WikiDer > Доверительный интервал биномиальной пропорции

В статистика, а доверительный интервал биномиальной пропорции это доверительный интервал для вероятности успеха, рассчитанной по результатам серии экспериментов успех-неудача (Бернулли испытания). Другими словами, доверительный интервал биномиальной пропорции - это интервальная оценка вероятности успеха. п когда только количество экспериментов п и количество успехов п_S известны.

Существует несколько формул для биномиального доверительного интервала, но все они основаны на предположении биномиальное распределение. В общем, биномиальное распределение применяется, когда эксперимент повторяется фиксированное количество раз, каждое испытание эксперимента имеет два возможных результата (успех и неудача), вероятность успеха одинакова для каждого испытания, и испытания статистически независимый. Поскольку биномиальное распределение является дискретное распределение вероятностей (т. е. не непрерывный) и сложный для расчета для большого количества испытаний, для расчета этого доверительного интервала используются различные аппроксимации, все со своими собственными компромиссами в точности и вычислительной интенсивности.

Простым примером биномиального распределения является набор различных возможных результатов и их вероятностей для количества голов, наблюдаемых, когда монета подбрасывается десять раз. Наблюдаемая биномиальная пропорция - это доля флипов, оказавшихся решенными. Учитывая эту наблюдаемую пропорцию, доверительный интервал для истинной вероятности выпадения монеты орлом представляет собой диапазон возможных пропорций, которые могут содержать или не содержать истинную пропорцию. Например, 95% доверительный интервал для доли будет содержать истинную долю 95% случаев, когда используется процедура построения доверительного интервала.^[1]

Нормальный интервал аппроксимации

Обычно используемая формула для биномиального доверительного интервала основана на аппроксимации распределения ошибок для биномиально распределенного наблюдения, ${Displaystyle {шляпа {p}}}$, с нормальное распределение.^[2] Это приближение основано на Центральная предельная теорема и ненадежен, если размер выборки невелик или вероятность успеха близка к 0 или 1.^[3]

Используя нормальное приближение, вероятность успеха п оценивается как

${displaystyle {hat {p}} pm z {sqrt {frac {{hat {p}} left (1- {hat {p}} ight)} {n}}},}$

или эквивалент

${displaystyle {frac {n_ {S}} {n}} pm {frac {z} {n {sqrt {n}}}} {sqrt {n_ {S} n_ {F}}},}$

куда ${displaystyle {hat {p}} = n_ {S} / n}$ доля успехов в Бернулли суд процесс, измеряемый с помощью ${displaystyle n}$ испытания, приносящие ${displaystyle n_ {S}}$ успехов и ${displaystyle n_ {F} = n-n_ {S}}$ неудачи и ${displaystyle z}$ это ${displaystyle 1- {frac {alpha} {2}}}$ квантиль из стандартное нормальное распределение (т.е. пробит), соответствующий целевой частоте ошибок ${displaystyle alpha}$. Для уровня достоверности 95% ошибка ${displaystyle alpha = 1-0,95 = 0,05}$, так ${displaystyle 1- {frac {alpha} {2}} = 0,975}$ и ${displaystyle z = 1,96}$.

Важным теоретическим выводом этого доверительного интервала является обращение проверки гипотезы. В этой формулировке доверительный интервал представляет те значения параметра совокупности, которые имели бы большие п-значения, если они были проверены как гипотетические доля населения. Сборник ценностей, ${displaystyle heta}$, для которого справедливо нормальное приближение, можно представить в виде

${displaystyle left {heta ,, {igg |} ,, yleq {frac {{hat {p}} - heta} {sqrt {{frac {1} {n}} {hat {p}} left (1- {hat {p}} ight)}}} leq z_ {frac {alpha} {2}} ight},}$

куда ${displaystyle y}$ это ${displaystyle {frac {alpha} {2}}}$ квантиль из стандартное нормальное распределение. Поскольку тест в середине неравенства - это Тест Вальда, интервал нормальной аппроксимации иногда называют Wald интервал, но впервые он был описан Пьер-Симон Лаплас в 1812 г.^[4]

Стандартная ошибка оценки доли при использовании взвешенных данных

Пусть будет простая случайная выборка ${displaystyle X_ {1}, ldots, X_ {n}}$ где каждый ${displaystyle X_ {i}}$ является i.i.d из Бернулли(p) распределение и вес ${displaystyle w_ {i}}$ - вес для каждого наблюдения. Стандартизируйте (положительные) веса ${displaystyle w_ {i}}$ поэтому они в сумме равны 1. взвешенная доля выборки является: ${displaystyle {hat {p}} = sum _ {i = 1} ^ {n} w_ {i} X_ {i}}$. Поскольку ${displaystyle X_ {i}}$ независимы, и у каждого есть дисперсия ${displaystyle {ext {Var}} (X_ {i}) = p (1-p)}$, то выборочная дисперсия пропорции поэтому это:^[5]

${displaystyle {ext {Var}} ({hat {p}}) = sum _ {i = 1} ^ {n} {ext {Var}} (omega _ {i} X_ {i}) = p (1- p) сумма _ {i = 1} ^ {n} omega _ {i} ^ {2}}$.

В стандартная ошибка из ${Displaystyle {шляпа {p}}}$ - квадратный корень из этой величины. Потому что мы не знаем ${displaystyle p (1-p)}$, мы должны это оценить. Несмотря на то, что существует множество возможных оценок, обычным является использование ${Displaystyle {шляпа {p}}}$, примерное среднее и подставьте его в формулу. Это дает:

${displaystyle {ext {SE}} ({hat {p}}) = {sqrt {{hat {p}} (1- {hat {p}}) сумма _ {i = 1} ^ {n} w_ {i } ^ {2}}}}$

Для невзвешенных данных ${displaystyle w_ {i} = 1 / n}$, давая ${displaystyle sum _ {i = 1} ^ {n} w_ {i} ^ {2} = 1 / n}$. SE становится ${displaystyle {sqrt {p (1-p) / n}}}$, что приводит к знакомым формулам, показывающим, что расчет для взвешенных данных является их прямым обобщением.

Интервал счета Уилсона

Интервал оценки Уилсона является улучшением по сравнению с нормальным интервалом аппроксимации в том смысле, что фактический вероятность покрытия ближе к номиналу. Он был разработан Эдвин Бидвелл Уилсон (1927).^[6]

Уилсон начал с нормального приближения бинома:

${displaystyle zapprox {frac {~ left (, p- {hat {p}}, ight) ~} {sigma _ {n}}}}$

с аналитической формулой для стандартного отклонения выборки, заданной как

${displaystyle sigma _ {n} = {sqrt {, {frac {, pleft (1-pight),} {n}} ~}} ~}$.

Объединение этих двух и возведение радикала в квадрат дает уравнение, квадратичное по п:

${displaystyle left (, {hat {p}} - p, ight) ^ {2} = z ^ {2} cdot {frac {, pleft (1-pight),} {n}}}$

Преобразование отношения в квадратное уравнение стандартной формы для п, лечение ${Displaystyle {шляпа {p}}}$ и п как известные значения из выборки (см. предыдущий раздел), и используя значение z что соответствует желаемой достоверности оценки п дает это:

${displaystyle {iggl (} 1+ {frac {, z ^ {2},} {n}} {iggr)}, p ^ {2} + {iggl (} -2 {hat {p}} - {frac { , z ^ {2},} {n}} {iggr)}, p + {iggl (} {hat {p}} ^ {2} {iggr)} = 0 ~}$,

где все значения в скобках - известные величины. п оценивает верхнюю и нижнюю границы доверительного интервала для п. Отсюда вероятность успеха п оценивается

${displaystyle {frac {1} {~ 1 + {frac {, z ^ {2},} {n}} ~}} left ({hat {p}} + {frac {, z ^ {2},} { 2n}} ight) pm {frac {z} {~ 1 + {frac {z ^ {2}} {n}} ~}} {sqrt {{frac {, {hat {p}} (1- {hat { p}}),} {n}} + {frac {, z ^ {2},} {4n ^ {2}}} ~}}}$

или эквивалент

${displaystyle {frac {~ n_ {S} + {frac {1} {2}} z ^ {2} ~} {n + z ^ {2}}} pm {frac {z} {n + z ^ {2 }}} {sqrt {{frac {~ n_ {S}, n_ {F} ~} {n}} + {frac {z ^ {2}} {4}} ~}} ~.}$

Практическое наблюдение при использовании этого интервала состоит в том, что он обладает хорошими свойствами даже для небольшого числа испытаний и / или высокой вероятности.

Интуитивно понятно, что центральное значение этого интервала - это средневзвешенное значение ${displaystyle {hat {p}}}$ и ${displaystyle {frac {1} {2}}}$, с ${Displaystyle {шляпа {p}}}$ получая больший вес по мере увеличения размера выборки. Формально центральное значение соответствует использованию псевдосчет из 1/2 z², количество стандартных отклонений доверительного интервала: добавьте это число как к количеству успехов, так и к количеству неудач, чтобы получить оценку отношения. Для общих двух стандартных отклонений в каждом интервале направлений (охват примерно 95%, что само по себе составляет примерно 1,96 стандартного отклонения), это дает оценку ${displaystyle (n_ {S} +2) / (n + 4)}$, известное как «правило плюс четыре».

Хотя квадратичная функция может быть решена явно, в большинстве случаев уравнения Вильсона также могут быть решены численно с использованием итерации с фиксированной точкой

${displaystyle p_ {k + 1} = {hat {p}} pm zcdot {sqrt {frac {p_ {k} cdot left (1-p_ {k} ight)} {n}}}}$

с ${displaystyle p_ {0} = {шляпа {p}}}$.

Интервал Вильсона может быть получен из Критерий хи-квадрат Пирсона с двумя категориями. Результирующий интервал,

${displaystyle left {heta ,, {igg |} ,, yleq {frac {{hat {p}} - heta} {sqrt {{frac {1} {n}} heta (1- heta)}}} leq zight} ,}$

затем можно решить для ${displaystyle heta}$ для получения интервала счета Вильсона. Тест в середине неравенства - это оценка теста.

Интервал Вильсона с поправкой на непрерывность

Интервал Вильсона можно изменить, используя исправление непрерывности, чтобы выровнять минимум вероятность покрытия, а не средняя вероятность, с номинальной стоимостью.

Так же, как интервал Вильсона отражает Критерий хи-квадрат Пирсона, интервал Вильсона с поправкой на непрерывность отражает эквивалентную Тест хи-квадрат Йейтса.

Следующие формулы для нижней и верхней границ интервала оценок Вильсона с поправкой на непрерывность ${displaystyle (ш ^ {-}, ш ^ {+})}$ взяты из Newcombe (1998).^[7]

${displaystyle {egin {выравнивается} w ^ {-} & = max left {0, {frac {2n {hat {p}} + z ^ {2} -left [z {sqrt {z ^ {2}} - {frac {1} {n}} + 4n {hat {p}} (1- {hat {p}}) + (4 {hat {p}} - 2)}} + 1ight]} {2 (n + z ^ {2})}} ight} w ^ {+} & = min left {1, {frac {2n {hat {p}} + z ^ {2} + left [z {sqrt {z ^ {2} -] {frac {1} {n}} + 4n {hat {p}} (1- {hat {p}}) - (4 {hat {p}} - 2)}} + 1ight]} {2 (n + z ^ {2})}} ight} конец {выровнено}}}$

Однако если п = 0, ${displaystyle w ^ {-}}$ следует принимать за 0; если п = 1, ${displaystyle w ^ {+}}$ тогда 1.

Интервал Джеффриса

В Интервал Джеффриса имеет байесовское происхождение, но обладает хорошими частотными свойствами. В частности, он имеет свойства покрытия, аналогичные свойствам интервала Вильсона, но это один из немногих интервалов с тем преимуществом, что он равнохвостый (например, для 95% доверительного интервала вероятности интервала, лежащего выше или ниже истинного значения, обе близки к 2,5%). Напротив, интервал Вильсона имеет систематическое смещение, так что он центрируется слишком близко к п = 0.5.^[8]

Интервал Джеффриса - байесовский достоверный интервал получается при использовании неинформативный Джеффрис приор для биномиальной пропорции п. В Джеффрис приор для этой проблемы это Бета-распределение с параметрами (1/2, 1/2), это сопряженный предшествующий. После наблюдения Икс успехи в п испытания, апостериорное распределение за п это бета-распределение с параметрами (Икс + 1/2, п – Икс + 1/2).

Когда Икс ≠0 и Икс ≠ п, интервал Джеффриса считается 100(1 – α)% равновероятный интервал апостериорной вероятности, т. е. α / 2 и 1 – α / 2 квантили бета-распределения с параметрами (Икс + 1/2, п – Икс + 1/2). Эти квантили необходимо вычислять численно, хотя это достаточно просто с помощью современного статистического программного обеспечения.

Во избежание стремления к нулю вероятности охвата при п → 0 или же 1, когда Икс = 0 верхний предел рассчитывается, как и раньше, но нижний предел установлен на 0, и когда Икс = п нижний предел рассчитывается как раньше, но верхний предел установлен на 1.^[3]

Интервал Клоппера – Пирсона

Интервал Клоппера – Пирсона - ранний и очень распространенный метод вычисления биномиальных доверительных интервалов.^[9] Этот метод часто называют «точным», поскольку он основан на кумулятивных вероятностях биномиального распределения (то есть на точном правильном распределении, а не на приближении). Однако в случаях, когда мы знаем размер популяции, интервалы могут быть не самыми маленькими. Например, для населения размером 20 с истинной долей 50% Клоппер-Пирсон дает [0,272, 0,728], ширина которого составляет 0,456 (и где границы находятся на 0,0280 от «следующих достижимых значений» 6/20 и 14. / 20); тогда как Wilson дает [0,299, 0,701], что имеет ширину 0,401 (и находится на 0,0007 от следующих возможных значений).

Интервал Клоппера – Пирсона можно записать как

${displaystyle S_ {leq} cap S_ {geq}}$

или эквивалентно,

${displaystyle left (inf S_ {geq} ,,, sup S_ {leq} ight)}$

с

${displaystyle S_ {leq}: = left {heta ,, {Big |} ,, Pleft [operatorname {Bin} left (n; heta ight) leq xight]> {frac {alpha} {2}} ight} {ext { and}} S_ {geq}: = left {heta ,, {Big |} ,, Pleft [имя оператора {Bin} left (n; heta ight) geq xight]> {frac {alpha} {2}} ight},}$

где 0 ≤ Икс ≤ п - количество успехов, наблюдаемых в выборке, а Bin (п; θ) - биномиальная случайная величина с п испытания и вероятность успехаθ.

Эквивалентно мы можем сказать, что интервал Клоппера – Пирсона равен ${extstyle left ({frac {x} {n}} - varepsilon _ {1}, {frac {x} {n}} + varepsilon _ {2} ight)}$ с уровнем уверенности ${displaystyle 1-alpha}$ если ${displaystyle varepsilon _ {i}}$ это нижняя грань таких, что следующие проверки гипотезы имеют значимость ${extstyle {frac {alpha} {2}}}$:

1. ЧАС₀: ${displaystyle heta = {frac {x} {n}} - varepsilon _ {1}}$ с H_А: ${displaystyle heta> {frac {x} {n}} - varepsilon _ {1}}$
2. ЧАС₀: ${displaystyle heta = {frac {x} {n}} + varepsilon _ {2}}$ с H_А: ${displaystyle heta <{frac {x} {n}} + varepsilon _ {2}}$.

Из-за связи между биномиальным распределением и бета-распространениеинтервал Клоппера – Пирсона иногда представляется в альтернативном формате, который использует квантили из бета-распределения.

${displaystyle Bleft ({frac {alpha} {2}}; x, n-x + 1ight)$

куда Икс это количество успехов, п - количество испытаний, а B(п; v,ш) это пth квантиль из бета-распределения с параметрами формы v и ш.

Когда ${displaystyle x}$ либо ${displaystyle 0}$ или же ${displaystyle n}$, доступны выражения в закрытой форме для границ интервала: когда ${displaystyle x = 0}$ интервал ${extstyle left (0,, 1-left ({frac {alpha} {2}} ight) ^ {frac {1} {n}} ight)}$ и когда ${displaystyle x = n}$ это ${extstyle left (left ({frac {alpha} {2}} ight) ^ {frac {1} {n}} ,, 1ight)}$.^[10]

Бета-распределение, в свою очередь, связано с F-распределение поэтому третью формулировку интервала Клоппера – Пирсона можно записать с помощью F-квантилей:

${displaystyle left (1+ {frac {n-x + 1} {x, F! left [{frac {alpha} {2}}; 2x, 2 (n-x + 1) ight]}} ight) ^ { -1}$

куда Икс это количество успехов, п - количество испытаний, а F(c; d₁, d₂) это c квантиль из F-распределения с d₁ и d₂ степени свободы.^[11]

Интервал Клоппера – Пирсона является точным интервалом, поскольку он основан непосредственно на биномиальном распределении, а не на каком-либо приближении к биномиальному распределению. Этот интервал никогда не бывает меньше номинального охвата для любой доли населения, но это означает, что он обычно консервативен. Например, истинная степень охвата 95% интервала Клоппера – Пирсона может быть намного выше 95%, в зависимости от п иθ.^[3] Таким образом, интервал может быть шире, чем необходимо для достижения уверенности 95%. Напротив, стоит отметить, что другие доверительные границы могут быть уже, чем их номинальная доверительная ширина, то есть интервал нормальной аппроксимации (или "стандартный") интервал Вильсона,^[6] Интервал Агрести – Кулля,^[11] и т. д. с номинальным охватом 95% фактически может охватывать менее 95%.^[3]

Определение интервала Клоппера – Пирсона также может быть изменено для получения точных доверительных интервалов для различных распределений. Например, это также может быть применено к случаю, когда выборки отбираются без замены из совокупности известного размера, вместо повторных выборок биномиального распределения. В этом случае основным распределением будет гипергеометрическое распределение.

Интервал Агрести – Кулля

Интервал Агрести – Кулла также является еще одним приближенным биномиальным доверительным интервалом.^[11]

Данный ${displaystyle X}$ успехи в ${displaystyle n}$ испытания, определить

${displaystyle {ilde {n}} = n + z ^ {2}}$

и

${displaystyle {ilde {p}} = {frac {1} {ilde {n}}} left (X + {frac {z ^ {2}} {2}} ight)}$

Тогда доверительный интервал для ${displaystyle p}$ дан кем-то

${displaystyle {ilde {p}} pm z {sqrt {{frac {ilde {p}} {ilde {n}}} left (1- {ilde {p}} ight)}}}$

куда ${displaystyle z = Phi ^ {- 1}! left (1- {frac {alpha} {2}}! ight)}$ - квантиль стандартного нормального распределения, как и раньше (например, 95% доверительный интервал требует ${displaystyle alpha = 0,05}$, тем самым производя ${displaystyle z = 1,96}$). В соответствии с коричневый, Цай, и DasGupta,^[3] принимая ${displaystyle z = 2}$ вместо 1,96 дает интервал «добавить 2 успеха и 2 неудачи», ранее описанный Агрести и Coull.^[11]

Этот интервал можно резюмировать как использование регулировки центральной точки, ${displaystyle {ilde {p}}}$, интервала оценок Вильсона, а затем примените нормальное приближение к этой точке.^[2][3]

${displaystyle {ilde {p}} = {frac {{hat {p}} + {frac {z ^ {2}} {2n}}} {1+ {frac {z ^ {2}} {n}}}) }}$

Преобразование арксинуса

Преобразование арксинуса приводит к вытягиванию концов распределения.^[12] Хотя он может стабилизировать дисперсию (и, следовательно, доверительные интервалы) данных о пропорциях, его использование подвергалось критике в нескольких контекстах.^[13]

Позволять Икс быть количеством успехов в п испытания и пусть п = Икс/п. Дисперсия п является

${displaystyle operatorname {var} (p) = {frac {p (1-p)} {n}}.}$

Используя арксинус, преобразуйте дисперсию арксинуса п^1/2 является^[14]

${displaystyle operatorname {var} left (arcsin left ({sqrt {p}} ight) ight) приблизительно {frac {operatorname {var} (p)} {4p (1-p)}} = {frac {p (1- p)} {4np (1-p)}} = {frac {1} {4n}}.}$

Итак, сам доверительный интервал имеет следующий вид:

${displaystyle sin ^ {2} left (arcsin left ({sqrt {p}} ight) - {frac {z} {2 {sqrt {n}}}} ight)$

куда ${displaystyle z}$ это ${displaystyle scriptstyle 1, -, {frac {alpha} {2}}}$ квантиль стандартного нормального распределения.

Этот метод можно использовать для оценки дисперсии п но его использование проблематично, когда п близко к 0 или 1.

т_а преобразовать

Эта секция не цитировать любой источники. Пожалуйста помоги улучшить этот раздел к добавление цитат в надежные источники. Материал, не полученный от источника, может быть оспорен и удаленный. (Июль 2017 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

Позволять п быть долей успехов. Для 0 ≤ а ≤ 2,

${displaystyle t_ {a} = log left ({frac {p ^ {a}} {(1-p) ^ {2-a}}} ight) = alog (p) - (2-a) log (1- п)}$

Это семейство является обобщением логит-преобразования, которое является частным случаем с а = 1 и может использоваться для преобразования пропорционального распределения данных в приблизительно нормальное распределение. Параметр а должен быть оценен для набора данных.

Правило трех - когда не наблюдается успехов

В правило трех используется для обеспечения простого способа определения приблизительного 95% доверительного интервала для п, в частном случае, когда нет успехов (${displaystyle {hat {p}} = 0}$) наблюдались.^[15] Интервал (0,3/п).

По симметрии можно было ожидать только успехов (${displaystyle {hat {p}} = 1}$) интервал равен (1 − 3/п,1).

Сравнение разных интервалов

Есть несколько исследовательских работ, в которых сравниваются эти и другие доверительные интервалы для биномиальной пропорции.^{[2][7][16][17]} И Агрести, и Коул (1998)^[11] и Росс (2003)^[18] Отметьте, что точные методы, такие как интервал Клоппера – Пирсона, могут не работать так же хорошо, как определенные приближения. Нормальное приближение и его представление в учебниках подвергалось критике, и многие статистики выступали за то, чтобы его не использовать.^[3]

Из перечисленных выше приближений методы интервалов оценки Вильсона (с поправкой на непрерывность или без нее) оказались наиболее точными и надежными.^[2][3][7] хотя некоторые предпочитают подход Агрести – Коулла для более крупных выборок.^[3]

Многие из этих интервалов можно вычислить в р используя такие пакеты, как "бином", или в Python используя пакет "ebcic" (Калькулятор точного биномиального доверительного интервала).

Смотрите также

• Теория оценок
• Псевдосчет

Рекомендации