服从正态分布且 $n < 30$ 时，使用 $t$ 分布：

其中 $t_{\alpha/2}(n-1)$ 是自由度为 $n-1$ 的 $t$ 分布的上侧分位数。$t$ 分布的尾部分布比正态分布更厚，产生更宽的置信区间，以补偿用 $S$ 代替 $\sigma$ 带来的不确定性。

两总体均值差的置信区间

比较两个总体的均值差异是均值置信区间的重要应用。

独立样本，方差已知：

独立样本，方差未知但假定相等（汇集方差）：

其中池化方差 $S_p^2 = \frac{(n_1-1)S_1^2 + (n_2-1)S_2^2}{n_1+n_2-2}$。

独立样本，方差未知且不假定相等（Welch近似）：

其中自由度 $\nu$ 由 Welch-Satterthwaite 公式给出。

配对样本：先计算配对差值 $D_i = X_{1i} - X_{2i}$，然后对差值构造单样本均值置信区间：

配对设计通过消除个体间的变异，提高了估计的精度。

影响因素与性质

均值置信区间的宽度受四个关键因素影响。样本量 $n$ 越大，区间越窄，精度越高。置信水平 $1-\alpha$ 越高，$z_{\alpha/2}$ 越大，区间越宽。总体变异 $\sigma$ 越大，区间越宽。样本量增加使精度以平方根速率提升，即样本量需扩大四倍才能使区间宽度减半。

置信区间与假设检验存在对偶关系：若 $100(1-\alpha)\%$ 置信区间包含假设值 $\mu_0$，则在显著性水平 $\alpha$ 下不拒绝 $H_0: \mu = \mu_0$；反之则拒绝。这一对偶性使得置信区间不仅提供估计范围，还能传达假设检验的信息，比单纯的 $p$ 值更具信息量。

在应用经济学和计量分析中，均值置信区间广泛用于评估政策效果的平均效应、比较不同处理组的差异以及报告预测的不确定性范围。合理构造和解读均值置信区间是实证研究中确保结论可靠性的基本要求。