估计(Estimation)，亦称推定，是求得近似值（或估计值）的过程，近似值或估计值是不完全准确，但是会在实务上使用的数值，不准确的原因可能是因为有不确定性、输入资料不足、或是本身有不稳定性。但这个数值是由已知资讯所得的最佳结果，可在实务上使用[1]。估计常常“是由母群体中的样本计算某一统计量，再以此来估计母群体对应的统计量。”[2]样本中提供了一些信息，可以由来描述所需资讯的范围。若估计值超过实际值，称为高估（overestimate）[3]，若估计值低于实际值，称为低估（underestimate）[4]。
如何估计
估计一般是透过抽样来达到，针对较少量的样本进行计算，再以计算结果来推算母群体的结果[1]。其中一个例子是估计糖果罐内的糖果，因为只有一部份的糖果看的到，糖果在罐中的分布不一定平均，观察者可以计算看的到的糖果数量，根据糖果罐大小，假定糖果是均匀分布，再估计其他部分的糖果数量。像舆论调查及社会统计调查也是类似用少量的数据得到个群体的结果。
在估计时，其目标是要产生可能结果的范围，范围要有一定程度，有实用价值的精密度（precision），但精密度又要在技术可行范围内，避免因为精密度过高反而不准确（accuracy）[2]。例如在估计糖果罐内糖果数量时，若可以看到其中的一半，那总数量就可以估计为看到个数的二倍，若看到的是100颗糖果，其估计值可能会是200颗，这种估计方式最接近实际值的单一数值，称为点估计[2]。不过点估计不准的机率较高，以此例来说，若糖果不是均匀分布，略有偏差，估计值就可能不准[2]。另外一种作法是区间估计，会取一个较大的范围，则实际值在此范围内的机率也就比较高，不过范围若太大，估计就不一定有用了[2]。例如，若估计喜欢糖果的人的比例，估计比例在0%到100%之间一定正确[2]，但若是要计划派对中要买多少糖果，上述的估计就没有用了。
估计的应用
在数学上会用近似的方式，针对一个无法准确计算的量，以其上限及下限的方式来描述，而逼近理论可以针对一些复杂的函数，找到较简单的近似函数，以得到有用的估计值[5]。在统计学中，利用资料计算，得到的估计数值称为估计量（estimator），估计理论可以找到有良好性质的估计值。在信号处理中，也会用此方式，用已量测、含有杂讯的讯号，来估计没有量测到的真实讯号。若有一些估计是要在观测之前就要进行，就会用预测的方式。例如物理中的费米问题，就是在已有资讯不多的情形下，利用合理的猜测来估算一些看似无法计算的数值。
近似在企业及经济学中都很重要，因为在一个大规模活动进行时，可能的变数太多。专案管理中的估计也很重要，虽然无法事先知道过程中会发生的所有问题以及影响，但仍需要进行人力计划以及原物件采购的计划。在进行专案时，会需要各方面的资源，因此专案开始时，成本估计很重要，可以事先估计需要的资源[6]。美国政府问责署定义成本估计为：“以现有已知的资讯，利用已知的方法以及月有效的数据，估计计划未来的成本，所得个别成本估计的总和。”[7]。而且专案计不能低估专案的需求，因为若需求没有满足，就会让专案的时程往后延，但又不能过度高估专案的需求，以免没用到的资源形成浪费。若在只有少数资讯时，所做的非式估计称为Guesstimate，因为所得结果可能只比纯猜测要好一点而已。
相关条目
参考资料
外部链接
Wikiwand in your browser!
Seamless Wikipedia browsing. On steroids.
Every time you click a link to Wikipedia, Wiktionary or Wikiquote in your browser's search results, it will show the modern Wikiwand interface.
Wikiwand extension is a five stars, simple, with minimum permission required to keep your browsing private, safe and transparent.
