為何要研究抽樣與估計#

每日我們觀察到的 S&P 500、Nikkei 等指數本質上只是抽樣（samples）——它們並不涵蓋全部美國或日本股票，卻被視為母體行為的有效指標。

對分析師而言，從樣本計算出來的任何統計量，都只是底層**母體參數（population parameter）**的估計值。

本章介紹兩個核心主題：

• 抽樣：如何取得樣本
• 估計：如何由樣本回答「這個參數的值是多少？」

分析師必須對統計結果保持批判眼光，因為樣本品質決定推論品質。若樣本有偏，結論也會有偏。

抽樣方法#

**母體（population）**為某指定群體的所有成員；樣本為母體的一部分。參數描述母體；**統計量（statistic）**描述樣本。

抽樣的理由：

• 母體無法完全觀察
• 觀察全母體成本過高

簡單隨機抽樣#

簡單隨機抽樣（simple random sampling）：母體中每個元素被選入子集的機率相等。常用做法：將母體編號後以隨機數對應抽取。

若母體成員無法完整編號，可採系統抽樣（systematic sampling）——每第 $k$ 個成員選一個，產生近似隨機的樣本。

樣本平均數與母體平均數的差異稱為抽樣誤差（sampling error）。這是用時間與金錢換來的代價。

分層隨機抽樣#

分層隨機抽樣（stratified random sampling）：依一或多個分類標準將母體分為層（strata, cells），從每層中抽取與其相對大小成比例的簡單隨機樣本，再合併為一份分層隨機樣本。

優點：

• 確保母體中關注的子群體都在樣本中出現
• 比簡單隨機抽樣精確度更高（變異數更小）

債券指數化常採分層抽樣。把指數債券依存續期、現金流分布、產業、信用評等與贖回特性分層，再依每層市值比例抽取，比簡單隨機抽樣更能精確複製指數的風險特性。

時間序列 vs 橫斷面資料#

• 時間序列資料（time series data）：在等距時點上的觀察序列
• 橫斷面資料（cross-sectional data）：在單一時點對多個個體的觀察

跨越結構性斷點的樣本（如固定匯率與浮動匯率制度合併）等於從多個母體抽樣，會導致參數估計失真。選擇樣本期間時須留意制度與政策變化。

樣本平均數的分布#

抽樣分布#

樣本統計量本身就是隨機變數，因此也有自己的分布——稱為抽樣分布（sampling distribution）。

**樣本平均數的標準誤（standard error）**為其抽樣分布的標準差：

$$ \sigma_{\bar{X}} = \frac{\sigma}{\sqrt{n}} $$

（母體變異數已知時）

中央極限定理#

中央極限定理（central limit theorem, CLT）：對於來自任意分布、平均數 $\mu$、變異數 $\sigma^2$ 的母體，當樣本大小 $n$ 足夠大時，樣本平均數 $\bar{X}$ 的抽樣分布近似於：

$$ \bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right) $$

CLT 的重要性：

• 即使母體分布未知，樣本平均數仍可用常態分布近似
• 一般認為 $n \geq 30$ 即為「足夠大」
• 這是大樣本下構造信賴區間與檢定的理論基礎

點估計與區間估計#

估計量的良好性質#

**估計量（estimator）**是估計參數的公式；**估計值（estimate）**是由樣本計算出的特定數值。理想估計量應具備：

• 不偏（unbiasedness）：期望值等於母體參數
• 有效（efficiency）：在不偏估計量中具有最小變異數
• 一致（consistency）：當樣本變大，估計準確的機率隨之增加

點估計與區間估計#

• 點估計（point estimate）：以單一數值估計參數
• 區間估計（interval estimate）：以一個範圍涵蓋參數，並附帶機率

信賴區間（confidence interval, CI）：以給定機率 $1-\alpha$（稱信賴水準）保證涵蓋參數的區間。一般結構為：

$$ \text{點估計} \pm \text{可靠度因子} \times \text{標準誤} $$

母體平均數的信賴區間#

情境 A：母體常態、變異數 $\sigma^2$ 已知：

$$ \bar{X} \pm z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}} $$

其中 $z_{\alpha/2}$ 為標準常態分布的臨界值（如 $z_{0.025} = 1.96$ 對應 95% CI）。

情境 B：母體常態、變異數 $\sigma^2$ 未知：使用 Student t 分布

$$ \bar{X} \pm t_{\alpha/2, n-1} \cdot \frac{s}{\sqrt{n}} $$

情境 C：大樣本、母體分布未知：可由 CLT 使用 $z$ 或 $t$ 分布。$z$ 統計量的 CI 比 $t$ 統計量略窄、較不保守。

Student t 分布#

Student t 分布為一族對稱分布，由單一參數**自由度（degrees of freedom, df）**決定：

• 大小為 $n$ 的樣本，估計母體變異數時有 $n-1$ 個自由度
• t 分布尾部比標準常態厚（fatter tails）
• 自由度趨於無窮時，t 分布收斂至標準常態分布

自由度反映「估計變異數時實際獨立的偏差數」：因為 $n$ 個離均差受到「總和為 0」的限制，僅有 $n-1$ 個可獨立變動。

樣本資料的常見陷阱#

財金資料常有多種偏誤，未察覺可能扭曲推論：

• 倖存者偏誤（survivorship bias）：分析中排除已退市或因表現不佳被剔除的公司，使結果偏向倖存者
• 資料探勘偏誤（data-mining bias）：在資料中反覆搜尋模式，可能找到「實則為偶然」的關係
• 預看偏誤（look-ahead bias）：模型使用市場參與者當下尚未取得的資料
• 時段偏誤（time-period bias）：所選時段使結果具有特定時段特性，或跨越結構轉折點

樣本大小的選擇還需考慮：

• 對精確度的需求
• 抽到多個母體的風險
• 各種樣本大小的成本

樣本「越大越好」並非總是正確。樣本若跨越結構斷點（例如低風險策略期間與高風險策略期間混合），會抽自不同母體，反而扭曲推論。

本章重點回顧#

• 抽樣方法包括簡單隨機抽樣與分層隨機抽樣；分層抽樣可確保子群體被代表且提高精確度
• 時間序列與橫斷面為分析師最常處理的兩種資料；混合不同制度的資料等同於從多個母體抽樣
• 中央極限定理：大樣本下，樣本平均數的抽樣分布近似常態，與母體分布無關
• 樣本平均數的標準誤為 $\sigma/\sqrt{n}$；估計量應具備不偏、有效、一致三項性質
• 信賴區間結構為「點估計 ± 可靠度因子 × 標準誤」；已知變異數用 $z$，未知變異數用 $t$
• t 分布由自由度決定，比標準常態厚尾，自由度大時收斂為標準常態
• 倖存者偏誤、資料探勘偏誤、預看偏誤、時段偏誤是常見的樣本資料陷阱