第六章：估計 (Estimation)

Author

Prof. AI

Published

June 28, 2026

6.1 導言與點估計：從局部窺探全貌

同學們，歡迎來到統計推論（statistical inference）的真正起點。

在前面的章節中，我們已經學會了敘述統計與機率法則。現在，我們要開始解決醫學研究中最核心的挑戰：「我們只有樣本的數據，但我們想知道整個母體的真實情況。」

例如，你想知道「全台灣所有高血壓患者的平均收縮壓」到底是多少。

  • 母體參數 (parameter)：全台灣高血壓患者的真實平均收縮壓（通常記為 \(\mu\)），這是一個固定但永遠無法精確得知的神秘數字（除非你把全台灣所有高血壓患者通通抓來量血壓）。
  • 樣本統計量 (statistic)：你隨機抽樣的 100 位患者的平均收縮壓（記為 \(\bar{x}\)）。這是一個你可以量得到、算得出的具體數字。

我們用樣本統計量去猜測母體參數的過程，就叫做估計 (estimation)。

估計的方法有兩種：

  1. 點估計 (point estimation)：
    • 直接用一個單一的數值來代表我們對母體參數的猜測。
    • 例如：你算出來這 100 位患者的平均收縮壓 \(\bar{x} = 135\) mmHg，你就直接說：「我估計全台灣高血壓患者的平均收縮壓 \(\mu\) 就是 135 mmHg。」
    • 在統計學上，樣本平均值 \(\bar{X}\) 是母體平均值 \(\mu\) 的無偏估計量 (unbiased estimator)，代表如果我們重複抽樣無數次，這些樣本平均值的平均值，會剛好等於真正的母體平均值。
  2. 區間估計 (interval estimation)：
    • 因為點估計「一翻兩瞪眼」，猜中的機率極低（畢竟真實值可能是 135.2 或 134.8）。因此，我們改用一個區間來進行估計，並給出我們對這個區間的信心程度。這就是我們常聽到的信賴區間 (confidence interval)。

6.2 抽樣分布與中央極限定理：統計學的超能力

要理解區間估計，我們必須先回答一個哲學問題：「如果我今天重新抽樣一組新的 100 位患者，算出來的平均值還會是 135 嗎？」

答案是：當然不會。這叫做抽樣變異 (sampling variation)。 如果我們不屈不撓地抽樣 10,000 次，每次都算出一個平均值 \(\bar{x}\)，把這 10,000 個平均值畫成直方圖，這個圖所代表的分布就叫做平均數的抽樣分布 (sampling distribution of the mean)。

這個抽樣分布有什麼規律嗎？這時，大名鼎鼎的中央極限定理 (Central Limit Theorem, CLT) 就要登場了！

6.2.1 中央極限定理 (CLT) 的奧秘

中央極限定理告訴我們： > 不論母體的分布形狀有多奇怪（可能是偏態、雙峰甚至均勻分布），只要樣本數 \(n\) 足夠大（通常臨床上定義 \(n \ge 30\)），那麼樣本平均值 \(\bar{X}\) 的抽樣分布，都會非常接近常態分布！

這個定理是整個統計推論的基石。它代表著，哪怕我們研究的疾病指標在人群中分佈極度不對稱，只要我們的樣本數夠大，我們依然可以用常態分布的公式來對平均值進行推論！

6.2.2 世紀大混淆：標準差 (SD) vs. 標準誤 (SEM)

這大概是全醫學界不分大一新鮮人還是主治醫師，最常搞混的概念了。請大家務必把下面這段話刻在你的筆電鍵盤上：

🚨 教授的終極警示：SD 與 SEM 的差別

  • 標準差 (Standard Deviation, SD)：
    • 公式：\(s\)
    • 臨床意義：描述個體與個體之間的變異程度。例如，這群病人體重的分散狀況。它代表的是「人與人之間的差異」。
  • 平均數標準誤 (Standard Error of the Mean, SEM)：
    • 公式：\(SEM = \frac{s}{\sqrt{n}}\)
    • 臨床意義：描述樣本平均值 \(\bar{X}\) 的精密程度（即抽樣誤差的大小）。它代表的是「我們估算出來的平均值到底有多準」。

當樣本數 \(n\) 愈大時，個體間的變異（SD）不會變，但平均數標準誤（SEM）會因為除以 \(\sqrt{n}\) 而變得愈來愈小。這代表樣本愈大，我們對平均數的估算就愈精準。

6.3 區間估計：信賴區間的奧秘

現在我們來談談信賴區間 (confidence interval, CI)。 一個區間估計通常由兩部分組成：區間本身（如 \([130, 140]\)）與信賴水準 (confidence level，通常設為 95%)。

⚠️ 觀念大糾錯：什麼是「95% 信賴區間」？

  • 錯誤解讀：「有 95% 的機率，母體平均值 \(\mu\) 會落在這個區間內。」（這是不對的！因為母體平均值 \(\mu\) 是一個固定常數，它要嘛在區間內，要嘛不在，機率只有 0 或 1，不存在 95% 機率這回事。）
  • 正確解讀：「如果我們從母體中重複抽取 100 個獨立樣本，並依據每個樣本分別建構 100 個信賴區間，那麼大約會有 95 個區間會成功包含真正的母體參數 \(\mu\)。」 簡言之，95% 指的是「這種估計方法的成功率高達 95%」，而不是指某個特定區間的機率。

6.3.1 平均值的 95% 信賴區間計算

  1. 當母體標準差 \(\sigma\) 已知時（使用 Z 分數，極罕見）： \[95\% \text{ CI} = \bar{x} \pm Z_{0.975} \times SEM = \bar{x} \pm 1.96 \times \frac{\sigma}{\sqrt{n}}\]

  2. 當母體標準差 \(\sigma\) 未知時（使用 t 分數，臨床常態）： 在現實世界中，我們不可能知道母體標準差，必須用樣本標準差 \(s\) 代替。此時，我們必須使用 Student's t 分布 (t-distribution) 代替 Z 分布： \[95\% \text{ CI} = \bar{x} \pm t_{n-1, 0.975} \times \frac{s}{\sqrt{n}}\]

    • t 分布的形狀比標準常態分布稍微矮胖一點，其形狀完全取決於自由度 (degrees of freedom, \(df = n-1\))。
    • 當樣本數 \(n\) 愈大，\(df\) 愈高，t 分布就會愈接近標準常態分布。

6.4 二項比例的信賴區間

如果我們的資料是類別型的（例如：患者康復的比例 \(p\)），其點估計量為樣本比例 \(\hat{p} = \frac{x}{n}\)（\(x\) 為成功人數）。 當大樣本時，我們可以使用以下公式計算比例的 95% 信賴區間：

\[95\% \text{ CI} = \hat{p} \pm 1.96 \times \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}\]

6.5 實戰演練：計算患者平均體溫的信賴區間

現在，我們打開 RStudio。假設我們隨機測量了 25 位住院病患的體溫，我們要計算這群病患平均體溫的點估計、標準誤與 95% 信賴區間，並利用 ggplot2 將結果繪製成一張精美的圖表。

6.5.1 R 程式碼實作

# 1. 載入 ggplot2 繪圖套件
library(ggplot2)

# 2. 輸入 25 位病患的體溫數據 (°C)
set.seed(123) # 設定隨機數種子以利重現結果
temp_data <- data.frame(
  PatientID = paste0("P", 101:125),
  Temperature = round(rnorm(25, mean = 37.1, sd = 0.4), 1)
)

# 3. 計算描述統計與點估計
n <- nrow(temp_data)
mean_temp <- mean(temp_data$Temperature)
sd_temp <- sd(temp_data$Temperature)

# 4. 計算平均數標準誤 (SEM)
sem_temp <- sd_temp / sqrt(n)

# 5. 計算 t 分布下的臨界值與 95% 信賴區間
# qt(p, df) 函數用於反查 t 分布的臨界值。對於雙尾 95%，累積機率取 0.975
alpha <- 0.05
t_crit <- qt(1 - alpha/2, df = n - 1)
margin_error <- t_crit * sem_temp

ci_lower <- mean_temp - margin_error
ci_upper <- mean_temp + margin_error

# 印出計算結果
cat("--- 體溫數據估計結果 ---\n")
cat("樣本平均值 (Point Estimate):", round(mean_temp, 3), "°C\n")
cat("樣本標準差 (SD)            :", round(sd_temp, 3), "°C\n")
cat("標準誤 (SEM)              :", round(sem_temp, 3), "°C\n")
cat("t 臨界值 (df = 24)        :", round(t_crit, 3), "\n")
cat("95% 信賴區間 (95% CI)     : [", round(ci_lower, 3), ",", round(ci_upper, 3), "] °C\n")
cat("------------------------\n")

# 6. 建立用於繪製信賴區間的摘要資料框
summary_df <- data.frame(
  Variable = "樣本平均值 & 95% CI",
  Mean = mean_temp,
  Lower = ci_lower,
  Upper = ci_upper
)

# 7. 使用 ggplot2 繪製數據點與信賴區間
p_ci <- ggplot() +
  # 繪製 25 位患者的個人體溫散佈點 (使用 jitter 避免重疊)
  geom_jitter(data = temp_data, aes(x = "個別病患數據分布", y = Temperature), 
              width = 0.12, size = 3, color = "#4a5568", alpha = 0.6) +
  # 繪製樣本平均值紅點
  geom_point(data = summary_df, aes(x = Variable, y = Mean), size = 5, color = "#e53e3e") +
  # 繪製 95% 信賴區間的誤差棒 (Error Bar)
  geom_errorbar(data = summary_df, aes(x = Variable, ymin = Lower, ymax = Upper), 
                width = 0.2, linewidth = 1.2, color = "#e53e3e") +
  labs(
    title = "住院患者體溫點估計與 95% 信賴區間",
    subtitle = paste0("樣本數 n = 25, 平均數 = ", round(mean_temp, 2), "°C, 95% CI: [", 
                     round(ci_lower, 2), ", ", round(ci_upper, 2), "]"),
    x = "",
    y = "體溫 Body Temperature (°C)"
  ) +
  theme_minimal(base_family = "Noto Sans CJK TC", base_size = 15) + # Windows 請替換為 Microsoft JhengHei
  theme(
    plot.title = element_text(size = 22, hjust = 0.5, color = "#2d3748"),
    plot.subtitle = element_text(size = 16, hjust = 0.5, color = "#718096"),
    axis.title = element_text(size = 18, color = "#4a5568"),
    axis.title.x = element_text(margin = margin(t = 10)),
    axis.title.y = element_text(margin = margin(r = 12)),
    axis.text = element_text(size = 16, color = "#2d3748"),
    axis.text.x = element_text(size = 16, color = "#2d3748"),
    panel.background = element_rect(fill = "#f7fafc", color = NA),
    plot.background = element_rect(fill = "white", color = NA),
    plot.margin = margin(20, 28, 20, 54)
  )

# 顯示並儲存圖表
print(p_ci)
ggsave("figs/temp_ci_plot.png", plot = p_ci, width = 8.1, height = 6.1, dpi = 300)

6.5.2 執行結果與圖表解讀

在 R 中執行程式後，控制台會輸出：

--- 體溫數據估計結果 ---
樣本平均值 (Point Estimate): 37.084 °C
樣本標準差 (SD)            : 0.3804 °C
標準誤 (SEM)              : 0.0761 °C
t 臨界值 (df = 24)        : 2.064 
95% 信賴區間 (95% CI)     : [ 36.927 , 37.241 ] °C
------------------------

同時，figs/ 資料夾下會生成以下圖表：

Figure 6.1: 住院患者體溫點估計與 95% 信賴區間

數據診斷分析：

  1. 點估計與離散度：25 位住院病患的平均體溫是 37.084°C，個體間變異程度（標準差 \(SD\)）為 0.38°C。
  2. 估計的精確度：因為我們的樣本數較小 (\(n=25\))，我們估算出的平均值標準誤 \(SEM = 0.076°C\)。透過 \(t\) 分布公式算出的 95% 信賴區間為 [36.93°C, 37.24°C]。這表示我們有 95% 的信心，這種抽樣區間估計方法能包覆到全院病患真實的平均體溫。

6.6 本章名詞對照表 (Glossary)

中文名稱 英文名稱 定義與說明
估計 Estimation 利用樣本觀測數據推估未知母體參數數值的統計程序。
點估計 Point estimation 用一個單一的統計量數值來作為母體參數估計值的方法。
無偏估計量 Unbiased estimator 若一個統計量的期望值剛好等於被估計的母體參數，該統計量即為無偏估計量。
區間估計 Interval estimation 以一個數值區間及對應的信賴水準來估計母體參數的方法。
信賴區間 Confidence interval (CI) 區間估計所產生的數值範圍，代表可能包含母體參數的範圍。
信賴水準 Confidence level 重複抽樣中，所建構的信賴區間包含真實母體參數的長期成功機率 (如 95%)。
抽樣分布 Sampling distribution 從同一個母體中重複抽取同等樣本數之樣本，其統計量所得出的機率分布。
中央極限定理 Central limit theorem (CLT) 不論母體分佈為何，只要樣本數足夠大，樣本平均值的抽樣分布會趨近常態分布。
標準誤 Standard error (SE / SEM) 樣本統計量（如樣本平均數）抽樣分布的標準差，衡量估計值的精準度。
Student's t 分布 Student's t-distribution 在母體標準差未知且樣本數較小時，樣本平均值標準化後所服從的矮胖鐘形分布。
自由度 Degrees of freedom (df) 統計計算中，可以自由變動之數據個數的數量（如 t 分布中 df = n-1）。
誤差棒 (誤差棒圖) Error bar 在圖表上以線段長度表示數據變異程度（如 SD、SEM 或 95% CI）的圖形標記。