3. 区间估计基础

点估计只给出一个数值，而区间估计给出一个带有可信程度的范围。在不确定性报告中，最常见的三种区间是置信区间、预测区间和容忍区间。它们回答的问题并不相同：置信区间关心“总体参数在哪里”，预测区间关心“下一次观测值会落在哪里”，容忍区间关心“总体中多大比例的个体被覆盖”。混淆三者，是区间报告最常见的错误来源。

三种区间各自回答什么问题

设样本来自均值 μ、标准差 σ 的正态总体，样本量为 n，样本均值 x̄、样本标准差 s。以 95% 水平为例：

• 置信区间（CI）：估计总体均值 μ 的范围，x̄ ± t_0.975,n−1 · s/√n。它随 n 增大而收窄，最终可趋近于一个点。
• 预测区间（PI）：估计单个未来观测值 x_new 的范围，x̄ ± t_0.975,n−1 · s·√(1+1/n)。即使 n 趋于无穷，宽度也不会小于约 ±1.96σ，因为个体本身的随机波动无法通过增加样本消除。
• 容忍区间（TI）：以给定置信度 γ 覆盖总体比例 p 的范围，双侧情形近似为 x̄ ± k·s，其中 k 由 n、p、γ 共同决定（如 n=30、p=0.95、γ=0.95 时 k≈2.55）。它同时承担“覆盖比例”和“覆盖置信度”两重保证。

三者的宽度关系通常是：置信区间最窄，容忍区间居中或接近预测区间，预测区间最宽（单侧或小样本时排序可能变化，但 CI 一般最窄）。这一宽度差异正是它们语义差异的直接体现。

频率派视角：区间是随机程序的一次实现

频率派把 μ 视为固定未知常数，把区间端点视为随机变量。95% 置信区间的准确含义是：如果重复抽样并每次构造区间，长期约有 95% 的区间会包含真值 μ。它不表示“μ 落在本次区间内的概率是 95%”。因此报告时应写“95% 置信区间为 [a, b]”，而不是“μ 有 95% 概率在 [a, b] 内”。容忍区间同理，其置信度 γ 描述的是“该构造方法长期能生成覆盖至少 p 比例总体的区间”的频率。

频率派方法不需要先验分布，计算透明、可复现，是工程验收和法规检测中的主流选择。缺点是区间不能直接回答“给定数据后参数的概率分布”，且在小样本下对分布假设较敏感。

贝叶斯视角：区间是后验分布的分位区间

贝叶斯方法为 μ 设定先验 p(μ)，结合似然得到后验 p(μ|x)。可信区间（Credible Interval）取后验分布的 2.5% 与 97.5% 分位点，其解释是直接的：“给定数据和先验，μ 落在该区间内的后验概率为 95%”。这与频率派置信区间的解释有本质区别。

贝叶斯框架还能自然给出预测分布：对 x_new 的后验预测分布积分掉参数不确定性，得到贝叶斯预测区间；对总体覆盖比例的要求，则可通过后验抽样计算容忍区间。其代价是需要选择先验，且结果对先验敏感，尤其在小样本时。实践中常用弱信息先验以降低主观性，并在报告中同时给出先验与后验的敏感性分析。

实践中的选择与报告要点

选择哪种区间取决于问题对象：评估工艺均值是否达标，用置信区间；判断下一件产品是否超差，用预测区间；承诺“95% 的产品在规格内”，用容忍区间。报告时必须写明区间类型、水平、样本量、分布假设和方法（如 t 分布、Bootstrap、贝叶斯后验分位），并避免把置信区间当作个体范围使用。

频率派与贝叶斯并非对立：大样本且先验较弱时，两者数值往往接近，差异主要体现在解释方式与不确定性来源的建模上。可信度报告的关键不是选边，而是让区间类型与所回答的问题严格匹配，并把方法假设写清楚。