🎯 置信区间计算器

置信区间（CI）是由样本数据计算出的一段数值范围，在选定的置信水平下，很可能包含真实的总体参数（例如均值 μ）。不同于只给出单一估计值的样本均值 x̄，置信区间提供了参数可能落点的下限与上限。例如 95% 置信区间为 [48.2, 51.8]，意味着如果重复抽样多次，约有 95% 的区间会覆盖真实总体均值。这个概念与正态分布及Z 分数密切相关，因为区间宽度取决于数据的离散程度与您想要的置信高低。

主要有两种公式。当总体标准差 σ 已知时，区间使用 Z 临界值，形式为 x̄ ± Z* × σ/√n。当 σ 未知（现实中最常见的情况），则改用样本标准差 s 与自由度为 n−1 的 t 临界值：x̄ ± t* × s/√n。t 分布在小样本时比正态曲线更宽，会产生略偏保守的区间。随着样本量增加，t 会趋近 Z。本计算器可自动处理两种情况，并可与标准差计算器及p 值计算器搭配使用。

本置信区间计算器依据总体标准差是否已知，采用两种经典统计公式之一。

Z 区间（σ 已知）

当您知道真实的总体标准差 σ 时使用。临界值 Z* 来自标准正态分布：90% 为 1.645、95% 为 1.96、99% 为 2.576。

t 区间（σ 未知）

当 σ 未知而需以样本标准差 s 估计时使用。临界值 t* 来自自由度为 n − 1 的 t 分布。当 n 足够大时，t* 会趋近 Z*。计算器会自动根据您的样本量与置信水平查找正确的 t* 值。

抽样误差

下限等于 x̄ − ME，上限等于 x̄ + ME。样本量越大，ME 越小；置信水平越高，ME 越大，因为临界值会增加。

随着自由度增加，t 临界值会趋近 Z 值。当 df 大于 30 时，差异在大多数实际工作中可以忽略。

以下示例展示样本量、标准差与置信水平如何共同决定抽样误差（ME）。

ME = 临界值 × sd / √n。最后一行显示大样本如何在 99% 置信下仍保持窄区间。

1. 输入样本均值（x̄），例如 50。这是您抽样数据的平均值。
2. 输入标准差。若 σ 已知，请输入总体值；否则输入样本标准差 s。
3. 输入样本量（n），必须大于 1；样本量越大，区间越窄。
4. 选择置信水平——90%、95% 或 99%。接着选择 σ 是否已知（Z 法）或未知（t 法）。
5. 按下计算，即可查看下限、上限、抽样误差与所使用的临界值。

什么时候该用 Z 区间，什么时候该用 t 区间？

当您从先前研究或普查中知道真实的总体标准差 σ 时，使用 Z 区间。当 σ 未知而必须以样本标准差 s 估计时，使用 t 区间。当样本量大于约 30 时，两种方法结果几乎相同，因为 t 分布会收敛到正态分布。

95% 置信区间实际上代表什么意思？

它意味着如果您重复抽样程序多次，每次都建立一个置信区间，则约有 95% 的区间会覆盖真实的总体均值。它并不代表您算出的这个特定区间有 95% 的概率包含参数，因为参数是固定的，并非随机。

为什么 99% 置信的区间比 90% 宽？

较高的置信水平需要较大的临界值（2.576 相对于 1.645），这会增加抽样误差，进而拓宽区间。您是以精确度换取确定性。若要在高置信水平下保持区间窄，就需要更大的样本量。

样本量如何影响置信区间？

抽样误差除以 √n，因此将样本量增加四倍只会使区间宽度减半。这种边际递减意味着非常精确的估计需要指数级增长的数据，这也是为什么大多数民意调查使用 1,000 到 2,000 的样本，而非数万个。

这个计算器可以处理 90、95、99% 以外的置信水平吗？

本版本支持最常见的三种水平。若要使用自定义水平，您需要该概率对应的精确 Z 或 t 临界值，这超出了这个简化工具的范围。大多数已发表的研究都使用这三种标准水平之一。

如果我的样本量非常小怎么办？

当 n 小于 10 且 σ 未知时，t 分布会产生非常宽的区间，因为可用来估计变异的信息很少。这类区间可能太宽而不实用。建议收集更多数据，或在报告结果时同时呈现其宽大的误差范围，让读者了解不确定性。

将95%设为默认置信水平——这是科学研究中最通用的惯例。只有在错误结论代价极高时才使用 99%，因为更宽的区间精确度较低。若样本量小于 30 且 σ 未知，t 分布会明显拓宽区间，因此小样本务必选择 t 方法。请记住，置信区间不等于参数落在区间内的概率；它描述的是此方法在长期重复使用下的成功率。所有数据均保留在您的浏览器中。