{
  "id": "credible-interval",
  "title": "可信区间",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "可信区间是在贝叶斯统计模型下，包含未知量指定后验概率的取值范围。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "贝叶斯可信区间",
    "后验区间"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/credible-interval/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/credible-interval/",
      "json": "https://aiwiki.page/en/credible-interval.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "可信区间是贝叶斯推断中包含未知量后验分布指定概率份额的区间。它概括了将观测数据与统计模型及先验分布相结合后，未知量仍存在的不确定性。例如，在给定数据和假设的条件下，95% 可信区间表示参数落在区间两个端点之间的后验概率为 95%。它是与置信区间相对应的贝叶斯概念，但两者的解释不同。(web.stanford.edu)"
    },
    {
      "heading": "定义与数学基础",
      "text": "设 \\(\\theta\\) 为未知的标量参数，\\(y\\) 为观测数据。根据贝叶斯定理，其后验密度为\n\n\\[p(\\theta\\mid y) =\\frac{p(y\\mid\\theta)p(\\theta)}{p(y)},\\]\n\n其中，\\(p(y\\mid\\theta)\\) 是似然函数，\\(p(y)\\) 是使分布归一化的边际似然。用随机变量表示参数是为了表达不确定性，并不要求其背后的物理量本身随机波动。(web.stanford.edu)\n\n对于 \\(0<\\alpha<1\\)，可信水平为 \\(1-\\alpha\\) 的区间 \\([L,U]\\) 满足\n\n\\[\\Pr(L\\leq\\theta\\leq U\\mid y)=1-\\alpha.\\]\n\n对于概率密度函数为 \\(p(\\theta\\mid y)\\) 的连续后验分布，这意味着\n\n\\[\\int_L^U p(\\theta\\mid y)\\,d\\theta=1-\\alpha.\\]\n\n这里的积分衡量的是概率质量，而不是密度函数在某些特定点处的高度。可信区间通常并不唯一：不同的端点选择可以涵盖相同的概率质量。对于离散参数，上述等式可能无法严格成立，因此可信集通常包含至少达到所述水平的概率。(web.stanford.edu)"
    },
    {
      "heading": "主要构造方法",
      "text": "等尾区间\n\n等尾区间在分布两端各排除 \\(\\alpha/2\\) 的概率。若 \\(F\\) 是后验累积分布函数，则其端点为以下分位数：\n\n\\[L=F^{-1}(\\alpha/2),\\qquad U=F^{-1}(1-\\alpha/2).\\]\n\n因此，95% 等尾区间从第 2.5 百分位数延伸至第 97.5 百分位数。它也称为中央区间，但在几何位置上不一定以后验均值或众数为中心。等尾区间的端点在严格单调变换下具有一致性；对于严格递减变换，端点的次序会颠倒。(stata.com)\n\n最高后验密度区域\n\n最高后验密度区域由后验密度不低于某一阈值的参数值组成；选择该阈值，使区域涵盖所需的概率：\n\n\\[H_c=\\{\\theta:p(\\theta\\mid y)\\geq c\\}.\\]\n\n对于连续的单峰后验分布，这样的区域通常构成一个区间，并且在包含相同后验概率质量的所有区间中长度最短。然而，对于多峰后验分布，它可能由若干互不连通的部分组成，而不是单个区间。对于正态分布，等尾区间与最高密度区间相同；但对于偏态分布，两者可能有很大差异。(stata.com)\n\n最高密度区域的构造依赖于参数化方式，因为概率密度会在非线性变换下发生变化。因此，将标准差的最高后验密度（HPD）区间的端点平方，不一定得到相应方差的 HPD 区间。两种构造都包含指定的概率质量；区别在于包含哪些取值，而不是包含多少概率。(statmodeling.stat.columbia.edu)"
    },
    {
      "heading": "示例：未知的成功概率",
      "text": "假设进行了 12 次相互独立的伯努利试验，得到 11 次成功和 1 次失败。设这些试验共同的成功概率为 \\(\\theta\\)，并为其指定贝塔分布先验：\n\n\\[\\theta\\sim\\operatorname{Beta}(7,3).\\]\n\n贝塔分布族是该似然的共轭先验，因此有\n\n\\[\\theta\\mid y\\sim\\operatorname{Beta}(18,4).\\]\n\n后验分布的第 10 和第 90 百分位数分别约为 0.7090 和 0.9142。因此，\\([0.7090,0.9142]\\) 是一个 80% 等尾可信区间。在给定先验和抽样模型的条件下，\\(\\theta\\) 落在这两个界限之间的后验概率为 0.80。该区间描述的是共同成功概率的不确定性，而不是一个包含未来 80% 二元结果的范围。(web.stanford.edu)"
    },
    {
      "heading": "与置信区间及预测区间的比较",
      "text": "频率学派的置信区间通过生成区间的程序所对应的抽样分布来定义。在相关假设成立时，95% 置信程序在重复抽样中有 95% 的机会覆盖固定的真实参数。其定义中的概率涉及观测前的随机区间，而不是观测后赋予参数的后验概率。(itl.nist.gov)\n\n相比之下，可信区间以观测数据为条件。其后验可信水平本身并不保证在每一个固定参数值下，都具有同样的重复抽样覆盖率。不过，在某些模型中，贝叶斯方法与频率学派方法给出的端点可能一致；数值界限相同，并不意味着其解释也相同。(web.stanford.edu)\n\n预测区间针对的是尚未观测到的结果或未来结果。在贝叶斯分析中，它由后验预测分布得到：\n\n\\[p(\\widetilde y\\mid y) =\\int p(\\widetilde y\\mid\\theta)p(\\theta\\mid y)\\,d\\theta.\\]\n\n该分布将参数的不确定性与给定参数条件下结果的变异性结合起来。因此，预测区间与参数本身的区间回答的是不同的问题。(mc-stan.org)"
    },
    {
      "heading": "计算与模型依赖性",
      "text": "当后验分位数可以通过解析方法或数值方法求得时，就能直接计算等尾区间。否则，可以利用马尔可夫链蒙特卡洛抽样，对后验分位数进行经验估计。这些端点具有计算上的不确定性：样本之间的相关性会减少可用的有效信息，而对后验分布探索不充分则可能使尾部分位数估计不可靠。针对各个分位数的蒙特卡洛误差和有效样本量，可以帮助区分数值计算的精度与区间本身所表示的不确定性。(web.stanford.edu)\n\n可信区间依赖于先验、似然以及作为条件的各项假设。当观测所提供的信息有限时，先验的影响可能很大。区间较窄，并不能证明模型捕捉到了数据的相关特征；后验预测检验通过比较观测数据与模型生成的重复数据，考察这一独立问题。(web.stanford.edu)"
    }
  ],
  "links": [
    "bayesian-inference",
    "posterior-distribution",
    "prior-distribution",
    "probability",
    "confidence-interval",
    "bayes-theorem",
    "likelihood-function",
    "marginal-likelihood",
    "random-variable",
    "probability-density-function",
    "integral",
    "cumulative-distribution-function",
    "quantile",
    "normal-distribution",
    "standard-deviation",
    "variance",
    "bernoulli-distribution",
    "beta-distribution",
    "conjugate-prior",
    "sampling-distribution",
    "prediction-interval",
    "posterior-predictive-distribution",
    "markov-chain-monte-carlo",
    "posterior-predictive-checking"
  ],
  "sources": [
    {
      "title": "STATS 200: Introduction to Statistical Inference, Lecture 20",
      "url": "https://web.stanford.edu/class/archive/stats/stats200/stats200.1172/Lecture20.pdf"
    },
    {
      "title": "Chapter 8. Statistical Inference: Credible Intervals",
      "url": "https://web.stanford.edu/class/archive/cs/cs109/cs109.1218/files/student_drive/8.2.pdf"
    },
    {
      "title": "BAYES] Bayesian Analysis",
      "url": "https://www.stata.com/manuals18/bayes.pdf"
    },
    {
      "title": "Bayesian Inference 2019",
      "url": "https://vioshyvo.github.io/Bayesian_inference/Bayesian-inference-2017.pdf"
    },
    {
      "title": "1.4. What are confidence intervals?",
      "url": "https://www.itl.nist.gov/div898/handbook/prc/section1/prc14.htm"
    },
    {
      "title": "Statistical Inference",
      "url": "https://pages.stat.wisc.edu/~shao/stat610/Casella_Berger_Statistical_Inference.pdf"
    },
    {
      "title": "Posterior Predictive Sampling",
      "url": "https://mc-stan.org/docs/2_38/stan-users-guide/posterior-prediction.html"
    },
    {
      "title": "Posterior Analysis",
      "url": "https://mc-stan.org/docs/reference-manual/analysis.html"
    },
    {
      "title": "Package index — posterior",
      "url": "https://mc-stan.org/posterior/reference/index.html"
    },
    {
      "title": "Modern Statistics for Modern Biology: Statistical Modeling",
      "url": "https://web.stanford.edu/class/bios221/book/02-chap.html"
    },
    {
      "title": "Posterior and Prior Predictive Checks",
      "url": "https://mc-stan.org/docs/stan-users-guide/posterior-predictive-checks.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}