比率参数的置信区间构造

比率参数的置信区间构造

比率参数置信区间：根据样本为未知总体比率$p$提供区间估计→以给定置信水平包含真值。通用结构：$\hat{p}\pm E$（边际误差），$\hat{p}=X/n$为点估计。每次抽样=伯努利试验→$X\sim\mathrm{Binomial}(n,p)$。

方法一：正态近似法(Wald)

中心极限定理：n大时$\hat{p}\approx N(p, p(1-p)/n)$→标准化$Z=(\hat{p}-p)/\sqrt{p(1-p)/n}\sim N(0,1)$。用$\hat{p}$替$p$估标准误：$SE(\hat{p})=\sqrt{\hat{p}(1-\hat{p})/n}$。区间：$\hat{p}\pm Z_{\alpha/2}SE(\hat{p})$（95\%→$Z_{0.025}\approx1.96$；90\%→1.645；99\%→2.576）。

使用条件：$n\hat{p}\ge10$且$n(1-\hat{p})\ge10$→不满足→严重偏差。局限：p近0/1或n小时覆盖概率远低于名义（号称95\%实仅90\%）；区间可能越界[0,1]；$\hat{p}=0$或1→宽度0不合理。

方法二：Agresti-Coull（加四法）

调整：$\tilde{n}=n+4$，$\tilde{X}=X+2$，$\tilde{p}=(X+2)/(n+4)$。用$\tilde{p},\tilde{n}$套Wald公式。优点：实际覆盖概率近名义（小样本/p近边界也稳健）；从不越界；简单易实现。推荐入门教学替代Wald。

方法三：Wilson得分区间

不解标准误中替p→直接解$-Z_{\alpha/2}\le(\hat{p}-p)/\sqrt{p(1-p)/n}\le Z_{\alpha/2}$关于p的二次不等式。区间中心/宽度均异Wald→公式：$\frac{1}{1+Z^2/n}(\hat{p}+\frac{Z^2}{2n}\pm Z\sqrt{\frac{\hat{p}(1-\hat{p})}{n}+\frac{Z^2}{4n^2}})$。优点：非对称（反映二项分布偏态）、小样本/p近边界表现优、永不越界→被广泛认为标准方法。

方法四：Clopper-Pearson精确区间

不依赖正态近似→基于二项分布累积分布函数求解$p_L$（$P(Y\ge X\mid B(n,p_L))=\alpha/2$）和$p_U$（$P(Y\le X\mid B(n,p_U))=\alpha/2$）→数值求解。保守性：实际覆盖率不低于名义→区间通常比Wilson/Agresti更宽。精确→直接源自离散二项非连续近似。

总结对比

| 方法 | 主要思想 | 优点 | 缺点 | |------|---------|------|------| | Wald | 正态近似 | 最简单 | 小样本/p近界差/可能越界 | | Agresti-Coull | 加四数据调整 | 简单/接近名义/不越界 | 近似/理论不如Wilson | | Wilson | 解二次不等式不替p | 稳健/理论优/非对称 | 稍复杂 | | Clopper-Pearson | 二项累积概率求解 | 保证最低覆盖率 | 过宽保守/计算复杂 |

实践：教学→Agresti-Coull（替代Wald）；严谨→Wilson标准；药品安全等需最低覆盖率保证→Clopper-Pearson；小样本/p近界避Wald。