枢轴量与置信区间

枢轴量是一种其分布不依赖于未知参数的量，这使得可以将概率陈述转化为置信区间。

Definition

枢轴量是数据和参数的函数，其概率分布对于每个参数值都是相同的；对关于枢轴的概率陈述进行反演，可以得到参数的置信区间。

Scope

本主题涵盖了枢轴量的定义、用于构建精确置信区间的枢轴方法、位置-尺度模型和正态模型中的典型枢轴（例如t枢轴和卡方枢轴）、选择区间端点以控制长度和对称性，以及从渐近正态性导出的提供Wald型区间的样本量较大的近似枢轴。

Core questions

• 枢轴量与普通统计量有何区别？为什么无参数分布至关重要？
• 枢轴方法如何将概率陈述转换为区间？
• 正态样本均值和方差的标准枢轴量是什么？
• 当无法获得精确枢轴时，基于正态性的渐近枢轴如何提供近似区间？

Key theories

枢轴方法

如果一个枢轴量具有已知分布，选择捕获给定概率的分位数并解出参数的不等式，就能得到具有精确覆盖率的置信区间。

渐近枢轴与Wald区间

当不存在精确枢轴时，估计量减去参数再除以其标准误差，在样本量较大时近似服从标准正态分布，从而得到熟悉的“估计值加减边际”置信区间。

Clinical relevance

枢轴方法产生了应用于研究中广泛报道的均值的t区间和方差的卡方区间，而渐近枢轴则给出了用于比例、回归系数和调查估计的“估计值加减边际”区间。

History

戈塞特（Gosset）于1908年以笔名“Student”推导出t分布，为正态均值提供了第一个精确枢轴，而内曼（Neyman）于1937年提出的置信理论将枢轴构造置于一个普遍的频率学框架内。

Key figures

• Jerzy Neyman
• William Sealy Gosset
• Ronald A. Fisher
• George Casella

Seminal works

• casella2002

Frequently asked questions

什么使一个量成为枢轴量？

其分布对于未知参数的每个值都必须完全相同；只有这样，才能在不知道参数的情况下选择分位数，从而获得具有保证覆盖率的区间。

Wald区间是精确的吗？

不是。它们依赖于估计量的渐近正态性，因此在有限样本中只有近似覆盖率，对于小样本或接近边界的参数（例如接近零或一的比例）可能会很差。