置信区间计算器
置信区间（CI）是从样本数据计算得出的数值范围，可能包含真实总体参数。输入样本均值、标准差和样本量——或您的比例数据——即时计算 90%、95% 或 99% 置信区间，含误差范围和标准误差。
CI = x̄ ± z* × (σ / √n)
常见问题
什么是置信区间？
置信区间（CI）是一个可能以特定概率包含真实总体参数的数值范围。例如，95% 置信区间 [48, 52] 意味着如果多次重复研究，95% 的这类区间会包含真实总体均值。这并非说明真实值有 95% 的概率在此特定区间内。
如何计算均值的 95% 置信区间？
计算均值的 95% CI：(1) 计算标准误差：SE = σ / √n；(2) 乘以 z 分数：MOE = 1.960 × SE；(3) 加减样本均值：CI = [x̄ − MOE, x̄ + MOE]。例如，x̄ = 50，σ = 10，n = 100：SE = 1，MOE = 1.96，CI = [48.04, 51.96]。
90%、95% 和 99% 置信区间有什么区别？
置信水平越高，区间越宽。90% CI 使用 z* = 1.645，95% CI 使用 z* = 1.960，99% CI 使用 z* = 2.576。95% 水平是大多数研究的行业标准。在速度比确定性更重要时使用 90%，在高风险决策中假阳性代价很高时使用 99%。
什么是误差边距？
误差边距（MOE）是置信区间宽度的一半。它代表在给定置信水平下，样本估计值与真实总体值之间的最大预期差异。MOE = z* × SE = z* × (σ / √n)。对于民调，典型的 1,000 人调查在 95% 置信度下误差边距约为 ±3%。
样本量如何影响置信区间？
样本量越大，置信区间越窄（越精确）。标准误差为 σ/√n，因此 CI 宽度按 1/√n 的比例缩小。样本量翻倍，CI 宽度约减少 29%。要将误差边距减半，需要将样本量扩大四倍。
如何计算比例的置信区间？
对于比例（Wald 方法）：(1) 计算 p̂ = 成功次数 / n；(2) 计算 SE = √(p̂(1 − p̂) / n)；(3) 应用 MOE = z* × SE；(4) CI = [p̂ − MOE, p̂ + MOE]，截断至 [0, 1]。例如，200 次中 60 次成功，p̂ = 30%，95% CI 约为 [23.65%, 36.35%]。
什么是标准误差，它与标准差有何不同？
标准差（σ）衡量单个数据点围绕均值的离散程度。标准误差（SE）衡量样本均值作为总体均值估计的精确度。SE = σ / √n。随着样本量增加，标准误差减小，即使标准差保持不变，因为更大的样本提供更精确的估计。
何时应使用置信区间而非假设检验？
置信区间和假设检验密切相关，通常传达相同的信息。当你想估计参数的合理范围时，使用置信区间。当你想要二元决策（拒绝/无法拒绝）时，使用假设检验。如果差异的 95% CI 不包含零，则对应的 α = 0.05 假设检验将拒绝零假设。CI 在研究中通常更受欢迎，因为它同时传达效应大小和不确定性。
什么是置信区间？
**置信区间（CI）**是从样本数据计算得出、以指定概率包含真实总体参数的数值范围。与单点估计（如样本均值）不同，置信区间通过给出合理范围来反映统计估计中固有的不确定性。
例如，95% 置信区间 [48, 52] 的含义是：如果多次重复研究并每次计算置信区间，大约 95% 的区间会包含真实总体均值。这并不意味着真实均值有 95% 的概率在这一特定区间内——一旦计算完成，该区间要么包含真实值，要么不包含。
置信区间广泛应用于科学研究、临床试验、调查统计、质量控制和数据分析，用于表达估计值的精确程度。
置信区间公式
均值的置信区间（已知总体标准差）
当已知总体标准差（σ）或样本量较大（n ≥ 30）时，使用 z 分布：
第 1 步：计算标准误差
SE = σ / √n
其中 σ = 标准差，n = 样本量
第 2 步：计算边际误差
MOE = z × SE
其中 z = 标准正态分布对应的临界值
第 3 步：计算置信区间上下限
CI = x̄ ± MOE
下限 = x̄ − MOE
上限 = x̄ + MOE
计算示例
样本均值 x̄ = 50，标准差 σ = 10，样本量 n = 100，置信水平 = 95%：
SE = 10 / √100 = 10 / 10 = 1.000
z (95%) = 1.960
MOE = 1.960 × 1.000 = 1.960
下限 = 50 − 1.960 = 48.040
上限 = 50 + 1.960 = 51.960
95% CI = [48.040, 51.960]
z 临界值表
临界 z 值（z*）对应于置信水平，是从均值出发、覆盖正态分布中心区域等于置信水平面积所需的标准误差倍数。
| 置信水平 | 显著性水平（α） | α/2 | z 临界值（z*） |
|---|---|---|---|
| 80% | 0.20 | 0.10 | 1.282 |
| 85% | 0.15 | 0.075 | 1.440 |
| 90% | 0.10 | 0.05 | 1.645 |
| 95% ★ | 0.05 | 0.025 | 1.960 |
| 99% | 0.01 | 0.005 | 2.576 |
| 99.9% | 0.001 | 0.0005 | 3.291 |
★ 大多数研究的行业标准
如何解读置信区间
正确解读置信区间是统计学中最重要、也最容易被误解的技能之一。
正确解读
95% 置信区间的含义是：如果多次重复抽样并每次构建置信区间，大约 95% 的区间会包含真实总体参数。
常见误解
- 错误："真实均值有 95% 的概率在 [48, 52] 内。"——真实均值是固定值，它要么在区间内，要么不在。
- 错误："95% 的数据落在此范围内。"——那是预测区间的含义，不是置信区间。
- 正确："我使用了一种方法，该方法生成的区间有 95% 的概率包含真实参数。"
实用指导
- 区间越窄，精确度越高（样本量 n 越大或标准差 σ 越小）
- 区间越宽，不确定性越大（样本量 n 越小或标准差 σ 越大）
- 如果差值的置信区间不包含零，则该差异在统计上显著
- 置信水平越高，区间越宽
理解边际误差
**边际误差（MOE）**是置信区间宽度的一半，表示在给定置信水平下，样本估计值与真实总体值之间的最大预期差异。
边际误差的计算公式为：
MOE = z* × (σ / √n)
减小边际误差的因素：
- 增大样本量（n）——边际误差与 1/√n 成比例减小
- 减小总体变异性（σ）——总体越均匀，区间越窄
- 降低置信水平——以确定性换取精确性
在民调中，1,000 人调查在 95% 置信度下典型的边际误差约为 ±3%。要将边际误差减半，样本量需要扩大四倍。
样本量如何影响置信区间
样本量对置信区间宽度有显著影响。由于标准误差公式为 σ/√n，样本量翻倍可将标准误差减少约 29%（√2 ≈ 1.414 倍）。
| 样本量（n） | 标准误差（σ=10） | 边际误差 @ 95% | 95% 置信区间宽度 |
|---|---|---|---|
| 25 | 2.000 | 3.920 | 7.840 |
| 100 | 1.000 | 1.960 | 3.920 |
| 400 | 0.500 | 0.980 | 1.960 |
| 1,000 | 0.316 | 0.620 | 1.240 |
从 n=25 增加到 n=100（扩大 4 倍）可将置信区间宽度减半。边际收益递减意味着，进一步增大样本量对精确度的提升有限，但代价高昂。
比例的置信区间
在估计总体比例时（例如，支持某候选人的选民比例，或生产中的缺陷率），由于标准误差本身依赖于比例值，公式略有不同。
比例置信区间公式（Wald 方法）
p̂ = 成功次数 / n
SE = √(p̂(1 − p̂) / n)
CI = p̂ ± z* × SE
计算示例
在 200 人调查中，60 人偏好产品 A。真实比例的 95% 置信区间是多少？
p̂ = 60 / 200 = 0.30（30%）
SE = √(0.30 × 0.70 / 200) = √(0.00105) ≈ 0.03240
MOE = 1.960 × 0.03240 ≈ 0.06350
下限 = 0.30 − 0.0635 = 23.65%
上限 = 0.30 + 0.0635 = 36.35%
95% CI = [23.65%, 36.35%]
**注意：**置信区间上下限被截断在 [0, 1] 范围内，因为比例不能为负数或超过 100%。对于接近 0 或 1 的比例，建议使用 Wilson 得分区间以获得更好的覆盖率。
相关工具
- A/B 测试计算器 — 实验的统计显著性检验
- A/B 测试样本量计算器 — 规划所需样本量
- 五数概括计算器 — 描述性统计：最小值、Q1、中位数、Q3、最大值
- 百分比计算器 — 快速百分比计算