90% 的 T 分布：从统计学原理到日常直觉

背景

威廉·西利·戈塞特（William Sealy Gosset）是统计学史上的一位巨匠。他在担任吉尼斯啤酒厂（Guinness）酿酒师期间，致力于利用当时的统计方法优化啤酒酿造工艺。然而，他不满足于仅使用现有工具，而是发明了一套全新的统计方法来酿造更优质的啤酒。

尽管他发明的方法如今已被广泛应用于各个领域，但吉尼斯啤酒厂希望将他视为一种“秘密武器”，因此要求他在发表研究成果时使用化名“Student”（学生）。这就是著名的“学生 t 分布”（Student's t-distribution）名称的由来。

戈塞特发现，在计算均值的置信区间时，直接假设样本标准差 $\hat{\sigma}$ 等于总体标准差 $\sigma$ 并套用正态分布（如 $1.645$ 倍标准差）是错误的。这种做法忽略了 $\hat{\sigma}$ 本身的不确定性，导致计算出的置信区间过窄，从而产生误导。为了解决这个问题，戈塞特基于样本数量制定了修正表，以补偿我们在估计标准差时的不确定性。

核心内容

1. 为什么正态分布假设在样本量小时失效？

当我们计算 90% 的置信区间时，如果直接使用样本标准差 $\hat{\sigma}$ 并假设其等于真实的总体标准差 $\sigma$，我们会得到如下公式：

$$ \hat{\mu} \pm 1.645 \hat{\sigma} $$

这种“朴素”的估算方法之所以错误，是因为虽然我们知道均值 $\hat{\mu}$ 只是一个近似值，但我们却错误地假设自己确切地知道了 $\sigma = \hat{\sigma}$。实际上，$\hat{\sigma}$ 本身也是一个估计值，存在不确定性。当样本量较小时，这种不确定性很大，直接使用正态分布的临界值（如 1.645）会导致置信区间过窄，无法真实反映数据的波动范围。

2. 学生 t 分布的修正因子

戈塞特提出的解决方案是基于样本数量对标准差的估计进行修正。以下是针对 90% 置信区间的常用修正因子（为了便于记忆已进行四舍五入）：

• 样本量 > 20：朴素估计（即直接使用 $\hat{\sigma}$）对于 90% 置信区间来说已经足够准确，无需修正。
• 样本量较小：需要乘以特定的修正因子。

使用示例： 假设我们有 7 个样本，计算出的均值为 32 分钟，样本标准差为 8 分钟。

• 错误的做法（朴素估计）： $$ 32 \pm 8 \times 1.645 $$ 这会得到一个过窄的区间。

• 正确的做法（应用 t 分布修正）： 根据修正表，7 个样本对应的修正因子约为 1.2。因此，90% 置信区间应计算为： $$ 32 \pm 8 \times 1.2 \times 1.645 $$

即使只有 7 个样本，实际区间与朴素区间的差距也仅为 1.2 倍。样本量越少，标准差估计的不确定性越大，因此置信区间需要相应地更宽。对于更高置信度（如 95% 或 99%），经过学生 t 分布修正后的区间会显著更宽。

注：上述表格仅针对 90% 区间，因为这是作者最常用的场景。戈塞特本人推导的是完整的 Student t 分布，这使得我们可以根据需要生成任何置信水平的修正因子表。

3. 仅基于两个值的粗略估算技巧

除了查表，我们还可以利用 t 分布的原理，仅通过两个样本值来粗略估算标准差。

两个值（高值 high 和低值 low）的样本标准差公式为： $$ \frac{\mathrm{high} - \mathrm{low}}{\sqrt{2}} $$

然而，仅基于两个值计算出的标准差会严重低估实际的标准差。为了修正这一点，我们需要引入 t 分数。对于两个样本（自由度为 1），对应于一定置信水平的 t 分数约为 1.846。

因此，修正后的标准差估算公式为： $$ \text{估算标准差} \approx \frac{\mathrm{high} - \mathrm{low}}{\sqrt{2}} \times 1.846 $$

为了方便实际应用，我们可以简化常数因子： $$ \frac{1.846}{\sqrt{2}} \approx 1.3 $$

结论： 仅基于两个样本值时，标准差的粗略估算值约为这两个数值之间距离的 1.3 倍。这是一个在工程和实践场景中极具实用价值的经验法则。

4. 实际应用案例

假设有人问你：“49 升是一个好的结果吗？”

1. 追问基准： 你问：“跟什么比？”
2. 获得对比： 对方回答：“跟 43 升比！”
3. 质疑波动性： 你指出：“这告诉我 nothing，因为我不知道过程固有的波动性。再给我一个典型结果！”
4. 获得第二个数据点： 对方回答：“呃，47 升。”
5. 直觉陷阱： 此时你可能会放松警惕，认为 49 升高于 43 和 47，所以“非常好”。
6. 理性分析： 此时应启动统计思维。

分析过程：

• 你拥有两个典型数据：43 和 47。
• 它们之间的距离（Range）是 $47 - 43 = 4$。
• 根据上述经验法则，估算的标准差 $\hat{\sigma} \approx 4 \times 1.3 = 5.2$（约 5 升）。
• 这两个数的中点是 45。
• 49 与中点 45 的差值是 4。
• 这意味着 49 距离中点不到一个标准差（$4 < 5.2$）。

结论： 49 升是一个正常结果，既不出众也不糟糕，并不像直觉暗示的那样“非常好”。

关键要点

• 样本量决定修正必要性：当样本量大于 20 时，直接使用样本标准差计算 90% 置信区间误差可接受；样本量越小，越需要使用 Student t 分布进行修正，否则区间会过窄。
• 标准差的不确定性：在计算置信区间时，必须考虑标准差 $\hat{\sigma}$ 本身的估计误差，不能将其视为已知常数 $\sigma$。
• 双样本估算技巧：在仅有两个样本值的情况下，可以通过将两数之差乘以 1.3 来快速估算标准差。
• 避免直觉偏差：仅凭两个数据点的大小比较容易产生“显著优于平均”的错觉。通过估算标准差，可以客观判断新数据点是否真的具有统计意义上的显著性。
• 历史背景：Student t 分布由吉尼斯酿酒师 William Sealy Gosset 发明，旨在解决小样本啤酒酿造数据的质量控制问题，并以化名“Student”发表。

意义与影响

这篇文章不仅回顾了统计学中一个经典但常被忽视的概念——Student t 分布，还将其转化为极具操作性的实践指南。

1. 纠正统计直觉：在数据科学、A/B 测试和日常数据分析中，人们往往倾向于使用正态分布假设，尤其是在样本量看似“足够”但实际仍较小的情况下。理解 t 分布的修正作用有助于避免过度自信的错误结论。
2. 提供快速估算工具：提出的“两数之差乘以 1.3”法则，为没有即时计算工具或需要快速决策的场景提供了一个强大的启发式方法。这在敏捷开发、快速原型验证或日常业务沟通中非常有用。
3. 强调波动性的重要性：通过“49 升”的案例，文章强调了在评估结果优劣时，必须考虑过程固有的变异（Variation）。脱离波动性谈均值差异是统计上的谬误。