第六章 参数估计

统计推论的核心概念与特点

• 定义：统计推论（Statistical Inference）是基于局部样本资料对总体特征进行推断的方法，属于归纳推理范畴，适用于抽样调查数据的分析。

• 两大核心特点：

  1. 关联性：局部样本来源于总体，样本特性在一定程度上能反映总体特性（如总体中女性占比高，样本中女性占比高的概率更大）。

  2. 随机性：单次抽样结果具有随机性，无法完全等同于总体结果；且在总体参数未知时，即使抽样结果恰好等于总体参数，也无法直接验证。

• 理论基础：概率论（需通过概率规律处理抽样误差与总体推断的关系）。

抽样结果随机性的示例

• 实验设计：某工厂有100名工人（男、女各50%），模拟总体制作100个阄（50个“男”、50个“女”），采用回置抽样抽取10个样本（每次抽10个），记录男性人数。

• 实验结果（示例）：

  样本序号	男性人数	女性人数	样本序号	男性人数	女性人数
  1	6	4	6	4	6
  2	5	5	7	7	3
  3	7	3	8	5	5
  4	3	7	9	6	4
  5	4	6	10	8	2

• 结论：10次抽样中仅2次出现“5男5女”（与总体一致），其余均存在偏差；极端情况下可能出现“0男10女”或“10男0女”，体现抽样结果的随机性。

统计推论的主要内容

统计推论主要包含两部分，共同构成从样本到总体的推断逻辑：

1. 参数估计（Parameter Estimation）

   • 核心目标：通过样本计算的统计量，对总体的未知参数（如总体均值、方差、成数）进行估计。

   • 分类：分为点估计（用单个数值估计总体参数）和区间估计（用一个范围估计总体参数，并给出置信度）。

2. 假设检验（Hypothesis Test）

   • 核心目标：基于样本数据，判断关于总体参数的预先假设（如“总体均值≥1000”）是否成立。

   • 应用场景：社会调查全过程贯穿假设检验逻辑——从理论假设到操作化测量，再通过抽样数据验证假设，同时明确判断错误的概率。

名词解释

1. 总体（Population）

• 定义：研究对象的全体，对社会学研究而言，特指操作化后的数量指标集合（如人口收入、教育年限、职业类型等），可视为所研究数量指标的概率分布。
• 核心属性：
  • 总体的数量指标可看作随机变量（如从总体中随机抽取一个个体，其年龄、收入等指标具有随机性，且分布与总体一致）。
  • 可扩展为多指标综合总体（如通过资金、人员数、产值等指标综合评定企业规模，此时综合指标为随机变量）。

2. 样本（Sample）与简单随机样本（Simple Random Sample）

• 样本定义：从总体中按一定方式抽取的部分个体，包含的个体数目称为样本容量（n）；样本数据在抽样前为随机变量，抽样后为具体观测值。

• 简单随机样本的两个核心条件：

  1. 独立性：样本中各随机变量相互独立（如每次抽样结果不影响其他次）。

  2. 同分布性：各随机变量与总体服从相同的概率分布。

• 适用场景：

  • 无限总体的随机抽样。

  • 有限总体的回置抽样（抽取后放回，允许个体重复被抽）。

• 社会调查中的近似处理：
  社会调查多为有限总体的非回置抽样，但当样本容量n远小于总体规模N（n≤N/10）时，各次抽样概率近似不变，可视为简单随机样本。

3. 统计量（Statistics）

• 定义：设为来自总体的简单随机样本（n个独立同分布的随机变量），则样本的任意函数 称为统计量，用于描述样本特征并推断总体参数。根据随机变量的观测值计算得到的一切统计数字特征（如均值、方差）可以看做是相应的统计量的观测值。

• 常见统计量与对应总体参数：

  统计量类型	计算公式（观测值）	对应总体参数	作用
  样本均值		总体均值	估计总体集中趋势
  样本方差		总体方差	估计总体离散趋势
  样本成数	（m为某类事件发生次数）	总体成数	估计定类变量的总体比例

• 关键属性：统计量是随机变量，其概率分布称为抽样分布（Sampling Distribution），是参数估计与假设检验的核心依据。

抽样分布

• 定义：抽样分布（Sampling Distribution）是统计量的概率分布，即从同一总体中反复抽取容量为n的样本，所有可能样本的统计量（如样本均值、样本方差）观测值构成的分布。

• 本质：抽样分布是理论分布，描述统计量的随机波动规律，是连接样本与总体的桥梁——通过抽样分布可量化抽样误差，为参数估计和假设检验提供依据。

• 例如，用每个样本数据都可以计算一个平均值。根据中心极限定理，这些样本平均值服从正态分布。这个正态分布就是样本平均值的抽样分布。

抽样分布

• 与总体分布、样本分布的区别：

  分布类型	定义	性质	示例
  总体分布	总体中变量的取值及其概率分布	固定不变（总体规律）	某村家庭人口数的分布
  样本分布	单次抽样中变量的取值及其频率分布	随机变化（经验分布）	抽取5户家庭的人口数分布
  抽样分布	所有可能样本的统计量取值及其概率分布	固定不变（理论分布）	样本均值的分布 （如）

样本均值的抽样分布（一）：总体为正态分布

情况1：总体，且已知

• 抽样分布形式：样本均值服从正态分布，即：

• 标准化变换：令，则（标准正态分布）。

• 关键特征：

  • 均值：（无偏性）。

  • 方差（标准误差）：，（随n增大而减小，抽样误差降低）。

样本均值的抽样分布（一）：总体为正态分布

例题1

从平均身高170cm，身高分布的标准差为10cm的男性总体中分别抽取容量为36、400和2500人的样本。求样本均值的抽样分布。

样本均值的抽样分布（一）：总体为正态分布

例题1

不论样本容量多大，样本均值的数学期望都是总体均值。但随着样本容量的增大， 样本均值分布的标准差越来越小。

样本均值的抽样分布（一）：总体为正态分布

情况2：总体，但未知

• 抽样分布形式：用样本标准差代替，统计量服从自由度为的t分布，即：

• t分布的特征：

  • 对称于0，形状与标准正态分布类似，但离散程度更大（方差，k为自由度，k>2）。

  • 当时，t分布趋近于标准正态分布（），故大样本（n>30）时可用替代。

样本均值的抽样分布（二）：任意总体，大样本情况

• 理论依据：中心极限定理（CLT）——无论总体分布形式如何，当样本容量n足够大（社会科学中n≥50）时，样本均值的抽样分布近似服从正态分布。

• 抽样分布形式：
  若总体均值为，方差为，则：

• 标准化变换：

  • 若已知：（近似）。
  • 若未知：用代替，（近似）。

• 核心意义：
  为非正态总体的参数估计提供了理论基础——只需保证大样本，即可用正态分布近似处理。

样本均值的抽样分布（二）：任意总体，大样本情况

示例：非正态总体的样本均值分布

• 总体：某社区家庭月收入（非正态，元，元）。

• 抽样：

  抽取n=100的样本，样本均值的抽样分布：

  ，即均值5000元，标准误差150元。

样本均值的抽样分布（二）：任意总体，大样本情况

例题2

某快餐厅过去3年的日均营业额为3000元，标准差为500元，服从右偏分布。现从中随机抽取100天组成一个样本，问：（1）这个样本均值的标准差为多少？（2）这个样本均值大于3050的概率为多少？

样本均值的抽样分布（二）：任意总体，大样本情况

例题3

抛掷一枚均匀的硬币120次，正面出现的次数占40%到60%的概率为多少？

样本均值的抽样分布（二）：任意总体，大样本情况

例题3

抛掷一枚均匀的硬币120次，正面出现的次数占40%到60%的概率为多少？

如果使用二项分布直接计算，可以按照以下步骤进行：

设随机变量 表示120次抛掷中正面出现的次数，则 ，其中 ，

正面出现比例在40%到60%之间，即正面出现次数在 到 之间

因此需要计算：

代入 得：

计算这个求和需要计算从k=48到k=72的每一项二项概率并累加，结果约为0.977，与正态近似的结果0.975非常接近，说明当n较大时正态近似的效果很好。

小结：样本均值的抽样分布

1. 总体分布为正态分布，且方差已知，样本均值自然服从正态分布。

2. 总体分布为正态分布，但方差为未知，统计量已不再服从正态分布，而是服从自由度的 分布。

3. 任意总体，大样本情况，根据中心极限定理，在大样本情况下，的分布接近于正态分布。

结论：在社会现象的研究中，只要足够大，的分布将确定它为一个近似的正态分布。

样本方差的抽样分布

• 一般情况：样本方差的分布复杂，需通过计算机模拟（如生成大量样本绘制频率直方图）近似判断，无通用精确分布。
• 特殊情况：总体为正态分布时，，，且样本方差的抽样分布与分布（卡方分布）相关：
  其中为自由度（因样本均值已知，离差的独立个数为）。

分布的特征

1. 取值范围：（非负），分布右偏（偏度随自由度增大而减小）。
2. 数字特征：均值：（k为自由度）。 方差：。
3. 应用：用于总体方差的区间估计与假设检验（如通过分布临界值计算方差的置信区间）。

点估计的核心概念

• 定义：点估计（Point Estimation）是用样本计算的单个数值（统计量的观测值）估计总体未知参数的方法，该数值称为点估计值。

• 核心目标：通过局部样本数据，合理推断总体参数的“近似值”（如用样本均值估计总体平均收入，用样本成数估计总体中某类人群比例）。

• 与区间估计的区别：
  点估计仅给出“单一数值”，不反映估计的可靠性；区间估计给出“数值范围”并明确置信度，更能体现抽样误差。

总体参数的点估计公式

（1）总体均值的点估计

• 公式：用样本均值作为总体均值的点估计值：
  其中为样本观测值，n为样本容量。

（2）总体方差的点估计

• 公式：用样本方差（分母为）作为总体方差的点估计值：

  样本标准差可作为总体标准差的点估计值。

• 分母用的原因：为满足无偏性（样本方差的期望等于总体方差，后续将详细证明），若用则会低估总体方差。

总体参数的点估计公式（续）

（3）总体成数的点估计

• 适用场景：定类变量（如“性别”“是否患病”“是否拥有汽车”），取值仅为“是（1）”或“否（0）”。
• 公式：用样本成数作为总体成数的点估计值：
  其中，m为样本中研究类别出现的次数。

总体参数的点估计示例1：学生成绩的总体参数估计

• 样本数据：8名学生“社会统计学”成绩（分）：70, 71, 72, 74, 74, 76, 77, 78。

• 计算过程：

  1. 样本均值（总体均值估计）：

  2. 样本方差（总体方差估计）：

  3. 样本标准差（总体标准差估计）：

• 结论：总体均值的点估计值为74，总体方差为8.29，总体标准差为2.88。

总体参数的点估计示例2：员工春游人数的估计

• 背景：某公司有10000名员工，随机抽取100人调查，其中20人愿意参加春游。每辆公交车可载50人，需估计预租车辆数。

• 计算过程：

  1. 样本成数（愿意春游的总体成数估计）：

  2. 估计总体中愿意春游的人数：（人）

  3. 估计需租车辆数：（辆）

• 结论：需预租40辆公交车以满足春游需求。

评价点估计的标准

• 根据样本观察值计算的点估计值是随机变量，点估计是用随机变量来估计总体的特征值。这就要求用来估计总体特征值的随机变量的分布与被估计的总体特征值有很好的契合。如果有多个点估计值可以用来估计总体特征值，应该选择最优的点估计值。

• 衡量点估计值的好坏有三个标准：

  1. 无偏性

  2. 有效性

  3. 一致性

评价点估计的标准（一）：无偏性

• 定义：若点估计量的数学期望等于总体参数（即），则称为的无偏估计量；否则为有偏估计量。

• 核心意义：

  无偏估计量不存在“系统偏差”——多次抽样的估计值会围绕总体参数波动，平均偏差为0。

设是未知参数的一个估计量，若，则称为的有偏估计量，并将称作估计量的偏差或偏倚。若偏差大于0，称被“高估”；若小于0，则称被“低估”。

（1）样本均值是总体均值的无偏估计

• 证明： 因样本为简单随机样本，各与总体同分布，故。

（2）样本方差是总体方差的无偏估计

• 证明：

根据

若用（分母为n），则（有偏）；

而，故（无偏）。

评价点估计的标准（二）：有效性

• 定义：设和均为总体参数的无偏估计量，若的方差小于的方差（即），则称比更有效；方差最小的无偏估计量称为有效估计量。

• 核心意义：有效估计量的抽样分布更集中于总体参数，单次抽样的估计值更可能接近真值。

评价点估计的标准（二）：有效性

示例：样本均值与样本中位值的有效性对比

• 正态总体下：

  • 样本均值的标准差：

  • 样本中位值的标准差：

  • 结论：，故样本均值比样本中位值更有效，更适合作为总体均值的估计量。

评价点估计的标准（三）：一致性

• 定义：设为样本容量为n时总体参数的点估计量，若当时，按概率收敛于（即对任意，），则称为的一致估计量。
• 核心意义：样本容量越大，估计量越可能接近总体参数，抽样误差越小。

评价点估计的标准（三）：一致性

样本均值与样本方差的一致性验证

• 样本均值：其方差，当时，，故是的一致估计量。

• 样本方差：其方差，当时，，故是的一致估计量。

小结：评价点估计的标准

• 简单而言，一个优良的估计量应该满足无偏、有效和一致性，也就是它的估计值是在总体参数上下随机波动，且变动幅度越小越好。随着样本量的n无限增大的时候，估计量也需要越来越接近于参数的真值。

• 无偏性要求抽样分布的期望等于；有效性要求的标准误尽可能小；而一致性要求随着n的增大，应该逐渐逼近参数的真值。

区间估计

• 由于真正的参数我们不知道，因此无法知道由样本所计算的点估计值到底与总体特征值差距是多少，也就是无法知道点估计值的精度如何。因此，我们希望估计出一个范围，并且希望知道这个范围包含总体特征值的可能性有多大。

• 区间估计（Interval Estimation）是用样本计算的数值范围（置信区间）估计总体参数，并明确该范围包含总体参数的概率（置信度），弥补点估计无法反映可靠性的缺陷。

• 包括两部分内容：一是这一可能范围的大小；二是这一可能范围内包含总体参数的概率。例如，估计某班学生平均成绩有90%的可能性在85～90分之间。

• 该区间不仅要尽可能地包含未知参数（可靠性），还要尽可能小，以得到更加精确的估计（精确度）。

区间估计的核心概念

设总体的未知参数为，由样本观察值计算的点估计值为，对于给定的 ，满足

则称为由确定的置信区间。区间的大小，反映了估计的准确性或精确性。

• 称作置信度，表示置信区间估计的可靠性，也即置信区间包含总体参数的概率。

• 称显著性水平，表示用置信区间估计不可靠的概率，反映估计的风险水平。

• 核心逻辑：

• 置信区间是“随机区间”——多次抽样得到的不同区间中，有比例的区间包含总体参数；单次抽样的区间是否包含参数未知，但可靠程度为。

• 只有知道了或和其有关统计量的抽样分布，才能把概率的大小和区间估计的大小联系起来。

置信区间与置信度的关系

• 样本容量固定时：置信度与区间宽度呈正相关——置信度越高（即估计的可靠性越大），区间越宽（估计越不精确）；置信度越低，区间越窄（估计越精确）。

  • 示例：某企业职工平均看电视时间的区间估计（n=33）：

    • 95%置信度：[0.79, 1.13]小时（区间宽度0.34）。

    • 99%置信度：[0.74, 1.18]小时（区间宽度0.44）。

• 在样本容量一定的情况下，置信度与精度是相互制约的。

置信区间与置信度的关系

• 置信度固定时：样本容量与区间宽度呈负相关——样本容量越大，区间越窄（抽样误差越小，估计越精确）。常取0.01、0.05和0.10 。

  • 示例：总体均值的区间估计（，95%置信度）：

  n=25：区间宽度。 n=100：区间宽度。
  
  

• 同时提高置信度和置信区间的方法是增加样本量。

正态总体均值的区间估计（一）：已知

• 适用场景：总体服从，且总体方差已知（如长期积累的历史数据）。

• 抽样分布依据：样本均值，标准化后。

根据样本均值的抽样分布可以由样本均值和事先确定的置信度来估计总体均值的置信区间。

• 置信区间公式（置信度）：

  即置信度为1-α时总体均值的置信区间。

  其中为标准正态分布的双侧分位数（时，；时，）。

正态总体均值的区间估计（一）：已知

例题1：女员工家务劳动时间的区间估计

• 题目：某企业女员工家务劳动时间服从，抽取n=36人，样本均值小时，估计该企业女员工家务劳动时间均值的置信区间。

正态总体均值的区间估计（一）：已知

例题2：某地收入的区间估计

• 题目：某地月收入状况服从正态分布，根据样本容量为64人的抽样，其平均收入为800元，方差为20元。求置信度为0.95时的双侧置信区间。

正态总体均值的区间估计（二）：未知

• 适用场景：总体服从，但总体方差未知（实际中更常见）。

• 抽样分布依据：用样本方差代替，统计量（自由度）。

• 置信区间公式（置信度）：

  即置信度为1-α时总体均值的置信区间。

  其中为t分布的双侧分位数（如n=25时，）。