置信区间计算器
在任意置信水平下求得均值(t 或 z)、比例(Wald、Wilson 得分法与 Clopper–Pearson 精确法)或两个均值之差(Welch)的置信区间——附带误差范围、计算过程和一句正确的解释。免费,无需注册。
结果
60.8373 – 68.7627
95% 置信区间
64.8
样本均值(x̄)
± 3.9627
误差范围
1.92
标准误
2.0639
自由度为 24 的 t*
计算方法
SE = s / √n = 9.6 / √25 = 1.92
x̄ ± t* × SE = 64.8 ± 2.0639 × 1.92 = 64.8 ± 3.9627
我们有 95% 的把握认为总体均值位于 60.8373 与 68.7627 之间。这个 95% 描述的是方法,而不是这一个区间:如果抽取许多样本,并由每个样本构造区间,其中约 95% 会包含真实均值。这个特定的区间要么包含它,要么不包含。
APA 格式
95% CI [60.84, 68.76]
如何使用置信区间计算器
- 1. 选择您要估计的对象。 单个均值、单个比例,或两个独立组的均值之差。
- 2. 输入数据。 对于均值,输入均值、标准差和样本量——或粘贴原始数据。对于比例,输入成功次数和样本量。对于两个均值,输入每组的汇总统计量。
- 3. 设置置信水平。 95% 是惯例,但 0 到 100 之间的任何水平都可以:90、99 或 97.5。
- 4. 阅读区间。 您会得到区间的上下界、误差范围、标准误、临界值、计算过程、通俗的解释,以及可复制的 APA 格式区间。
公式
这里的每个区间都具有相同的形式——估计值 ± 临界值 × 标准误——它们的区别仅在于标准误,以及临界值来自哪一分布。
| 区间 | 公式 | 临界值来源 |
|---|---|---|
| 均值,σ 未知 | x̄ ± t* × s / √n | 自由度为 n − 1 的 t 分布 |
| 均值,σ 已知 | x̄ ± z* × σ / √n | 标准正态分布 |
| 比例(Wald) | p̂ ± z* × √(p̂(1 − p̂) / n) | 标准正态分布 |
| 比例(Wilson 得分法) | (p̂ + z²/2n ± z √(p̂(1 − p̂)/n + z²/4n²)) / (1 + z²/n) | 标准正态分布 |
| 比例(Clopper–Pearson) | Beta 分位数 B(α/2; x, n − x + 1) 与 B(1 − α/2; x + 1, n − x) | 精确二项分布 |
| 两个均值(Welch) | (x̄₁ − x̄₂) ± t* × √(s₁²/n₁ + s₂²/n₂) | Welch–Satterthwaite 自由度的 t 分布 |
只要标准差来自您自己的样本(几乎总是如此),就使用 t。z 区间仅适用于罕见情形:总体标准差确实已知,例如某标准化考试公布的 σ。对于比例,Wilson 得分区间是稳妥的默认选择:当 n 较小或 p̂ 接近 0 或 1 时,Wald 区间的覆盖率会严重不足;Clopper–Pearson 则保证至少达到规定的覆盖率,因此区间较宽。
工作示例与解释
25 名学生的平均分为 64.8,标准差为 9.6。标准误为 9.6 / √25 = 1.92,95% 置信水平下自由度为 24 的临界值为 t* = 2.0639,误差范围为 2.0639 × 1.92 = 3.9627。区间从 60.8373 到 68.7627——按 APA 格式写作 95% CI [60.84, 68.76]。
正确的解读是:我们有 95% 的把握认为总体均值位于 60.84 与 68.76 之间。 这 95% 属于方法而非这一个区间:如果多次重复研究,用这种方式构造的区间中约有 95% 会包含真实均值,而任何单个区间要么包含它,要么不包含。“真实均值落在此区间内的概率为 95%”是最常见的误读。
对于比例,42 次成功、共 120 次,得到 p̂ = 0.35,95% Wilson 区间为 0.2705 到 0.4388(Clopper–Pearson 为 0.2652 到 0.4424;Wald 为 0.2647 到 0.4353)。对于两组——均值 78.2(标准差 10.5,n = 30)与 72.6(标准差 12.8,n = 28)——均值之差 5.6 的 Welch 95% 区间为 −0.59 到 11.79,自由度为 52.34。该区间包含 0,因此在 α = .05 水平上差异并不显著,尽管点估计看起来相当可观。
常见错误
- 小样本时误用 z。 当 n = 25 时,用 z* = 1.96 代替 t* = 2.064 会使区间约窄 5%,且随着 n 减小,差距会越来越大。
- 把重叠的区间读作“没有差异”。 两个 95% 区间可能彼此重叠,而两组之间的差异仍然显著。应当直接计算差值的区间。
- 小样本时使用 Wald 区间。 当 25 次试验中只有 2 次成功时,Wald 下限会低于零;而 Wilson 区间 0.0222 到 0.2497 仍落在 0 到 1 之间。
- 认为置信度越高越好。 置信度越高,区间越宽:同一组考试成绩在 99% 水平下为 59.43 到 70.17。只有更大的样本量才能让区间既可靠又精确。
常见问题
- 什么是置信区间?
- 由样本计算出的、总体参数(均值、比例或差值)的合理取值范围。其构造方式使得在多次重复抽样中,规定比例(即置信水平,通常为 95%)的此类区间会包含真实值。区间的宽度显示样本对该参数的确定程度。
- 如何计算均值的 95% 置信区间?
- 加减临界值与标准误的乘积:x̄ ± t* × s / √n,其中 t* 为自由度为 n − 1 的 t 分布的第 97.5 百分位数(n = 25 时为 2.064)。本计算器会逐步显示计算过程,也可以从原始数据计算均值和标准差。
- 置信区间与误差范围有什么区别?
- 误差范围是区间宽度的一半:临界值 × 标准误。区间即估计值加减该误差范围。120 次中有 42 次成功即为 35%,其 95% Wald 误差范围为 8.5 个百分点,因此区间约从 26.5% 到 43.5%。
- 比例应使用 Wilson 还是 Clopper–Pearson 区间?
- 多数情况下使用 Wilson:即使样本较小或比例极端,其覆盖率也接近规定水平,而且它是目前大多数统计学家推荐用来替代 Wald 的区间。Clopper–Pearson 保证至少达到规定的覆盖率,因此更宽;当某项方案或监管机构要求精确区间时才使用它。
- 为什么 99% 置信区间比 95% 的更宽?
- 要更多次地捕获真实值,区间就必须覆盖更大的范围。自由度为 24 时,临界 t 值从 2.064 升至 2.797,因此误差范围约增加 36%。要做到更有把握且同样精确,唯一的办法是增大样本量。
- 配对数据可以计算置信区间吗?
- 可以。逐对相减(例如 后 − 前),将差值粘贴到均值的原始数据选项中,结果即为平均差值的置信区间。两个均值选项假设两个独立组,因此不要将其用于配对测量。