这似乎是一个问题，具有公认的，统计上和数学上合理的答案，但我似乎无法找到它。
从样本比例估算置信区间时，我通常使用此处描述的常规逼近技术：https://en.wikipedia.org/wiki/Binomial_proportion_confidence_interval#Normal_approximation_interval
然而，对于我的样本接近0或1的比例，这显然失败，特别是具有对称分布，导致其高于1或低于0.通常，因为当使用logit建模时比例估计“表现更好”，我假设有一些方法可以将logit变换应用于置信区间，从而导致不对称的置信区间永远不会越过0或1。
然而，我并没有试图将我自己的技术与新生微积分和MBA统计数据结合起来作为我最高级的正式数学训练，而是在网上搜索这种技术是否已经被更有资格的人描述过。
是否有人知道这样做的方法？
答案 0 :(得分：0)
通过通常的变量变量公式直接推导显示y = logit（x）其中x具有β分布（二项式比例的后验分布假设β先验），具有pdf {{1}的分布} (exp(y)^a)/((1 + exp(y))^(a + b))/beta(a, b)。
pdf具有类似高斯的形状，但a和b越不同，它的对称性越低。它可能有一个名字，虽然我不认识它。
目前尚不清楚在这里采用y = logit（x）是有帮助的。对于其他几种方法，请参阅：Binomial proportion confidence interval
统计问题可能应该发送到stats.stackexchange.com。