6. 統計推論

EDA 看到的是「這批樣本」的現象;統計推論要回答更大的問題:這個現象在母體也成立嗎,還是只是抽樣運氣好?

核心觀念

統計推論(Statistical Inference)用樣本推估母體,三件武器:假設檢定判斷差異是否顯著、信賴區間(Confidence Interval)給估計值一個合理範圍、實驗設計確保資料本身能回答因果問題。判讀時看三個量:p-value(顯著性)、效果量(Effect Size)說差異有多大、統計檢定力(Power)說真有差異時抓到的機率。

白話理解

電商想知道新版結帳頁是否提升轉換率:先做 A/B Test,算好樣本量、隨機分組、跑滿實驗期間,再用假設檢定看顯著性。若不能做實驗(例如「補習是否提升薪資」),就進入因果推論:控制混雜因子,用反事實思維問「同一個人若沒補習會如何」。

三大支柱

• 假設檢定:設定虛無假設、計算 p-value、控制兩類錯誤,搭配信賴區間報告估計範圍
• A/B Test:實驗設計、樣本量計算、顯著性判讀 — 假設檢定的商業落地版
• 因果推論:處理觀察性資料的混雜因子,追求「因果」而非「相關」
• 回饋迴圈:推論結果會回頭修正問題定義,推論不是終點,是下一輪分析的起點

🎯 口訣:p-value 說「有沒有差」,效果量說「差多大」,檢定力說「抓不抓得到」。

iPAS 考點

考「顯著不等於重要」:樣本夠大時,微小差異也會統計顯著,所以要同時報效果量。也考流程排序:先定假設與樣本量、再收資料、最後看 p-value —「先偷看結果再決定要不要繼續收」是經典錯誤選項。