P帽计算器 - 样本比例 p̂ 与 q̂

在推断统计中，样本比例 p̂（读作“p-hat”）是指样本中具备某一特定特征或满足某一既定标准的个体所占比例。它是应用研究中最基础的统计量之一，是比例置信区间、比例假设检验，以及调查和临床试验样本量计算的基础。 公式很直接：p̂ = x / n，其中 x 是“成功”次数（具有所关注特征的观测数），n 是总样本量。补数 q̂ = 1 − p̂ 表示样本中不具备该特征的比例。p̂ 与 q̂ 相加正好等于 1，共同描述样本的二元划分。 p̂ 的主要用途是估计通常未知的真实总体比例 p。由于样本只是总体的一个子集，p̂ 是一个随机变量——它的值会因样本不同而略有差异。中心极限定理保证，在 n 足够大时（通常要求 np̂ ≥ 5 且 nq̂ ≥ 5），p̂ 的抽样分布近似服从均值为 p、标准误为 √(p(1−p)/n) 的正态分布。这一正态近似是最常见的比例置信区间和比例 z 检验的基础。 p̂ 的实际应用遍及所有定量领域。在政治民调中，调查机构抽取几千名可能投票者，并将 p̂ 报告为某候选人的估计支持率，通常还附带由标准误推导出的误差范围（± 2–3%）。在制造质量控制中，生产工程师从一批产品中抽取 200 件并计算缺陷比例 p̂，以判断缺陷率是否处于可接受范围内。在临床试验中，主要终点常常是对治疗产生反应的患者比例；治疗组的 p̂ 与对照组的 p̂ 构成主要统计比较的基础。在数字产品的 A/B 测试中，p̂ 是每个变体的转化率。 区分 p̂ 与均值很重要。均值概括连续数值数据（平均身高、平均收入），而 p̂ 概括二元类别数据（成功或失败、是或否、有缺陷或无缺陷）。二者都是点估计，但遵循不同的抽样分布，并需要不同的置信区间和假设检验公式。 报告 p̂ 时，应始终同时给出置信区间和样本量 n。与单独写出 0.6 相比，写成“0.6（95% CI：0.57 – 0.63，n = 1,000）”更有意义。置信区间传达估计的精确度，并让读者判断真实比例是否可能高于或低于他们关心的任何阈值。没有 n 和 CI，p̂ 就是不完整的发现。