{
  "id": "confidence-interval",
  "title": "置信区间",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "置信区间用于估计未知参数，其构造方法在重复抽样中以指定的长期频率覆盖参数真值。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "信赖区间",
    "CI"
  ],
  "generated_at": "2026-10-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/confidence-interval/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/confidence-interval/",
      "json": "https://aiwiki.page/en/confidence-interval.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "置信区间是统计学中对未知总体参数的一种区间估计。它根据样本数据计算得出，用于表达总体均值或总体比例等量的不确定性。其置信水平通常为 95%，描述的是构造方法在重复抽样中的表现：当假设成立时，按该方法构造的区间中，会有指定比例的区间包含参数真值。区间的两个端点称为置信限或置信界。(itl.nist.gov)"
    },
    {
      "heading": "定义与解释",
      "text": "设 \\(X\\) 表示样本数据，\\(\\theta\\) 表示未知参数。区间构造方法给出下界 \\(L(X)\\) 和上界 \\(U(X)\\)。其覆盖概率为\n\n\\[P_\\theta\\!\\left(L(X)\\leq\\theta\\leq U(X)\\right),\\]\n\n其中，概率是在参数为 \\(\\theta\\) 的抽样模型下计算的。精确的 \\(100(1-\\alpha)\\%\\) 区间构造方法的覆盖概率为 \\(1-\\alpha\\)；保守方法的覆盖概率至少达到这一水平。近似方法可能只有在适当条件下，或随着样本量增大，才能达到其名义覆盖概率。(nvlpubs.nist.gov)\n\n在频率学派的解释中，参数是固定的，而区间端点会随样本变化。一个区间计算出来后，它要么包含该参数，要么不包含。因此，仅凭一个已经得到的 95% 置信区间，不能认为参数落在其中的概率是 95%。它也并不意味着包含 95% 的个体观测值：总体均值的不确定性与总体内部的变异是不同的概念。(itl.nist.gov)\n\n区间可以是双侧的，同时具有下限和上限；也可以是单侧的，仅给出下界或上界。这一选择会改变未覆盖概率 \\(\\alpha\\) 的分配方式。等尾双侧区间在两侧尾部各分配 \\(\\alpha/2\\)，而单侧界限则将其全部分配到一侧尾部。(itl.nist.gov)"
    },
    {
      "heading": "总体均值置信区间的构造",
      "text": "一种常见的构造方法假定观测值具有统计独立性，且来自正态分布。如果总体标准差 \\(\\sigma\\) 已知，则总体均值 \\(\\mu\\) 的置信区间为\n\n\\[\\bar{x}\\pm z_{1-\\alpha/2}\\frac{\\sigma}{\\sqrt n},\\]\n\n其中，\\(\\bar{x}\\) 为样本均值，\\(n\\) 为样本量，\\(z_{1-\\alpha/2}\\) 为标准正态分布在相应概率水平上的分位数。\\(\\pm\\) 符号后面的表达式称为误差限。(itl.nist.gov)\n\n当 \\(\\sigma\\) 未知时，相应的区间使用样本标准差 \\(s\\)：\n\n\\[\\bar{x}\\pm t_{1-\\alpha/2,n-1}\\frac{s}{\\sqrt n}.\\]\n\n这里，\\(t_{1-\\alpha/2,n-1}\\) 是自由度为 \\(n-1\\) 的学生t分布的分位数，\\(s/\\sqrt n\\) 则是均值标准误的估计值。例如，假设数据满足 \\(n=25\\)、\\(\\bar{x}=10\\)、\\(s=2\\)，则 95% 置信区间约为 \\(10\\pm2.064(0.4)\\)，即 \\([9.17,10.83]\\)。(itl.nist.gov)\n\n这种基于 t 分布的构造方法在独立正态抽样模型下是精确的。在该模型之外，它可以提供近似结果，但样本量小或分布明显偏斜时，其表现可能变差。中心极限定理解释了为什么在许多样本量足够大的情形下，抽样分布会近似于正态分布；但它并不保证对每一个数据集都能得到准确结果。(itl.nist.gov)"
    },
    {
      "heading": "其他区间估计方法",
      "text": "对于用二项分布建模的比例，可采用 Wald 区间、Wilson 得分区间和 Clopper–Pearson 区间等方法。基本的 Wald 近似法可能存在覆盖概率不佳的问题，尤其当比例接近零或一时。Wilson 区间通过反演得分检验得到。Clopper–Pearson 区间利用二项分布的尾部概率构造，由于该分布是离散的，通常较为保守；“精确”并不意味着在每一个参数值下，覆盖概率都等于名义水平。(itl.nist.gov)\n\n当估计量的抽样分布难以推导时，自助采样提供了另一种途径。通过反复重采样，可以近似得到该分布，从而构造百分位数区间、基本区间或学生化区间。自助法是否有效，仍取决于重采样方案和具体的统计情境。对于存在相依性的时间序列观测值，普通的独立重采样可能并不适用；分块重采样则能保留相依结构的某些特征。(stat.cmu.edu)"
    },
    {
      "heading": "精度与假设检验",
      "text": "对于标准的均值置信区间，在数据相同的情况下，置信水平越高，区间越宽。增加样本量通常会使区间变窄，而变异程度越大，区间越宽。当临界值和变异程度近似不变时，区间宽度与 \\(1/\\sqrt n\\) 成正比：样本量增加到原来的约四倍，误差限就会减半。这一关系反映的是抽样精度，并不意味着能够消除系统误差。(itl.nist.gov)\n\n置信区间与统计假设检验密切相关。通过反演检验得到的区间，包含那些不会被相应检验拒绝的参数值。因此，对于相互匹配的方法，一个双侧 95% 置信区间不包含某个原假设参数值，当且仅当相应检验在 5% 显著性水平下拒绝该值。这种等价关系要求方法和假设相互兼容，而不只是数值上的水平相同。(itl.nist.gov)"
    },
    {
      "heading": "相关区间与同时覆盖",
      "text": "贝叶斯推断中的可信区间，是在给定观测数据、模型和先验分布的条件下，包含参数后验分布中指定概率质量的区间。因此，即使数值端点相同，它的解释也不同于重复抽样意义下的置信覆盖。(nvlpubs.nist.gov)\n\n预测区间针对的是未来的随机观测值，而不是固定参数。在线性回归中，它同时考虑拟合均值的不确定性和新观测值的变异，因此比相应的平均响应置信区间更宽。容忍区间则以指定的置信水平覆盖总体中指定比例的取值。(itl.nist.gov)\n\n多个各自有效的 95% 置信区间，通常并不能保证同时覆盖其所有参数的概率为 95%。同时置信区间处理的正是这种联合覆盖要求。对于 \\(m\\) 个区间，邦费罗尼校正将每个区间的置信水平设为 \\(1-\\alpha/m\\)；只要各区间的覆盖保证成立，联合覆盖概率就至少为 \\(1-\\alpha\\)。这一保证不要求区间之间相互独立。(itl.nist.gov)"
    }
  ],
  "links": [
    "statistics",
    "probability",
    "statistical-independence",
    "normal-distribution",
    "standard-deviation",
    "degrees-of-freedom",
    "students-t-distribution",
    "standard-error",
    "central-limit-theorem",
    "binomial-distribution",
    "bootstrap-sampling",
    "time-series",
    "statistical-hypothesis-testing",
    "bayesian-inference",
    "credible-interval",
    "prior-distribution",
    "posterior-distribution",
    "prediction-interval",
    "random-variable",
    "linear-regression",
    "bonferroni-correction"
  ],
  "sources": [
    {
      "title": "itl.nist.gov/div898/handbook/prc/section1/prc14.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/prc/section1/prc14.htm"
    },
    {
      "title": "nvlpubs.nist.gov/nistpubs/TechnicalNotes/NIST.TN.2119.pdf",
      "url": "https://nvlpubs.nist.gov/nistpubs/TechnicalNotes/NIST.TN.2119.pdf"
    },
    {
      "title": "itl.nist.gov/div898/handbook/eda/section3/eda352.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/eda/section3/eda352.htm"
    },
    {
      "title": "itl.nist.gov/div898/handbook/prc/section2/prc221.htm",
      "url": "https://itl.nist.gov/div898/handbook/prc/section2/prc221.htm"
    },
    {
      "title": "itl.nist.gov/div898/software/dataplot/refman1/auxillar/conflimi.htm",
      "url": "https://www.itl.nist.gov/div898/software/dataplot/refman1/auxillar/conflimi.htm"
    },
    {
      "title": "itl.nist.gov/div898/handbook/prc/section2/prc241.htm",
      "url": "https://itl.nist.gov/div898/handbook/prc/section2/prc241.htm"
    },
    {
      "title": "stat.cmu.edu/~cshalizi/dst/20/lectures/16/lecture-16.html",
      "url": "https://www.stat.cmu.edu/~cshalizi/dst/20/lectures/16/lecture-16.html"
    },
    {
      "title": "itl.nist.gov/div898/handbook/prc/section1/prc15.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/prc/section1/prc15.htm"
    },
    {
      "title": "nvlpubs.nist.gov/nistpubs/jres/126/jres.126.004.pdf",
      "url": "https://nvlpubs.nist.gov/nistpubs/jres/126/jres.126.004.pdf"
    },
    {
      "title": "itl.nist.gov/div898/handbook/pmd/section1/pmd132.htm",
      "url": "https://itl.nist.gov/div898/handbook/pmd/section1/pmd132.htm"
    },
    {
      "title": "itl.nist.gov/div898/handbook/prc/section4/prc473.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/prc/section4/prc473.htm"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}