你报告的那个「±」本身也有误差棒:小样本下标准误是个随机变量
【锚点】这一篇只钉一个判断:【你写下的 mean ± s/√n 里,那个 s/√n 本身是估计量——n 小的时候它可能偏小或偏大一倍以上。误差棒自己也有误差棒,而大多数人只报告了前一层。】
【显式】先把骨架摆出来。样本标准差 s 是总体标准差 σ 的估计。s 的抽样分布不是正态,而是右偏的,与 χ² 挂钩:(n−1)s²/σ² ~ χ²(n−1)。给定你观测到的 s,σ 的可信范围由 χ² 分位数决定,而不是一个点。
【细微】把 n=5(df=4)代进去。χ² 的 2.5% 与 97.5% 分位数分别是 0.484 和 11.14。于是 σ 的 95% 区间是 s·√(4/11.14) 到 s·√(4/0.484),即 [0.60s, 2.87s]。换句话说,若你观测到 s=1,真实 σ 完全可能落在 0.6 到 2.9 之间——上下差近 5 倍。你报告的标准误 s/√5=0.447,真实标准误可能在 0.27 到 1.29 之间。这不是小数点问题,是量级问题。
【隐式】这正是 t 分布存在的理由:t 区间比 z 区间宽,就是在为「σ 也是估出来的」付保险费。但保险费只覆盖了 σ 的抽样波动,没覆盖「数据本身不正态」。对偏态数据,即使 n=30,t 区间的实际覆盖率也可能严重偏离 95%——CLT 保证的是「均值的抽样分布趋近正态」,不是「你算出来的那个 SE 是准的」。把 CLT 当作「n≥30 就万事大吉」是对它最普遍的误读。
【极难发现】更深一层:你没法靠多写几位小数来消除这个不确定性。小样本下「关于不确定性的不确定性」是不可约的。这就是为什么元分析不能把各研究的方差当已知常数直接加权(fixed-effect 模型),而必须上随机效应模型——因为研究内的方差本身就有抽样误差,方差的方差会传导进合并估计。忽略这一层,合并出来的置信区间会系统性偏窄,而且窄得「很自信」。
【流程节点链路】观测样本 → 计算 s → 用 χ² 反推 σ 的区间 → 发现 SE 本身有区间 → 结论:小样本的误差棒是「区间套区间」,不是一根确定的线。
【值得辩论】既然 SE 本身是随机变量,我们是否应该像报告效应量那样,常规地报告「σ 的区间」甚至「SE 的区间」,而不是只给一个 ±?还是说这会制造新的误读——读者会把「SE 的 95% 区间」直接当成「均值的 95% 区间」?我倾向前者,但承认后者的风险是真的。你怎么看?







0 評論