數學工具：

1. 標準誤（SE）的計算與意義：\(SE = \frac{SD}{\sqrt{N}}\)
2. 樣本數 N 對精確度的影響

軟體操作：

1. 解讀jamovi 報表 S.E. Mean 的數值意義

對應教材

• 《用 jamovi 上手統計學》
  • 第 8 章：運用樣本估計未知量數（8.1-8.3）

簡報示範資料：課堂 jamovi模擬測試 + IQsim.omv

作業資料：個人化 CLT 模擬資料（W08_CLT_Simulation_[學號].csv）

回顧：你的 W4 資料從哪裡來？

還記得 W4 的 100 筆資料嗎？

• 你清理了 Age 異常值、統一了 Gender 編碼
• 你反向計分 Q3，計算了 Total_Score
• W5/W6 你分析了 Total_Score 的描述統計和圖表
• W7 你檢驗了 Total_Score 是否符合常態分佈

關鍵問題：這 100 筆資料是「全部的真相」嗎？

喝湯的譬喻

母群（Population） = 整鍋湯

• 包含所有可能的觀測值
• 通常不可能全部測量
• 有「真實的」參數：\(\mu\), \(\sigma\)

樣本（Sample） = 喝一口

• 從母群中選取的部分資料
• 我們實際能觀察到的
• 計算出的是「統計量」：\(\bar{X}\), \(s\)

這一口鹹，整鍋湯就一定鹹嗎？

不一定！這就是取樣誤差。

每次喝一口，鹹度都不太一樣。

但如果你喝了很多口，平均起來就會越來越接近整鍋湯的真實味道。

你的 100 筆資料來自 10,000 人母群

你的母群也是客製化的！

參數 vs. 統計量

統計學的核心任務：用已知的樣本統計量推測未知的母群參數

取樣方法

簡單隨機取樣：母群中每個成員被選中的機率相等

• 就像從一袋球中隨機抽取
• 這是統計推論的理論基礎

“簡單”永遠是最困難的方法

取樣方法(續)

現實中的問題：

• 方便取樣（convenience sampling）：只調查身邊的人
• 自願者偏誤：只有有興趣的人回答
• 資格限制：只能取得特定群體資料

好的取樣決定統計推論的品質

大數法則（Law of Large Numbers）

直覺理解：

• 擲骰子 10 次，平均值可能偏離 3.5 很多
• 擲骰子 10,000 次，平均值幾乎就是 3.5

數學表述：

\[\text{當 } n \to \infty \text{ 時，} \bar{X} \to \mu\]

大數法則的視覺化

從一個實驗說起

想像你做了以下實驗：

1. 從母群隨機抽 5 個人，計算他們的平均數 → 記錄下來
2. 放回去，再抽 5 個人，計算平均數 → 再記錄
3. 重複 1,000 次

你會得到 1,000 個平均數。

問題：這 1,000 個平均數會排成什麼形狀？

先看 RT_ms：一個明顯偏態的變項

偏態係數：1.4（遠離 0 = 明顯偏態）

CLT 魔法：偏態變常態！

中央極限定理（CLT）三大重點

無論母群的分佈形狀如何，當樣本數 \(N\) 足夠大：

1. 取樣分佈的平均數 = 母群平均數 \(\mu\)

2. 取樣分佈的標準差 = \(\frac{\sigma}{\sqrt{N}}\)（就是標準誤 SE）

3. 取樣分佈的形狀趨近常態分佈

CLT 是統計推論的基石：它告訴我們，不管母群長什麼樣子，只要 N 夠大，就可以預測每一次的 \(\bar{X}\) 。

樣本分佈 vs. 取樣分佈

以上是最需要區分的觀念！混淆這兩者是學習中央極限定理最常見的障礙。

SD vs. SE：兩個容易混淆的指標

SE 公式的直覺理解

\[SE = \frac{SD}{\sqrt{N}}\]

為什麼除以 \(\sqrt{N}\)？

• 當你平均 \(N\) 個獨立觀測值，每個人的隨機誤差會「互相抵消」
• 平均的效果：把噪音降低 \(\sqrt{N}\) 倍
• \(N = 100\) 時，\(\sqrt{100} = 10\) → 精確度提升 10 倍

精確度競賽：N=5 vs. N=100

SE 公式驗證

比值驗證：\(\frac{SE_{N=100}}{SE_{N=5}} = \frac{\sqrt{5}}{\sqrt{100}} = 0.224\)

實際比值：0.214

理論完美吻合！\(N\) 越大，平均數的估計越精準。

Total_Score 也一樣

即使母群已經近似常態，增大 \(N\) 仍然能顯著縮小 SE！

用jamovi 計算 S.E. Mean

範例資料： IQ_sim.omv

展示調整： 使用Filter指定一次處理的N

操作步驟：

1. Filter設定 ROW()<=N (N = 10逐步增加)
2. Exploration → Descriptives
3. 勾選 Statistics → ✓ S.E. Mean

用jamovi 計算 S.E. Mean (續)

解讀：

• S.E. Mean = \(\frac{SD}{\sqrt{N}}\)
• 這個數字告訴你：「你的平均數估計有多精準」
• S.E. 越小 → 平均數估計越可靠

注意：母群的標準誤是沒有意義的（母群已經是「真理」，不需要估計）

為什麼 N 是科學研究的最強槓桿？

啟示：

• 從 N=5 到 N=30：精確度提升 2.4 倍（投資報酬率最高）
• 從 N=100 到 N=1000：精確度只再提升 3 倍（報酬遞減）

科學研究中，「增加樣本數」是提高研究品質最直接的方法

從點估計到區間估計

點估計：\(\bar{X} = 17.2\) → 這是我們對 \(\mu\) 的最佳猜測

問題：我們有多大的信心？

區間估計：\(17.2 \pm 2 \times SE\) → 我們有 95% 的信心，\(\mu\) 在這個範圍內

下週預告：

• 為什麼是「95%」？
• 什麼是「信賴區間（CI）」？
• 為什麼小樣本需要「t 分佈」而不是「常態分佈」？

本週作業：CLT 視覺化挑戰

資料：個人化 W08_CLT_Simulation_[學號].csv

你的資料包含 6 個變項（各 1,000 筆）：

任務 1：形狀對比（The Shape）

操作：

1. 匯入 CSV，設定所有變項為 Continuous
2. 使用 Exploration → Descriptives 繪製 6 個變項的直方圖
3. 勾選 Statistics：Mean, SD, Skewness

診斷：在報告中描述：

• Pop_XX vs. Means_XX_N## 的分佈形狀差異
• Means_XX_N##的分佈是否符合CLT ？你的判斷是什麼？

任務 2：精確度競賽（The Precision）

計算：

• 記錄 Means_RT_N5 和 Means_RT_N100 的 SD
• 記錄 Means_TS_N5 和 Means_TS_N100 的 SD

驗證：

\[\frac{SE_{N=100}}{SE_{N=5}} \approx \frac{\sqrt{5}}{\sqrt{100}} \approx 0.224\]

你的實際比值是多少？與理論值吻合嗎？

任務 3：觀念辨析

在報告中回答以下問題：

1. 區分概念：「樣本分佈」和「取樣分佈」有什麼不同？請用你檢視分佈狀態的方法說明。

2. SE 的意義：為什麼增加樣本數 \(N\) 可以縮小標準誤？這對以RT或量表進行測量的科學研究有什麼啟示？

3. CLT 的魔法：為什麼即使母群是極端偏態的，樣本平均值累積的分佈卻接近常態分佈？請整合你從W08簡報裡的互動網頁學習心得。

繳交要求

檔案 1：學號_姓名_W8_Lab.omv

• 6 個變項的 Descriptives 分析（直方圖 + 統計量）
• 確認已勾選：Mean, SD, Skewness

檔案 2：學號_姓名_W8_Report.docx

• 分析結果：貼上直方圖與描述統計表，以APA格式說明圖表重點
• 計算驗證：SE 比值計算過程
• 反思問題：回答 3 題觀念問題

繳交期限：本週上課結束前

本週核心概念

1. 母群 vs. 樣本：統計推論 = 用樣本推測母群
2. 大數法則：N 越大，\(\bar{X}\) 越接近 \(\mu\)
3. 中央極限定理：無論母群形狀，\(\bar{X}\) 的分佈趨近常態
4. 標準誤：\(SE = SD / \sqrt{N}\)，衡量估計的精確度
5. N 是最強槓桿：增加樣本數 = 提高精確度

下週預告：信賴區間與 t 分佈

下週問題：

• 我們知道 SE 了，但 95% 信賴區間怎麼算？
• 為什麼小樣本不能用常態分佈，要用 t 分佈？
• 自由度（df）是什麼？為什麼 \(N - 1\)？

資料：個人化 W9 取樣資料（N=5/30/100 三組樣本）

課後資源

關鍵術語對照：

Q & A