推断

推断 (Inference)

推断（Inference）在统计学与计量经济学中特指统计推断（Statistical Inference），即利用样本数据对未知总体特征或参数做出结论的方法论体系。推断将概率论的演绎逻辑反转：概率论从已知总体推演样本行为，推断则从观测样本反推总体性质，是现代经济学实证研究的核心方法论。

推断的两大支柱：估计与检验

统计推断在经典频率学派框架下分为两个密切联系的分支：参数估计和假设检验。

参数估计（Parameter Estimation）利用样本统计量推断总体参数，分为点估计与区间估计。点估计（Point Estimation）用单个统计量（如样本均值 $\bar{X}$）作为总体参数（如 $\mu$）的估计值，评价标准包括无偏性、有效性、一致性和充分性。区间估计（Interval Estimation）构造置信区间，以置信水平 $1-\alpha$ 覆盖未知真值——其含义是重复抽样中区间覆盖真值的频率，而非单次区间包含参数的概率。

假设检验（Hypothesis Testing）由奈曼与皮尔逊系统化：设定原假设 $H_0$ 与备择假设 $H_1$，基于检验统计量判断是否拒绝 $H_0$。核心度量包括第I类错误（拒真，$\alpha$）、第II类错误（存伪，$\beta$）及检验功效（$1-\beta$）。p值——$H_0$ 为真时观察到当前及更极端结果的概率——是检验决策的常用工具，$\alpha = 0.05$ 已成社会科学事实标准，但也引发了对p值滥用和统计显著性误读的广泛反思。

推断的前提与限度

统计推断须以适当抽样的代表性样本为前提。当样本非随机（如观测数据中的自选择偏误）时，直接推断易产生内生性问题，使估计量失去因果解释效力。现代计量经济学的回应包括工具变量法、双重差分法（DiD）、断点回归设计（RDD）等因果推断方法。另一关键局限：统计显著不等于经济显著——大样本中几乎任何非零效应都会统计显著，而小样本中即使大效应也可能不显著。推断结论须始终结合效应大小与经济理论综合评判。