知经 KNOWECON
登录 注册

知经百科 / W

Wilson区间

Wilson区间（Wilson score interval），又称Wilson置信区间或Wilson得分区间，是由美国统计学家埃德温·比德韦尔·威尔逊（Edwin Bidwell Wilson）于1927年提出的一种用于二项分布比例参数的区间估计方法。该方法基于渐近正态理论，然而相较于教科书中最常见的Wald区间，具有显著优越的统计性质。在当代统计学实践中，Wilson区间被广泛认为是对单一二项比例进行区间估计的首选方法之一。

定义与公式

Wilson区间的构造思路源于Score检验的逆运算。设从二项总体中抽取容量为nn的样本，观测到xx次成功，则样本比例p^=x/n\hat{p} = x/n。总体比例π\pi的(1−α)(1-\alpha)置信区间通过求解以下不等式获得：

∣p^−π∣π(1−π)/n≤zα/2\frac{|\hat{p} - \pi|}{\sqrt{\pi(1-\pi)/n}} \leq z_{\alpha/2}

其中zα/2z_{\alpha/2}是标准正态分布的α/2\alpha/2上侧分位数。这一不等式的核心在于，分母使用了π\pi而非p^\hat{p}作为标准误差的估计量——这正是Score检验与Wald检验的根本区别。将上式两边平方并整理，得到关于π\pi的一元二次不等式。求解该不等式可得Wilson区间的显式公式：

11+z2/n(p^+z22n±zp^(1−p^)n+z24n2)\frac{1}{1 + z^2/n}\left(\hat{p} + \frac{z^2}{2n} \pm z\sqrt{\frac{\hat{p}(1-\hat{p})}{n} + \frac{z^2}{4n^2}}\right)

其中z=zα/2z = z_{\alpha/2}。当置信水平为95\%时，z≈1.96z \approx 1.96。该公式的显著特征是，区间中心并非样本比例p^\hat{p}本身，而是经过正则化调整后的值(p^+z2/(2n))/(1+z2/n)(\hat{p} + z^2/(2n))/(1 + z^2/n)；区间宽度同时依赖于样本比例和样本量，且随着p^\hat{p}趋近0或1而自然收窄。

与Wald区间的比较

Wald区间是最为直观的比例置信区间，其形式为p^±zp^(1−p^)/n\hat{p} \pm z\sqrt{\hat{p}(1-\hat{p})/n}。这一公式虽然简单，却隐藏着严重缺陷。首先，当p^=0\hat{p} = 0或p^=1\hat{p} = 1时，标准误差的估计值退化为零，导致区间宽度为零——这显然是不合理的，因为即使观测到零次成功，总体比例的上限也应大于零。其次，Wald区间的边界可能超出[0,1][0,1]这一比例参数的自然取值范围，产生理论上的矛盾。更为致命的是，Brown、Cai和DasGupta在2001年发表于《Statistical Science》的经典论文中通过大量模拟证明，Wald区间的实际覆盖率远低于名义置信水平，当样本量较小或比例接近边界时，覆盖率甚至可能降至0\%以下。他们在论文中直言不讳地指出："Wald区间在几乎所有情形下的表现都不可接受。"

与此形成鲜明对比的是，Wilson区间从根本上克服了上述问题。其区间边界始终严格落在[0,1][0,1]之内，不存在越界风险。在覆盖率方面，即使样本量小至n=10或n=20，Wilson区间仍能维持接近名义置信水平的实际覆盖率。这一稳健性使Wilson区间在医学统计、流行病学等对推断精度要求严格的领域中备受青睐。

统计性质

Wilson区间拥有一系列优良的统计性质，这些性质共同奠定了其在实际应用中的优势地位。

第一，Wilson区间与Agresti-Coull区间之间存在深刻联系。Agresti和Coull（1998）指出，Wilson区间等价于在原始数据上施加一种正则化变换：向成功次数xx上加z2/2z^2/2，向总次数nn上加z2z^2，然后代入Wald公式。当置信水平为95\%时，z≈1.96z \approx 1.96，z2≈3.84z^2 \approx 3.84，近似为4——这就是广为人知的"加4规则"（add-four rule）的理论来源。

第二，Wilson区间是Score检验的逆运算，因此与Score检验具有完美的对偶性。具体而言，对于任意参数值π0\pi_0，当且仅当π0\pi_0落在Wilson区间内时，零假设H0:π=π0H_0: \pi = \pi_0的Score检验在显著性水平α\alpha上无法被拒绝。这一一致性是Wald区间所不具备的，因为Wald区间对应的Wald检验在有限样本下往往具有扭曲的第一类错误率。

第三，Wilson区间具有自然的不对称性。当样本比例p^\hat{p}接近0.5时，区间近似对称；当p^\hat{p}接近0或1时，区间的不对称性逐渐增强——靠近边界一侧的尾部较短，远离边界一侧的尾部较长。这一特征真实反映了二项比例估计的内在不确定性结构，较之对称的Wald区间更为合理。

应用场景

Wilson区间的应用横跨众多学科。在医学统计和临床试验中，它被用于估计治疗有效率、不良反应发生率、诊断灵敏度与特异度等关键比例指标。在流行病学中，它被用于构建患病率、发病率、死亡率等公共健康指标的置信区间。在舆论调查和民意测验中，各主要媒体机构广泛采用Wilson区间报告候选人支持率的误差范围。在市场研究中，Wilson区间用于估计市场份额、品牌认知度和消费者满意度等指标。

值得一提的是，Wilson区间在计算机科学领域亦有独特应用。著名的"Wilson得分"排序方法以Wilson区间的下限作为评分依据，对具有不同投票数量的项目进行排序。这一方法的精妙之处在于，它自动平衡了投票数量与投票比例：当投票数较少时，区间较宽、下限较低，项目排名自然靠后；随着投票数增加，区间收窄，下限趋近于真实比例。Reddit早期的评论排序算法、部分电商平台的商品评分系统均采用了基于Wilson区间的方法。

相关方法与推广

除Wilson区间外，二项比例的区间估计方法还包括：Clopper-Pearson区间（基于精确二项分布，最为保守，实际覆盖率不低于名义水平）、Agresti-Coull区间（对Wilson区间的近似简化，计算更便捷）、Jeffreys区间（基于贝叶斯方法，使用Beta先验分布，性质优良）以及Wald区间（简单但有严重缺陷）。Agresti和Coull（1998）在全面比较后推荐，对绝大多数实际应用场景，Wilson区间或Agresti-Coull区间是最优选择。

此外，Wilson区间可以被推广到更复杂的统计问题中。例如，在对两个独立样本的比例差异进行推断时，Newcombe提出的方法正是基于Wilson区间的推广。在多比例比较、分层比估计等领域，Wilson区间的思想也以不同形式得到应用。

局限性与注意事项

尽管Wilson区间较Wald区间有显著改进，但它仍属于渐近方法。当样本量极小（例如n<10n < 10，或成功次数与失败次数之和小于10）时，基于精确二项分布的Clopper-Pearson区间可能更为稳妥。此外，Wilson区间的显式表达式虽然适用于计算机计算，但手工推导较为繁琐——不过在现代统计分析中，这一缺陷已被各类统计软件和编程库所弥补。在实际使用中，研究者应始终检查样本的成功和失败次数是否满足应用前提，并根据具体研究场景决定是否需要采用更为保守的精确方法。

参考文献

  • Wilson, E. B. (1927). "Probable inference, the law of succession, and statistical inference". Journal of the American Statistical Association, 22(158), 209–212.
  • Brown, L. D., Cai, T. T., \& DasGupta, A. (2001). "Interval estimation for a binomial proportion". Statistical Science, 16(2), 101–133.
  • Agresti, A., \& Coull, B. A. (1998). "Approximate is better than 'exact' for interval estimation of binomial proportions". The American Statistician, 52(2), 119–126.
  • Newcombe, R. G. (1998). "Two-sided confidence intervals for the single proportion: Comparison of seven methods". Statistics in Medicine, 17(8), 857–872.

返回百科索引