114 年 國立臺灣大學農業經濟學系碩士班《統計學（E）》

這是一道關於單因子變異數分析 (One-way ANOVA) 的題目，主要考驗對 ANOVA 表格的理解、F 統計量的計算以及如何根據 F 檢定結果做出統計推論。

核心觀念：
ANOVA 的核心在於分解總變異 (Total Sum of Squares, SST) 為組間變異 (Between Groups Sum of Squares, SSB) 與組內變異 (Within Groups Sum of Squares, SSW)。自由度 (degrees of freedom, df) 的關係為 $df_{Total} = df_{Between} + df_{Within}$。F 統計量是組間均方 (Mean Square Between, MSB) 與組內均方 (Mean Square Within, MSW) 的比值，用於檢定各組的母體均值是否相等。

解題過程：

1.1 計算 (a) 總自由度與 (b) F 統計量

• (a) 總自由度 (Total df):
  ANOVA 表格中的自由度關係為：$df_{Total} = df_{Between} + df_{Within}$。
  根據表格，我們有 $df_{Between} = 2$ 以及 $df_{Within} = 30$。
  因此，總自由度 $(a) = 2 + 30 = 32$。

• (b) F 統計量:
  F 統計量的計算公式為：$F = \frac{MS_{Between}}{MS_{Within}}$。
  從表格中，我們已知 $MS_{Between} = 75.225$ (由 $SS_{Between} / df_{Between} = 150.45 / 2$ 計算得出) 且 $MS_{Within} = 13.87$。
  因此，F 統計量 $(b) = \frac{75.225}{13.87} \approx 5.4236$。

  【答案】(a) 32, (b) 5.4236

1.2 陳述虛無與對立假設

這是一道關於點估計與估計量性質的題目，特別是 Cramer-Rao Lower Bound (CRLB) 和最大概似估計量 (MLE)。

核心觀念：

• Cramer-Rao Lower Bound (CRLB): 提供任何不偏估計量 (unbiased estimator) 的最小可能變異數的下界。如果一個估計量的變異數等於 CRLB，則稱該估計量為有效 (efficient) 的不偏估計量。
• 最大概似估計量 (MLE): 透過最大化樣本數據出現機率的函數 (概似函數) 來求得參數的估計值。
• 常態分布的參數估計： 對於常態分布 $N(\mu, \sigma^2)$，$\mu$ 的 MLE 通常是樣本均值 $\bar{X}$，$\sigma^2$ 的 MLE 通常是樣本變異數的修正項（但在此題中 $\sigma^2$ 已知）。

解題過程：

2.1 計算 $\hat{\mu}$ 的 Cramer-Rao Lower Bound (CRLB)

CRLB 的計算通常涉及計算對數概似函數 (log-likelihood function) 對參數的微分的平方期望值，這稱為 Fisher Information。
對於一個給定的參數 $\theta$，其 Fisher Information $I(\theta)$ 定義為：
$I(\theta) = E\left[ \left( \frac{\partial}{\partial \theta} \ln L(\theta | X) \right)^2 \right] = -E\left[ \frac{\partial^2}{\partial \theta^2} \ln L(\theta | X) \right]$
其中 $L(\theta | X)$ 是概似函數。
CRLB 是 $1 / I(\theta)$。

對於常態分布 $W \sim N(\mu, \sigma^2)$，其機率密度函數 (PDF) 為：
$f(w | \mu, \sigma^2) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left(-\frac{(w-\mu)^2}{2\sigma^2}\right)$

對於一個樣本 $W_i$，其對數機率密度函數為：
$\ln f(w_i | \mu, \sigma^2) = -\frac{1}{2}\ln(2\pi\sigma^2) - \frac{(w_i-\mu)^2}{2\sigma^2}$

對於一個包含 $n$ 個獨立同分布樣本的樣本集 $\{W_1, \dots, W_n\}$，對數概似函數為：
$\ln L(\mu | W_1, \dots, W_n) = \sum_{i=1}^n \ln f(w_i | \mu, \sigma^2) = -\frac{n}{2}\ln(2\pi\sigma^2) - \sum_{i=1}^n \frac{(w_i-\mu)^2}{2\sigma^2}$

現在我們對 $\mu$ 求微分：

這是一道關於預測問題的題目，涉及利用樣本資訊來估計一個由未來獨立觀測值組成的線性組合的點估計、變異數以及信賴區間。

核心觀念：

• 線性組合的期望值與變異數： 若 $A$ 和 $B$ 是獨立隨機變數，則 $E(A+B) = E(A) + E(B)$ 且 $\text{Var}(A+B) = \text{Var}(A) + \text{Var}(B)$。
• 常態分布的性質： 若 $X_i \sim N(\mu, \sigma^2)$，則 $\bar{X} \sim N(\mu, \sigma^2/n)$。
• 預測區間 (Prediction Interval)： 當母體參數未知時，預測區間的建構通常會用到 t 分布。
• 樣本變異數： $S^2 = \frac{1}{n-1}\sum_{i=1}^n (X_i - \bar{X})^2$。

解題過程：

3.1 導出 Y 的 (a) 點估計量與 (b) 變異數

• (a) Y 的點估計量:
  我們希望預測 $Y = X_{n+1} + X_{n+2}$。由於 $X_{n+1}$ 和 $X_{n+2}$ 與樣本 $\{X_1, \dots, X_n\}$ 是獨立同分布的，我們可以用樣本均值 $\bar{X}$ 來估計母體均值 $\mu$。
  對於 $X_{n+1}$，其點估計量為 $E(X_{n+1}) = \mu$，我們用 $\bar{X}$ 來估計。
  對於 $X_{n+2}$，其點估計量為 $E(X_{n+2}) = \mu$，我們用 $\bar{X}$ 來估計。
  因此，Y 的點估計量 $\hat{Y}$ 是：
  $\hat{Y} = \hat{E}(X_{n+1}) + \hat{E}(X_{n+2}) = \bar{X} + \bar{X} = 2\bar{X}$。

• (b) Y 的變異數:
  由於 $X_{n+1}$ 和 $X_{n+2}$ 是獨立的，且它們的分布與 $X_1, \dots, X_n$ 相同，所以：
  $\text{Var}(Y) = \text{Var}(X_{n+1} + X_{n+2}) = \text{Var}(X_{n+1}) + \text{Var}(X_{n+2})$。
  由於 $X_{n+1}$ 和 $X_{n+2}$ 的母體變異數是 $\sigma^2$，所以：
  $\text{Var}(Y) = \sigma^2 + \sigma^2 = 2\sigma^2$。

  【答案】(a) $\hat{Y} = 2\bar{X}$ (b) $\text{Var}(Y) = 2\sigma^2$

3.2 導出 Y 的 $100(1-\alpha)\%$ 信賴區間

當母體參數 $\mu$ 和 $\sigma^2$ 未知時，我們使用樣本均值 $\bar{X}$ 和樣本變異數 $S^2$ 來估計它們。
首先，我們知道 $\bar{X}$ 是 $\mu$ 的估計量，其變異數為 $\sigma^2/n$。
然而，我們需要預測 $X_{n+1}$ 和 $X_{n+2}$，這涉及到對未來觀測值的預測。
預測一個新的觀測值 $X_{new}$ 的區間，當 $\mu$ 和 $\sigma^2$ 未知時，是基於 $t$ 分布的。
對於單一新觀測值 $X_{new}$，其預測變異數是 $\text{Var}(X_{new}-\bar{X}) = \text{Var}(X_{new}) + \text{Var}(\bar{X}) = \sigma^2 + \frac{\sigma^2}{n} = \sigma^2(1 + \frac{1}{n})$。
因此，對於 $X_{new}$ 的信賴區間是 $\bar{X} \pm t_{\alpha/2, n-1} \sqrt{S^2(1 + \frac{1}{n})}$。

現在我們考慮 $Y = X_{n+1} + X_{n+2}$。
我們使用 $\hat{Y} = 2\bar{X}$ 作為點估計量。
我們需要估計 $\text{Var}(Y)$。我們知道 $\text{Var}(Y) = 2\sigma^2$。
當 $\sigma^2$ 未知時，我們用 $S^2$ 來估計。所以，$\text{Var}(Y)$ 的估計量是 $2S^2$。

但是，這個變異數 $2S^2$ 是對 $\text{Var}(Y)$ 的估計，而 $Y$ 本身是 $X_{n+1}+X_{n+2}$。
預測 $Y = X_{n+1} + X_{n+2}$ 的變異數，我們實際上需要考慮的是預測誤差的變異數。
預測誤差為 $Y - \hat{Y} = (X_{n+1} + X_{n+2}) - 2\bar{X}$。

核心觀念

自然對數轉換定義為：

其定義域要求 $Y>0$。因此，若結果變數 $Y$ 含有 $0$ 或負值，就無法直接計算 $\ln(Y)$。

對數轉換的常見用途是壓縮極端值、減少右偏，並使迴歸係數具有百分比變化的解釋；但它並不能處理非正值。

解題方法

判斷各選項是否會使 $\ln(Y)$ 無法適用：

• 若 $Y$ 高度右偏但仍全部為正，仍可取自然對數。
• 若 $Y=0$，則 $\ln(0)$ 無定義。
• 若 $Y<0$，則在實數範圍內 $\ln(Y)$ 無定義。

因此，真正會造成直接取對數問題的是結果變數含有許多零值或負值。

選項分析

• (a) The distribution of the outcome variable is highly skewed

  錯誤。結果變數高度偏態通常正是使用對數轉換的理由之一，因為對數可以壓縮較大的觀察值、降低右偏程度。只要所有 $Y$ 都是正值，偏態本身不會使 $\ln(Y)$ 無法計算。

這是一道關於解釋帶有交互項 (interaction term) 的迴歸模型係數的題目，特別是在面板數據 (panel data) 的情境下。

核心觀念：
當迴歸模型中包含交互項時，一個自變數的係數解釋會依賴於其他交互變數的水平。

解題過程：

模型為：$Y_{it} = \alpha + \beta AQ_{it} + \gamma TP_{it} + \delta (AQ_{it} \times TP_{it}) + \epsilon_{it}$
估計結果為：$\hat{\beta} = -100$, $\hat{\gamma} = -100$, $\hat{\delta} = -1$。

我們要判斷哪些敘述是合理的。

• (a) 敘述： 當年平均 PM2.5 濃度增加 $1 \mu g/m^3$ 時，每英畝稻米產量平均下降 100 公斤。
  這個敘述忽略了交互項 $\delta (AQ_{it} \times TP_{it})$ 的影響。
  AQ 的邊際效應 (marginal effect) 對於 Y 的改變是：
  $\frac{\partial Y}{\partial AQ} = \beta + \delta TP$。
  只有當 $TP=0$ 的時候，AQ 的邊際效應才等於 $\beta = -100$。
  由於 TP 是溫度，在實際情況下不太可能為 0，所以這個敘述不一定正確。
  此敘述不 Sensible。

核心觀念

本題考查「遺漏變數偏誤」（omitted variable bias）。若科技進步同時影響解釋變數與應變數，卻未納入迴歸模型，則科技進步的效果可能被錯誤歸因於其他解釋變數，使估計結果產生偏誤。

常見處理方法包括：

1. 直接加入科技進步的衡量變數。
2. 使用年份固定效果，控制各年度共同的不可觀察因素。
3. 使用適當的時間序列迴歸模型，處理時間趨勢、序列相關或其他動態效果。

解題方法

判斷各選項是否能降低科技進步造成的遺漏變數偏誤。若科技進步具有隨年份變化的特性，可將模型寫成：

其中 $T_t$ 代表科技進步的衡量變數。若沒有直接觀察到 $T_t$，也可以加入年份固定效果：

其中 $D_{st}$ 為年份虛擬變數，用以控制特定年度共同受到的科技、制度或總體環境變化。

若資料具有時間序列特性，則可進一步使用時間序列迴歸模型，控制時間趨勢、落後項或誤差項的序列相關。

選項分析

• (a) Find some measures of technology and control for those measures

這是一道關於模型選擇的問題，特別是線性模型與分段線性模型（或稱虛擬變數模型）的比較。

核心觀念：

• 線性模型： 假設自變數與應變數之間存在線性關係。
• 分段線性模型/虛擬變數模型： 當我們認為自變數對應變數的影響在不同區間內是不同的，或者變化的斜率不同時，可以使用虛擬變數來捕捉這種非線性關係。
• 模型選擇的原則： 選擇最能解釋數據、且不過度擬合的模型。

解題過程：

我們要選擇一個模型來估計商店訪問次數 ($Y_i$) 與評論分數 ($X_i$) 之間的關係。$X_i$ 的範圍是 1 到 5。

• 模型 (1): $Y_i = \alpha + \beta X_i + \epsilon_i$
  這個模型假設評論分數 $X_i$ 對商店訪問次數 $Y_i$ 產生一個恆定的、線性的影響。也就是說，每提高一分評論分數，訪問次數的變化量是固定的 $\beta$。這對於一個連續變數來說是一個基本的假設。

• 模型 (2): $Y_i = \alpha + \beta_1 \mathbb{1}[X_i < 2] + \beta_2 \mathbb{1}[X_i \ge 2 \text{ and } X_i < 3] + \beta_3 \mathbb{1}[X_i \ge 3 \text{ and } X_i < 4] + \beta_4 \mathbb{1}[X_i \ge 4 \text{ and } X_i \le 5] + \epsilon_i$
  這個模型將評論分數 $X_i$ 分成了四個區間：[1, 2), [2, 3), [3, 4), [4, 5]。
  它假設在每個區間內，訪問次數相對於一個基底（在這裡是 $X_i < 1$ 的情況，因為 $\alpha$ 是截距項，但模型沒有明確定義 $X_i < 1$ 的情況，通常會設定一個基底組，例如 $X_i < 2$ 或 $X_i = 1$）。
  更準確地說，這個模型實際上是將 $X_i$ 轉換成了四個虛擬變數。
  $\beta_1$ 代表 $X_i \in [1, 2)$ 的平均訪問次數（相對於某個基底）。
  $\beta_2$ 代表 $X_i \in [2, 3)$ 的平均訪問次數（相對於某個基底）。
  以此類推。
  這個模型捕捉的是「區間效應」，而不是連續的線性效應。它暗示了不同分數區間的平均訪問次數可能不同，但並沒有捕捉到分數在區間內部連續變化的影響。
  這個模型有一個問題：它沒有包含一個基底組。 如果 $X_i$ 的值是 1，那麼所有虛擬變數都是 0。這相當於將 $X_i=1$ 作為基底。
  然而，這個模型忽略了 $X_i$ 在區間內部的連續變化。例如，它無法區分 $X_i=1.1$ 和 $X_i=1.9$ 對 $Y_i$ 的影響，它們都會被歸入 $\beta_1$ 所代表的組別。

• 模型 (3): $Y_i = \alpha + \beta_1 \mathbb{1}[X_i \ge 2 \text{ and } X_i <3] + \beta_2 \mathbb{1}[X_i \ge3 \text{ and } X_i <4] + \beta_3 \mathbb{1}[X_i \ge 4 \text{ and } X_i \le 5] + \epsilon_i$
  這個模型將 $X_i$ 分成了三個區間：[2, 3), [3, 4), [4, 5]。
  它假設 $X_i=1$ 是基底組（因為沒有對應的虛擬變數）。
  $\beta_1$ 代表 $X_i \in [2, 3)$ 的平均訪問次數，相對於 $X_i=1$ 的平均訪問次數。
  $\beta_2$ 代表 $X_i \in [3, 4)$ 的平均訪問次數，相對於 $X_i=1$ 的平均訪問次數。
  $\beta_3$ 代表 $X_i \in [4, 5]$ 的平均訪問次數，相對於 $X_i=1$ 的平均訪問次數。
  這個模型同樣忽略了 $X_i$ 在區間內部連續變化的影響。

比較與選擇：

• 模型 (1) 假設了評論分數與訪問次數之間存在簡單的線性關係。這是一個標準且常用的假設，如果數據大致符合這個模式，它是一個簡潔且有解釋力的模型。
• 模型 (2) 和 (3) 試圖捕捉非線性關係，但它們將連續變數離散化，並假設在每個離散區間內，變數的影響是恆定的（或者說，模型只捕捉了區間的平均差異，而不是區間內斜率的變化）。
  模型 (2) 包含了 $X_i < 2$ 的情況，而模型 (3) 以 $X_i = 1$ 作為基底。
  模型 (2) 的定義更完整，因為它涵蓋了 $X_i$ 的整個範圍 [1, 5]。
  但是，這兩種分段模型（2 和 3）都假設了在每個分數區間內，影響是恆定的，這可能過於簡化。例如，從 3 分到 4 分，訪問次數可能不是一個固定的變化，而是隨著分數的增加而連續變化。

這是一道關於抽樣方法的應用題，主要探討在社群媒體上進行自願性問卷調查的優缺點。

核心觀念：

• 自願性參與 (Voluntary Participation): 受訪者自行決定是否參與調查。
• 社群媒體平台 (Social Media Platforms): 數據收集的管道。
• 抽樣偏差 (Sampling Bias): 由於非隨機的參與方式，導致樣本無法代表目標母體。
• 適當性 (Appropriateness): 在何種情況下，這種方法雖然有缺陷，但仍可被接受或有用。

解題過程：

缺點 (Disadvantages)：

1. 非代表性樣本 (Non-representative Sample): 自願參與者可能與不參與者在某些特徵上（如態度、行為、人口統計學特徵）存在系統性差異。這稱為「參與者偏差」(participation bias) 或「自願者偏差」(volunteer bias)。
2. 樣本選擇偏差 (Sample Selection Bias): 數據收集的平台（社群媒體）本身也可能限制了樣本的代表性，例如，較年輕、較活躍的用戶可能更傾向於參與。
3. 結果推論受限 (Limited Generalizability): 由於樣本偏差，研究結果很難推論到更廣泛的母體。

何時適合 (When Appropriate)：

這是一道關於解釋「相關不等於因果」的題目。

核心觀念：
相關性 (correlation) 表示兩個變數一起變動的趨勢，但並不意味著一個變數的變化是另一個變數變化的原因。因果關係 (causation) 則是指一個變數的變化直接導致另一個變數的變化。
「相關不等於因果」的核心在於可能存在第三個潛在變數 (confounding variable) 同時影響了這兩個變數，或者兩者之間只是巧合。

解題過程：
需要提供一個具體例子來說明這個概念。

常見例子：

1. 冰淇淋銷量與溺水人數： 夏季時，冰淇淋銷量和溺水人數都會增加。兩者高度相關，但冰淇淋銷量不會導致溺水，也不是溺水導致冰淇淋銷量增加。真正的原因是高溫（第三個變數），高溫促使人們吃冰淇淋，也促使人們去游泳而可能溺水。

這是一道開放性問題，旨在了解學生在統計學或計量經濟學學習過程中的收穫與體悟。回答的重點在於「學到了什麼」以及「為什麼重要/有用」。

核心觀念：

• 統計學/計量經濟學的應用： 這些學科提供的工具和思維方式，如何幫助我們理解世界、做出決策。
• 批判性思維： 識別數據中的偏差、陷阱，以及對研究結果進行審慎評估的能力。
• 模型與現實的關係： 理解模型是現實的簡化，以及模型的局限性。

解題思路：

1. 選擇一個具體學到的概念或技能： 可以是某個檢定方法、模型的解釋、抽樣的原理、因果推論的思維、數據的批判性閱讀等。
2. 解釋這個概念/技能的實質內容： 簡要說明它是什麼。
3. 闡述其重要性或有用性： 說明為什麼它讓你覺得重要，它如何幫助你理解世界、解決問題，或避免誤判。
4. 確保符合字數限制。

可能的學習重點與理由：

• 「相關不等於因果」的思維：
  • 學到：數據中的相關性很多，但要判斷因果關係需要嚴謹的設計（如實驗、工具變數、RDD等）。
  • 重要性：避免被表面相關性誤導，做出錯誤的決策。能更批判性地看待新聞報導或研究結果。