一、同一個里,竟然有三種支持率?
均富里長隨機調查30位居民,18人支持增設運動設施,支持率是60%;天龍里長透過LINE收到300份自願回覆,支持率則是70%。兩人上回才討論過抽樣代表性,這回均富里長又有了疑問:「如果重新抽一次,還會是60%嗎?」
假設接下來兩次各自重新隨機抽30人,分別有16人、21人支持,支持率就變成53.3%與70%。天龍里長笑說:「同一個里,怎麼每次都不一樣?」
這些是教學用的假設結果,而非真實調查。即使母體沒有改變,抽到不同的人,樣本統計量也可能不同;這稱為抽樣變異(Sampling Variability)。隨機不代表每次都相同,那麼我們又如何從一次調查理解母體?
二、重複抽樣一萬次,結果會怎樣?
「乾脆調查一萬次!」天龍里長提議。均富里長嚇了一跳:「你是想把居民問到搬家嗎?」幸好我們可以用電腦模擬。假設每位受訪者獨立地以60%的機率支持,每次抽30人,重複10,000次。這個60%是模擬預設值,不是真實調查已經證明的母體支持率。
支持人數 X~Binomial(30, 0.60),樣本支持率為X/30,因此結果是離散的,每多一人支持就增加約3.33個百分點。把各次支持率累積起來,就得到樣本支持率的抽樣分布(Sampling Distribution):它描述同一抽樣程序下統計量可能取到哪些值,以及各值出現的機率。
每次抽30人與重複10,000次是兩件不同的事。增加模擬次數讓分布看得更清楚,卻不會降低「每次30人調查」原有的理論標準誤;增加每次抽樣的人數,才會改變估計的抽樣變動程度。
三、常態分布:為什麼統計學經常出現鐘形曲線?
天龍里長盯著圖表:「中間高、兩邊低,像座小山!」這讓我們想到常態分布(Normal Distribution):一種連續、左右對稱的機率分布,中心由平均數決定,寬窄由標準差決定。
在精確的常態分布下,約68.27%、95.45%、99.73%的機率,分別落在平均數上下1、2、3個標準差內;中央95%的範圍則約為平均數上下1.96個標準差。
但30人支持率的抽樣分布是離散的二項分布,不能因為外觀像鐘形就說它是常態分布。當np與n(1−p)都不太小時,可以考慮常態近似;若機率接近0或1、樣本數偏小,近似可能不佳。
四、中央極限定理:原始資料不是鐘形,也能出現鐘形?
均富里長改問居民每週運動時間。有人幾乎不運動,也有人運動很久,因此原始資料可能右偏。為了示範,假設運動時間來自平均數150分鐘、標準差也為150分鐘的指數分布。這是教學模型,不是真實居民資料。
每次分別抽1、5、30或100人,計算一次樣本平均數,再把相同樣本數的實驗重複10,000次。當每次只抽1人時,平均數就是原始觀測值,分布仍右偏;當每次抽的人數增加,樣本平均數的分布通常會更集中,也更接近對稱鐘形。
這就是中央極限定理(Central Limit Theorem, CLT)的核心:在獨立同分布、母體平均數與非零有限變異數存在等條件下,隨樣本數n增加,(樣本平均數−母體平均數)/(母體標準差/√n) 的分布趨近標準常態分布。
變得接近常態的是樣本平均數的抽樣分布,不是原始個別資料。「n≥30」不是放諸四海皆準的門檻;偏態與尾部特性會影響近似品質。如果母體本身是常態分布,獨立樣本平均數對任何正整數n都精確服從常態分布。
五、標準差與標準誤:究竟是誰在變動?
「樣本平均數越來越集中,要怎麼衡量?」天龍里長問。標準差(SD)描述個別觀測值的分散程度;標準誤(SE)則是統計量抽樣分布的標準差。
另以一個母體標準差為60分鐘的教學例子說明(與上一節指數分布不同):獨立同分布樣本平均數的標準誤為 SE(平均數)=σ/√n。抽9人為20分鐘,抽36人為10分鐘,抽100人為6分鐘。樣本數增加四倍,標準誤才減半。
實務上母體σ通常未知,常以樣本標準差s估計,得到s/√n。抽更多人不會讓居民彼此的差異消失,卻能讓平均數估計通常更穩定。
六、回到支持率:30人與300人,差在哪裡?
在獨立伯努利模型中,樣本支持率的標準誤為 SE(p̂)=√[p(1−p)/n]。若p=0.60,每次抽30人,理論標準誤約8.94個百分點;每次抽300人則約2.83個百分點。樣本數增加10倍,標準誤變為原來的1/√10,約31.6%。
但標準誤不是某次調查的實際誤差,也不是直接等於95%信賴區間的誤差範圍。真實調查還須考量有限母體、分層或群集等抽樣設計。
天龍里長得意地說:「所以我的300份LINE問卷比較準!」均富里長提醒:「自願填答的人,未必能代表全體居民。」增加樣本數可以降低合適模型下的隨機抽樣變異,卻不能自動消除選擇偏誤。這正呼應上一篇關於抽樣代表性的討論。
七、從中央極限定理走向95%信賴區間
「既然知道抽樣會怎麼變動,能不能從一次調查推估真正支持率可能在哪個範圍?」天龍里長問。這正是信賴區間(Confidence Interval, CI)的重要用途。
均富里長抽30人、18人支持,樣本支持率60%。以最基本的Wald常態近似法示範:估計標準誤=√[0.6×0.4/30]≈0.0894;95%區間≈0.60±1.96×0.0894,得到42.5%~77.5%。同一份資料採用通常較穩健的Wilson區間,則約為42.3%~75.4%。
「明明調查出60%,範圍怎麼這麼大?」天龍里長驚訝。樣本不多,估計的不確定性自然較大。但Wald區間只是教學上最直觀的近似方法;小樣本比例資料的實際涵蓋率可能偏離95%,因此實務上需評估Wilson等方法。
更重要的是,95%信賴區間不是說真實支持率有95%的機率落在眼前已算出的區間裡。在傳統頻率學派中,母體參數是固定的,隨機的是抽樣程序產生的區間;若某區間方法具有95%的長期涵蓋率,反覆依相同方法抽樣建立區間,約95%的區間會涵蓋真實參數。這個「95%」究竟該怎麼理解?留待下一篇深入探索。
八、從抽樣的偶然,看見數學的規律
抽樣變異說明為何每次結果不同;抽樣分布讓我們看見統計量的機率規律;常態分布與中央極限定理在適當條件下提供近似推論的基礎;標準誤量化統計量的抽樣變動;信賴區間則將這些知識用於呈現估計的不確定性。
「原來統計不是要每次抽樣都得到相同答案!」均富里長恍然大悟。天龍里長接著說:「真正重要的,是知道我們從一次調查能推論到哪裡、不能推論到哪裡。」
一次抽樣充滿偶然,重複抽樣卻能看見規律。
統計觀念提醒
本文居民調查與運動時間皆為教學情境,非實際民意調查。本文採用的獨立伯努利與獨立同分布模型是為說明理論;實務推論須考慮抽樣設計、偏誤、有限母體修正與區間估計方法。
