精度

精度 (Precision)

在统计学和计量经济学中，精度是指估计量在重复抽样中接近其自身期望值的程度，通常由估计量的方差或标准误差的倒数来衡量。一个精度高的估计量在样本间波动小，给出更"精确"的参数推断。精度与准确度是两个独立的概念：一个瞄准镜的弹着点可能非常集中（高精度）但偏离靶心（低准确度），反之亦然。

数学定义

对于无偏估计量 $\hat{\theta}$（即 $E[\hat{\theta}] = \theta$），精度定义为估计量方差的倒数：

在贝叶斯统计中，正态分布通常以精度（而非方差）作为参数：$X \sim N(\mu, \tau^{-1})$，其中 $\tau = 1/\sigma^2$。这一参数化使得似然函数的代数形式更简洁，特别是在共轭先验为伽马分布的场合。

精度与样本量

在 i.i.d. 抽样下，样本均值的方差为 $\sigma^2/n$，因此精度与样本量 $n$ 成正比：$\text{Precision}(\bar{X}_n) = n / \sigma^2$。样本量加倍，精度加倍。这一关系是样本量计算的基础——研究者通过指定所需的精度水平（或等价地，置信区间宽度）来确定最小样本量。

精度与置信区间

在经典统计学中，精度通过置信区间的宽度直接影响推断质量。对于正态均值，95\% 置信区间为 $\bar{X} \pm 1.96 \cdot \sigma / \sqrt{n}$。区间宽度 $W = 2 \times 1.96 \cdot \sigma / \sqrt{n}$。精度越高（$n$ 越大或 $\sigma$ 越小），区间越窄，推断越"精确"。

估计量精度比较

在多个竞争估计量之间选择时，精度是核心比较标准之一。若两个估计量均为无偏，则优先选择方差更小者（更有效）。但在有偏但与真实值的偏差很小的估计量与无偏但方差较大的估计量之间，可能需要使用均方误差 ($MSE = \text{Bias}^2 + \text{Variance}$) 综合权衡。岭回归和 Lasso等正则化方法正是通过引入微小偏差来换取方差的显著降低，从而提高整体预测精度。