跳到主要内容

置信区间

问题​

什么是置信区间？95% 置信区间是什么意思？如何计算样本量？

答案​

置信区间（Confidence Interval, CI）是用来估计总体参数的范围，比单一的点估计（如均值）更有信息量。

核心公式​

CI=xˉ±zα/2⋅snCI = \bar{x} \pm z_{\alpha/2} \cdot \frac{s}{\sqrt{n}}

其中：

  • xˉ\bar{x}：样本均值
  • zα/2z_{\alpha/2}：z 临界值（95% CI 时为 1.96）
  • ss：样本标准差
  • nn：样本量
  • sn\frac{s}{\sqrt{n}}：标准误（Standard Error）
95% 置信区间的正确理解
  • ✅ "如果重复抽样 100 次，约有 95 次构建的区间会包含真实总体均值"
  • ❌ "总体均值有 95% 的概率落在这个区间内"（总体均值是固定的，不是随机的）

Python 计算​

计算置信区间
import numpy as np
from scipy import stats

data = np.array([50, 55, 60, 45, 70, 65, 55, 50, 60, 55, 48, 63, 57, 52, 61])

# 方式一：scipy 直接计算
ci = stats.t.interval(
    confidence=0.95,
    df=len(data) - 1,
    loc=np.mean(data),
    scale=stats.sem(data)  # 标准误 = std / sqrt(n)
)
print(f"95% 置信区间: [{ci[0]:.2f}, {ci[1]:.2f}]")

# 方式二：手动计算
mean = np.mean(data)
se = stats.sem(data)
margin = stats.t.ppf(0.975, df=len(data)-1) * se
print(f"均值: {mean:.2f}, 误差幅度: ±{margin:.2f}")
print(f"95% CI: [{mean - margin:.2f}, {mean + margin:.2f}]")

比例的置信区间​

A/B 测试中常需要计算转化率的置信区间：

比例的置信区间
import numpy as np
from statsmodels.stats.proportion import proportion_confint

# 1000 人中 50 人转化，转化率 = 5%
n, x = 1000, 50
p = x / n

# 方法一：正态近似
ci = proportion_confint(x, n, alpha=0.05, method='normal')
print(f"转化率: {p:.1%}, 95% CI: [{ci[0]:.2%}, {ci[1]:.2%}]")

# 方法二：Wilson 区间（小样本更准确，推荐）
ci_wilson = proportion_confint(x, n, alpha=0.05, method='wilson')

样本量计算​

"需要多少样本才能检测到指定大小的差异？"

样本量计算
from statsmodels.stats.power import TTestIndPower, NormalIndPower

# 均值差异的检验
power_analysis = TTestIndPower()
# 期望检测 0.3 个标准差的差异, α=0.05, 功效=0.8
n = power_analysis.solve_power(
    effect_size=0.3,
    alpha=0.05,
    power=0.8,
    ratio=1.0,        # 两组人数比
    alternative='two-sided'
)
print(f"每组需要 {int(np.ceil(n))} 个样本")

# 比例差异的样本量（A/B 测试常用）
from statsmodels.stats.proportion import proportion_effectsize
# 检测转化率从 5% 提升到 6%
effect = proportion_effectsize(0.05, 0.06)
power = NormalIndPower()
n = power.solve_power(effect_size=effect, alpha=0.05, power=0.8)
print(f"每组需要 {int(np.ceil(n))} 个样本")

影响置信区间宽度的因素​

因素变化区间宽度原因
样本量 n ↑增大变窄更多数据 → 更精确
标准差 σ ↑增大变宽数据更分散 → 更不确定
置信水平 ↑95% → 99%变宽要求更高的覆盖概率

常见面试问题​

Q1: 95% 置信区间是什么意思？​

答案：

  • 如果以同样的方式重复抽样并构建置信区间 100 次，大约 95 次的区间会包含真实参数
  • 不是"参数有 95% 概率在这个区间内"
  • 区间的宽度反映了估计的精确程度

Q2: 置信区间和 p 值的关系？​

答案：

  • 如果 95% 置信区间不包含 0（对于差值）或不包含假设值 → p < 0.05 → 统计显著
  • 置信区间比 p 值信息更丰富：既知道是否显著，还知道可能的效应范围
  • 推荐报告置信区间而不仅仅是 p 值

Q3: A/B 测试需要多少样本量？​

答案：取决于四个因素：

  1. 基线转化率：基线越低，需要的样本越多
  2. 最小可检测差异（MDE）：想检测越小的差异，需要越多样本
  3. 显著性水平 α：通常 0.05
  4. 统计功效 1-β：通常 0.8

经验值：检测转化率从 5% 到 6% 的提升（MDE=20%），每组约需 2.5 万 样本。

Q4: 标准差和标准误的区别？​

答案：

  • 标准差 (SD)：衡量个体数据的离散程度
  • 标准误 (SE)：衡量样本均值的离散程度，SE=SDnSE = \frac{SD}{\sqrt{n}}
  • 标准误随样本量增大而减小（更多数据 → 均值更稳定）

相关链接​