统计

统计 (Statistics)

统计，英文为 Statistics，是收集、整理、分析、解释和呈现数据的科学与方法论。它横跨数学、计算机科学和应用领域，为在不确定性下做出决策提供了系统框架。在经济学中，统计是验证理论、预测趋势和评估政策效果的核心工具。

统计一词在中文语境下有双重含义：既可指代作为一门学科的统计学，也可指代从数据中计算出的统计量 (Statistic)，即样本数据的某种汇总函数，如样本均值、样本方差等。

统计学的两大分支

一. 描述统计 (Descriptive Statistics)

描述统计关注如何以清晰、简洁的方式总结和呈现一组数据的主要特征。它不试图超越数据本身做出更广泛的结论，仅对已有数据进行刻画。

描述统计主要依靠三类工具：

1. 集中趋势的度量：刻画数据的中心位置。

• 均值 (Mean)：所有观测值的算术平均，受极端值影响较大。
• 中位数 (Median)：将数据从小到大排列后位于中间的值，对极端值稳健。
• 众数 (Mode)：出现频率最高的值。

1. 离散程度的度量：刻画数据的分散或变异程度。

• 方差 (Variance) 和标准差 (Standard Deviation)：衡量观测值围绕均值的平均偏离程度。
• 极差 (Range)：最大值与最小值之差。
• 四分位距 (Interquartile Range, IQR)：第三四分位数与第一四分位数之差，不受极端值干扰。

1. 图形与表格：直方图、箱线图、散点图等可视化工具，以及频数分布表。

二. 推断统计 (Inferential Statistics)

推断统计是统计学的核心，它研究如何利用从总体 (Population) 中抽取的样本 (Sample) 数据，对总体特征做出可靠的推断。由于通常无法获得总体全部数据，推断统计提供了一整套严谨的方法来从部分推知整体。

推断统计主要包括两大板块：

1. 参数估计 (Parameter Estimation)：利用样本统计量估计总体参数。

• 点估计 (Point Estimation)：用一个单一数值给出总体参数的最佳猜测，如用样本均值 $\bar{X}$ 估计总体均值 $\mu$。优质的估计量应具有无偏性、一致性和有效性等性质。
• 区间估计 (Interval Estimation)：构建一个置信区间 (Confidence Interval)，以某一预设的置信水平（如 95\%）覆盖未知的总体参数。

1. 假设检验 (Hypothesis Testing)：对关于总体参数的某个声明进行检验。

• 设立原假设 ($H_0$) 和备择假设 ($H_1$)。
• 基于样本计算检验统计量 (Test Statistic)，并判断其值是否落入了拒绝域。
• 在决策过程中可能犯第一类错误（拒真，概率记为 $\alpha$）或第二类错误（取伪，概率记为 $\beta$）。检验的功效 (Power) 定义为 $1-\beta$。
• p值 (p-value) 方法提供了另一种视角：在原假设为真的前提下，观察到当前或更极端样本结果的概率。若 p值小于显著性水平 $\alpha$，则拒绝原假设。

抽样与样本设计

推断统计的有效性依赖于样本的代表性。核心方法包括：

• 简单随机抽样：每个个体被抽中的概率相等，是理论上的黄金标准。
• 分层抽样：将总体划分为若干层，在各层内独立随机抽样，可降低抽样误差、提高估计精度。
• 整群抽样：以群组为单位随机抽取，便于操作但可能增加误差。

抽样中需警惕 选择偏误 (Selection Bias) 和 幸存者偏差 (Survivorship Bias) 等问题，这些系统性偏差会导致估计量不再具有无偏性，严重损害推断的可靠性。

相关与回归分析

相关分析 (Correlation Analysis) 衡量两个变量之间的线性关联程度，常用皮尔逊相关系数 (Pearson Correlation Coefficient) $r$ 来度量，其取值范围为 $[-1, 1]$。$r$ 的绝对值越接近 1，表明线性关系越强。值得注意的是，相关不代表因果——两个变量高度相关可能源于"混淆变量" (Confounding Variable) 的存在。

回归分析 (Regression Analysis) 则更进一步，试图刻画一个或多个自变量对因变量的影响。最简单的形式是一元线性回归 $Y = \beta_0 + \beta_1 X + \varepsilon$。通过普通最小二乘法 (OLS) 估计回归系数后，可借助t检验判断系数的统计显著性，用 $R^2$ 衡量模型对数据的拟合优度。在计量经济学中，多元回归是处理因果推断问题的基本框架，其假设条件（如同方差性、无自相关、无完全共线性）需逐一检验。

统计与概率的关系

统计与概率论 (Probability Theory) 密不可分但视角相反。概率论从已知的总体分布出发，推导样本结果的规律性；统计学则从观测到的样本数据出发，反推总体的分布或参数。大数定律 (Law of Large Numbers) 和中心极限定理 (Central Limit Theorem) 是连接二者的两大支柱，它们共同保证了在样本量足够大时，样本均值近似服从正态分布，从而使区间估计和假设检验成为可能。

时间序列分析

时间序列分析 (Time Series Analysis) 专门研究按时间顺序排列的数据，这在经济学和金融学中尤为重要。与横截面数据不同，时间序列数据通常具有自相关性 (Autocorrelation)，即相邻观测值之间存在依赖关系。核心概念包括平稳性、趋势、季节性和周期性。常用的模型有自回归模型 (AR)、移动平均模型 (MA) 以及二者的结合 ARMA/ARIMA 模型。在经济学中，单位根检验可用于判断一个经济变量是否具有随机游走特征，这直接关系到预测策略和政策分析的有效性。

统计软件与计算

现代统计学的实践高度依赖计算工具。常用的统计软件包括免费开源的 R 语言和 Python（及其 pandas、SciPy、statsmodels 等库），以及商业软件 Stata、SPSS、SAS 等。R 语言专为统计计算和图形展示而设计，拥有丰富的包生态系统；Python 则因其在机器学习和大数据领域的优势而日益普及。无论使用何种工具，可重复性 (Reproducibility) 已成为统计研究的基本要求，研究者应通过版本控制、代码共享和文档化来确保分析结果的透明可信。

在经济学中的应用

在计量经济学中，统计方法贯穿始终：普通最小二乘法 (OLS) 估计回归系数；t检验和F检验判断变量显著性；$R^2$ 衡量模型解释力。因果推断的现代方法——工具变量法、双重差分法、断点回归设计——均建立在统计推断的严格基础之上，旨在从观测数据中识别因果效应而非仅仅是相关关系。此外，在宏观经济学中，时间序列分析被广泛用于 GDP 增长率预测、通货膨胀监测和货币政策评估；在金融经济学中，风险度量和投资组合优化则依赖于统计分布模型和蒙特卡洛模拟等工具。