z-统计量

z-统计量 (z-statistic)

z-统计量（z-statistic），也称为z-分数（z-score）或z-检验统计量，是统计推断中用于假设检验的一种核心工具。它衡量一个样本统计量（通常是样本均值）与原假设中设定的总体参数之间的差异程度，以标准误为单位度量。绝对值很大的z-统计量意味着观测结果与原假设预期相差甚远，因此有理由拒绝原假设。z-统计量的关键特征在于原假设为真时它服从标准正态分布 $N(0, 1)$，使我们可以精确计算p值。

定义与计算公式

对单个总体均值检验，z-统计量为 $z = (\bar{x} - \mu_0)/(\sigma/\sqrt{n})$，其中 $\bar{x}$ 为样本均值、$\mu_0$ 为原假设假设的总体均值、$\sigma$ 为总体标准差、$n$ 为样本量、$\sigma/\sqrt{n}$ 为样本均值抽样分布的标准误。公式含义为观测样本均值与原假设均值相差多少个标准误的距离。

使用z-统计量的前提条件为，总体方差 $\sigma^2$ 已知，或样本量足够大（通常 $n \ge 30$）时可根据中心极限定理用样本标准差 $s$ 近似替代 $\sigma$，此时 $z \approx (\bar{x} - \mu_0)/(s/\sqrt{n})$。当总体方差未知且样本量较小时应使用t-统计量而非z-统计量，因为t分布考虑了使用样本标准差替代总体标准差带来的额外不确定性。

假设检验步骤与z-统计量的应用

标准决策流程为，陈述假设 $H_0: \mu = \mu_0$，备择可为双侧（$\mu \neq \mu_0$）、右侧（$\mu > \mu_0$）或左侧（$\mu < \mu_0$）。设定显著性水平 $\alpha$，常见值0.05、0.01、0.10。计算z统计量。根据备择假设类型确定临界值，双侧检验为 $\pm z_{\alpha/2}$、单侧为 $z_\alpha$ 或 $-z_\alpha$，与计算的z值比较或计算p值作出判断：若z落在拒绝域或p值 < $\alpha$ 则拒绝 $H_0$。

z-统计量的多参数应用包括：两个独立总体均值差异检验（总体方差已知或大样本），公式为 $z = (\bar{x}_1 - \bar{x}_2 - \Delta_0)/\sqrt{\sigma_1^2/n_1 + \sigma_2^2/n_2}$；总体比例检验，$\hat{p}$ 为样本比例、$p_0$ 为假设总体比例时 $z = (\hat{p} - p_0)/\sqrt{p_0(1-p_0)/n}$；以及两个总体比例差异检验。

z-统计量与t-统计量的核心区别在于：z检验要求总体方差已知或大样本，因标准正态分布是精确分布；t检验允许总体方差未知且适用于小样本，t分布较正态分布尾部更厚以反映参数估计不确定性。当自由度趋于无穷时t分布收敛于标准正态分布，这解释了为何大样本下z检验与t检验近似等价。z-统计量在计量经济学和统计应用的标准化计算中广泛使用，包括标准化回归系数、z-检验（Z-test）以及作为沃尔德检验的检验统计量基础。许多现代统计计算中虽然软件通常默认输出t统计量，但z统计量的标准正态分布简化了许多理论推导和计算。