样本统计量

样本统计量 (Sample Statistic)

样本统计量是统计学中最基础的概念之一，指基于样本数据计算得出的任何数值度量。样本统计量作为总体参数的估计量，承担着从有限观测推断总体特征的核心任务。它与总体参数形成对应关系：总体参数是固定但未知的常数，而样本统计量是随样本变化的随机变量。

常见样本统计量

设从总体中抽取样本 $\{X_1, X_2, \dots, X_n\}$，以下是最常用的样本统计量：

样本均值 (Sample Mean)

样本均值是总体均值 $\mu$ 的无偏估计量，即 $E[\bar{X}] = \mu$，其方差为 $\sigma^2 / n$。由大数定律和中心极限定理保证，无论总体分布如何，当样本量充分大时，$\bar{X}$ 的抽样分布近似正态。

样本方差 (Sample Variance)

分母采用 $n-1$（而非 $n$）是为了保证无偏性：$E[S^2] = \sigma^2$。若使用 $n$ 作分母，则产生有偏估计量，偏差为 $-\sigma^2/n$。这里的 $n-1$ 称为自由度，源于估计 $\bar{X}$ 时已消耗一个自由度。

样本标准差 (Sample Standard Deviation)

注意 $S$ 是 $\sigma$ 的有偏估计量，因为平方根变换不保持无偏性。在大样本中此偏差可忽略。

样本比例 (Sample Proportion)

其中 $X$ 为样本中具有某特征的个体数。$\hat{p}$ 是总体比例 $p$ 的无偏估计量，其方差为 $p(1-p)/n$。

样本统计量与抽样分布

任一统计量都是随机变量，有其抽样分布。抽样分布描述了统计量在所有可能样本上的概率分布，是统计推断的理论基础：

• 若总体服从 $N(\mu, \sigma^2)$，则 $\bar{X} \sim N(\mu, \sigma^2/n)$。
• 若总体正态，则 $(n-1)S^2/\sigma^2 \sim \chi^2(n-1)$。
• $\frac{\bar{X} - \mu}{S/\sqrt{n}} \sim t(n-1)$，这是t检验的基础。

统计量的优良性准则

评价一个样本统计量作为参数估计量的优劣，通常考虑以下准则：

1. 无偏性 (Unbiasedness)：$E[\hat{\theta}] = \theta$。统计量的期望等于被估计参数。
2. 一致性 (Consistency)：$\hat{\theta}_n \xrightarrow{p} \theta$。随样本量增大，统计量依概率收敛于真值。
3. 有效性 (Efficiency)：在所有无偏估计量中，方差最小者更有效。
4. 充分性 (Sufficiency)：统计量包含样本中关于参数的全部信息，即充分统计量。

区分：样本统计量 vs 总体参数

这一区分是统计推断的出发点：

• 总体参数（如 $\mu, \sigma^2, p$）：固定常数，通常不可知。
• 样本统计量（如 $\bar{X}, S^2, \hat{p}$）：已知变量，因样本不同而变动，用于估计参数。

用符号约定：希腊字母表示参数，拉丁字母表示统计量。

实践意义

样本统计量是描述性统计与推断性统计的桥梁。在实证研究中，研究者用样本统计量进行点估计和区间估计，构建置信区间，执行假设检验。理解统计量的抽样变异和标准误差，是正确解读实证结果、避免过度推断的前提。