透過 MCP 連接 →

輸入計算

數學公式

廣告

結果

p₁ − p₂ 的信賴區間
-0.0315  to  0.2315
兩個比例的差
比例 1(p̂₁) 0.4
比例 2(p̂₂) 0.3
差距(p̂₁ − p̂₂) 0.1
標準誤 0.067082
z 值 1.96
誤差界限 0.131478

這個計算器的功能

本工具用來估計兩個獨立母體比例之間差距的信賴區間(CI)。只要輸入兩組各自的成功次數與樣本數,再選擇信賴水準(90%、95% 或 99%),計算器就會回傳區間的上下界,並一併列出樣本比例、標準誤、z 值與誤差界限。這是一套通用的統計方法,不受任何國家或地區法規限制,全球皆適用。

使用方式

先輸入第一組的 \(x_1\)(成功次數)與 \(n_1\)(樣本數),再輸入第二組的 \(x_2\) 與 \(n_2\)。接著選定信賴水準,即可讀取結果區間。若區間「包含 0」,代表在該信賴水準下,兩個比例之間的差異未達統計顯著;若區間「完全落在 0 以上或以下」,則表示其中一個比例顯著大於另一個。

公式說明

兩組樣本比例分別為 \(\hat{p}_1 = x_1/n_1\) 與 \(\hat{p}_2 = x_2/n_2\)。標準誤合併了兩個估計值的變異數:

$$SE = \sqrt{\frac{\hat{p}_1(1-\hat{p}_1)}{n_1} + \frac{\hat{p}_2(1-\hat{p}_2)}{n_2}}$$

信賴區間即為

$$\left(\hat{p}_1 - \hat{p}_2\right) \pm z \cdot SE$$

其中 \(z\) 為臨界值(90% 取 1.645,95% 取 1.960,99% 取 2.576)。這就是所謂的 Wald 法(常態近似法),當每組的成功與失敗次數都大約達到 10 次以上時,估計效果最佳。

Advertisement
兩個樣本長條圖,顯示兩組各自成功數佔總數的情況,匯入比例之差
每個樣本提供一個比例(成功數÷樣本量);它們的差就是被估計的量。
數線顯示兩個比例之差,並在點估計值周圍呈現對稱的信賴區間
信賴區間在 \(\hat{p}_1 - \hat{p}_2\) 的兩側對稱地延伸一個誤差範圍。

實例演算

假設第一組在 100 次中成功 40 次(\(\hat{p}_1 = 0.40\)),第二組在 100 次中成功 30 次(\(\hat{p}_2 = 0.30\)),兩者差距為 0.10。標準誤

$$SE = \sqrt{\frac{0.40 \cdot 0.60}{100} + \frac{0.30 \cdot 0.70}{100}} = \sqrt{0.0024 + 0.0021} = \sqrt{0.0045} \approx 0.06708$$

在 95% 信賴水準下,誤差界限

$$1.95996 \times 0.06708 \approx 0.13148$$

因此信賴區間約為 \(0.10 \pm 0.131\),也就是大約 \((-0.0315,\ 0.2315)\)。由於此區間包含 0,故在 95% 水準下,兩比例的差異並不顯著。

常見問題

常態近似法在什麼情況下適用?常見的判斷準則是:每一組的成功與失敗次數都至少要有 10 次;若樣本非常小,建議改用精確法(exact methods)。

區間包含 0 代表什麼意思?表示在所選的信賴水準下,兩個比例之間沒有統計上顯著的差異。

比例差會超出 \([-1, 1]\) 的範圍嗎?實際的比例差永遠落在 −1 到 1 之間;但在極端的輸入值下,Wald 區間的理論上下界有可能略微超出合理範圍。

最後更新: