频率派推断

频率派推断 (Frequentist Inference)

频率派推断（Frequentist Inference）是统计推断的两大范式之一，与贝叶斯推断相对而立。其核心主张是：概率被解释为无限次重复试验中事件发生的相对频率的极限——概率是客观世界的一种物理属性，而非主观信念的度量。频率派框架由Ronald Fisher、Jerzy Neyman和Egon Pearson等人在20世纪上半叶系统建立，至今仍是自然科学、医学、经济学等实证研究中最主流的推断方法论。频率派推断的三个支柱是：点估计、假设检验与置信区间。

哲学基础：概率的频率解释

频率派的核心哲学立场是：未知参数 $\theta$ 是固定的常数（尽管未知），而非随机变量。数据 $X$ 被视为来自某个以 $\theta$ 为参数的分布 $P_\theta$ 的随机样本。所有概率陈述都指向数据生成过程的长期行为——一个估计量的"置信区间"以95\%的概率覆盖真值，意为：若无限次重复抽样并计算区间，其中95\%的区间会包含真值。这与贝叶斯学派"参数本身有95\%概率落在区间内"的解释有本质区别。

频率派拒绝为参数赋予先验分布。这一拒绝既出于客观性的追求——科学结论应当独立于研究者的主观信念，也源于概率的频率定义自身的逻辑一致性：若将概率定义为长期频率，则一次性事件（如"这个假设为真"）没有频率属性，因此不能谈论其概率。

估计理论

最大似然估计（MLE）是频率派估计理论的基石。给定数据 $x$，MLE 选择使观察到这些数据的概率最大化的参数值：

MLE 具有优良的大样本性质：在正则条件下，MLE 是一致的（随样本增大收敛于真值）且渐近正态的（抽样分布逼近正态），并在所有渐近无偏估计量中达到最小的方差——即Cramér-Rao下界。这些性质使 MLE 成为频率派工具箱中最核心的估计方法。

此外，矩估计法（Method of Moments）是另一类基本方法：用样本矩替代总体矩，反解出参数估计。尽管在大样本中效率通常低于 MLE，矩估计计算简便且无需指定完整分布形式，在计量经济学中的广义矩估计（GMM）中发扬光大。

频率派评估估计量优劣的标准包括：无偏性（期望等于真值）、一致性（概率收敛于真值）、有效性（方差最小）和均方误差（平衡偏差与方差）。这些标准不依赖于任何先验分布，是对估计量"长期表现"的频率主义评价。

假设检验：Neyman-Pearson 框架

假设检验是频率派推断最具影响力的方法论贡献。Neyman-Pearson 框架将决策问题形式化为原假设 $H_0$ 与备择假设 $H_1$ 之间的选择，并定义了两种错误：第 I 类错误（$\alpha$，错误拒绝真 $H_0$）和第 II 类错误（$\beta$，错误接受假 $H_0$）。检验的功效（$1-\beta$）是在 $H_1$ 为真时正确拒绝 $H_0$ 的概率。

Fisher 提出的p 值——在原假设为真的条件下，观察到当前或更极端数据的概率——提供了另一种不以"接受 $H_1$"为目标的统计推断方式。尽管 p 值在实践中被广泛使用，其含义常遭误读：p 值不是"$H_0$ 为真的概率"，而仅是对数据偏离程度的一种度量。

频率派假设检验的严格决策逻辑是：在重复抽样中，将第 I 类错误率控制在预设水平 $\alpha$ 以下。这意味着一次实验的"显著"或"不显著"结论，必须被理解为该决策规则在长期中的频率性质，而非对单个假设真伪的概率判断。

置信区间

置信区间是频率派推断的第三个支柱。一个 $100(1-\alpha)\%$ 的置信区间定义为：在重复抽样下，该区间覆盖真值 $\theta$ 的比例为 $1-\alpha$。其构造通常基于枢轴量（pivotal quantity）的分布，如正态均值推断中的 $t$ 统计量。置信区间与假设检验的对偶关系意味着：区间包含 $\theta_0$ 当且仅当双侧检验在水平 $\alpha$ 上不拒绝 $H_0: \theta = \theta_0$。

与贝叶斯推断的比较

频率派与贝叶斯的根本分歧在于三个层面：概率的定义（客观频率 vs. 主观信念）、参数的本质（固定常数 vs. 随机变量）和条件化的方式（仅基于数据 vs. 结合先验）。

频率派的优势在于客观性与稳健性——结论不依赖于先验的选择，这在高风险决策（如新药审批）中尤为重要。其代价包括：小样本下表现可能不佳、无法自然地融入已有知识，以及对"置信区间"的解释常与大众直觉相悖。现代应用统计学中，频率派与贝叶斯方法日趋融合——例如经验贝叶斯用频率方法估计先验，而频率派工具箱（如Bootstrap和交叉验证）也吸收了计算贝叶斯的思想。两种范式的互补而非对立，已成为当代统计学的共识。