样本量很大时的置信区间

我的问题可以改写为“如何使用大数据评估抽样误差”，特别是对于期刊出版物。这是说明挑战的示例。

通过一个非常大的数据集（来自100多家医院的100000例独特患者及其处方药），我有兴趣估算服用特定药物的患者比例。得到这个比例很简单。它的置信区间（例如，参数或自举）非常紧密/狭窄，因为n非常大。尽管样本量很大很幸运，但我仍在寻找一种方法来评估，呈现和/或可视化某些形式的错误概率。尽管置入/可视化置信区间似乎无益（如果没有误导）（例如95％CI：.65878-.65881），但似乎也无法避免一些不确定性陈述。

请让我知道你的想法。我将不胜感激有关该主题的任何文献。即使样本量很大也可以避免对数据过度自信的方法。

在我的一些研究中也出现了这个问题（作为流行病建模者，我有自己的能力来制作自己的数据集，并且拥有足够大的计算机，它们的大小基本上可以任意设定。一些想法：

• 在报告方面，我认为您可以报告更精确的置信区间，尽管这样做的实用性在一定程度上值得怀疑。但这并没有错，对于如此大的数据集，我认为并没有太多人要求报告两个需求置信区间，然后抱怨我们真的希望它们都四舍五入到两位数，等等。
• 在避免过度自信方面，我认为关键是要记住精度和准确性是不同的东西，并避免尝试将两者混为一谈。当您拥有大量样本时，很容易陷入对估计效果的精确度的误解，而不认为它也可能是错误的。我认为这是关键-有偏见的数据集在N = 10或100或1000或100,000处会有偏倚。

大型数据集的全部目的是提供精确的估计，因此我认为您不必回避这种精度。但是您必须记住，仅通过收集大量不良数据就无法改善不良数据。

我自己的手稿中出现了这个问题。

1.报告选项： 如果要报告的配置项只有一个或几个，则报告“（例如95％CI：.65878-.65881）”不是太冗长，它突出了CI的准确性。但是，如果您有大量配置项，则总括声明可能会对读者有所帮助。例如，我通常会报告一些结果，即“在此样本量下，每个比例的95％置信度误差小于+/- .010。” 我通常在“方法”或“表”或“图”的标题中，或在两者中都报告类似的内容。

2.即使在样本量很大的情况下，也要避免“过分自信”： 对于100,000个样本，在报告比例的CI时，中心极限定理将使您安全。因此，在您描述的情况下，您应该可以，除非存在我不知道的其他假设违规情况（例如，违反了iid）。

不要报告置信区间。而是报告确切的样本量和比例。读者将能够按自己希望的任何方式来计算自己的CI。

考虑一下100家不同医院的比例未收敛到相同平均值的可能性。您是否测试了组间差异？如果各医院之间存在可测量的差异，则不支持基于共同的正态分布生成样本的假设，并且您不应该将其汇总。

但是，如果您的数据确实来自正态分布的大样本，那么您将不会找到有用的“不确定性陈述”作为数据的属性，而是在反思为什么或为什么不应该对统计数据进行概括时-您应该指出一些收藏中固有的偏见，或缺乏平稳性等。