抽樣分配與點估計.ppt

社會統計 第四講 抽樣分配與點估計 Sampling Theory and Some Important Sampling Distributions 統計主要問題在於如何透過樣本的統計量來推估或檢證母體的參數(parameters)。 A parameter is a numerical quantity that describes some characteristics of a population. 參數為描述母體某些特性的數值。 如μ、σ、母體中位數等皆為參數。 Sampling Theory and Some Important Sampling Distributions 為了要瞭解母體的特性，我們可以對於母體中的所有單位進行普查(census)，但普查有很多缺點: (一)耗時耗力，成本高。(二)無法蒐集較為深入、詳細的資訊，(三)普查錯誤機率大。 因此我們經常從母體中抽取少量的樣本，計算樣本統計量來幫我們推估母體的性質。 Sampling Theory and Some Important Sampling Distributions 樣本統計Sample statistics 是用來描述樣本的特性的數量，。 Sample mean 、sample variance S2, and the sample proportion 樣本統計為觀察到的樣本之函數，樣本的統計量隨著取樣的不同，會有不同的變化。因此，樣本統計量本身可以被視為是一隨機變數。 Introduction to Sampling Distribution 一個樣本的統計量(如樣本平均數)是樣本的函數 Introduction to Sampling Distribution 用於推估母體的參數（μ）的樣本統計量（如X-bar），稱為「估計式」(an estimator)。 Estimator and Estimate 從母體中觀察到一組隨機樣本 x1, x2, …xn ，母體參數的估計式estimator為一樣本統計sample statistic ，它是一種運算規則rule，告訴我們如何運用x1, x2, …xn去計算出母體參數的估計值。 將x1, x2, …xn帶入估計式estimator所得到的數值稱為估計值estimate 。 Sampling distribution抽樣分配 樣本的統計量為一隨機變數，每一個特定變量出現的機率不同，因此，樣本統計量為一機率分配，稱為樣本統計的抽樣分配(sampling distribution)，為多次抽樣結果的機率分佈。 例如從母體中抽固定大小n的樣本，求取每一個樣本的平均數，這些平均數會有一個分布，這就是抽樣分配。 人社系全體同學200人，每次抽25人測量其平均身高，一共可以抽出C20025個樣本，每個樣本都有其平均身高，把這些數值集合起來會有一個分配，這就是樣本分配。 或者從母體中抽固定大小n的樣本，求取每一個樣本具有某種特質（ex.投票給A候選人）的比例，這些比例也會有一個分布，這也是抽樣分配。 Desirable properties of estimators 可以用來估計母體參數的樣本統計量有很多種，例如我們可以用樣本平均數 來估計母體平均值μ，也可以用樣本的中位數來估計。對於某些樣本來說，樣本平均值並不見得是母體參數的最佳估計值。 究竟一個好的估計式必須具備哪些條件？我們需要一些標準來評估各種估計式。 好的估計式必備條件? 不偏性（unbiased） 有效性（efficiency） 最小變異不偏性 漸近不偏性 一致性 充分性 Sampling Error抽樣誤差 首先我們希望估計的誤差愈小愈好 估計值與被估計的母體參數之間的差距稱為抽樣誤差。 抽樣誤差隨樣本不同而有變化，如果估計量的機率分配集中於母體參數的周遭，則抽樣誤差較小，反之較大。 Sampling Error抽樣誤差 從母體中抽取一隨機樣本的方法有很多種，如果從N中取n個元素(without replacement)做為樣本，且每個n被抽到的機率相同，則稱為簡單隨機樣本(a simple random sample)。 從N中取n共有NCn=N!/[n!(N-n)!]取法。每一個隨機樣本被選取的機率為1/ NCn。 Derivation of a Sampling Distribution抽樣分配 例題： 一母體中有五個元素{1,3,4,8,9}，從這母體中選取n=3的簡單隨機樣本，列出所有可能樣本的機率分佈，並計算各樣本的平均數、中位數，評估何者為較優良的估計量？ Derivation of a Sampling Distribution抽樣分配 {1,3,4,8,9}, Derivation of