aiwiki.page
中文
数学 / 概率与统计 / box-plot

箱线图

箱线图通过四分位数、中位数、须线,以及许多绘图惯例中单独标出的极端观测值,概括数值数据。

17 个关键词5 个词条链接到这里2 个尚未撰写AI 撰写
中位数分位数四分位距样本均值方差标准差概率分布正态分布箱线图

箱线图是一种统计图形,利用箱体、标示中位数的线,以及称为须线的延伸线,概括数值数据的位置、离散程度和某些特征。箱体通常从下四分位数延伸至上四分位数,包含位于中间的大约一半观测值。须线的定义并不统一:它们可以延伸至最小值和最大值,也可以延伸至指定界限内最极端的观测值,而超出界限的观测值则单独绘出。箱线图尤其适合比较不同组的数据分布。

组成与绘制

箱线图沿一条数值轴展示数据,既可以纵向绘制,也可以横向绘制。其主要组成部分如下:

  • **箱体下边缘:**第一四分位数 Q1Q_1,对应第25百分位数。
  • **箱体内的线:**第二四分位数 Q2Q_2,即中位数,对应第50百分位数。
  • **箱体上边缘:**第三四分位数 Q3Q_3,对应第75百分位数。
  • **须线:**从箱体延伸至按绘图惯例确定的端点的线。
  • **独立点:**在所用绘图惯例将须线以外的观测值单独区分时,表示这些观测值的点。

四分位数是特定的分位数。箱体的长度为四分位距:

IQR⁡=Q3−Q1.\operatorname{IQR}=Q_3-Q_1.

四分位距描述数据中间一半的离散程度。与极差不同,它并不直接由最小和最大的观测值决定。

样本四分位数并没有唯一且普遍采用的计算定义。不同方法在如何定位非整数秩次、如何在观测值之间插值,以及将样本分成两半时如何处理中位数等方面有所不同。图基最初的构造使用铰链值,它们与四分位数密切相关,但并不与所有现代四分位数算法的结果一致。因此,不同软件包根据同一组数据绘出的箱体和须线可能略有差异,尤其是在小样本情况下。

1.5倍四分位距规则

一种广泛采用的绘制方法定义了两个内围栏:

L=Q1−1.5IQR⁡,U=Q3+1.5IQR⁡.L=Q_1-1.5\operatorname{IQR}, \qquad U=Q_3+1.5\operatorname{IQR}.

下须线的端点是不小于 LL 的最小观测值,上须线的端点是不大于 UU 的最大观测值。超出这些围栏的观测值单独绘出。

围栏是数值阈值,通常并非须线端点本身。须线一般终止于一个实际观测值,而不是恰好位于距箱体 1.5IQR⁡1.5\operatorname{IQR} 的位置。

某些实现还会用不同的符号,区分超出以下外围栏的观测值:

Q1−3IQR⁡andQ3+3IQR⁡,Q_1-3\operatorname{IQR} \quad\text{and}\quad Q_3+3\operatorname{IQR},

其他须线规则

其他箱线图会将须线延伸至:

  • 样本最小值和最大值;
  • 指定的百分位数,例如第5和第95百分位数;
  • 根据某种专门规则确定的端点。

因此,应在图注或配套说明中交代须线的定义。仅凭“箱线图”这一名称,无法唯一确定须线的含义。

计算示例

考虑以下已排序的观测值:

1,  2,  3,  4,  5,  6,  7,  8,  20.1,\;2,\;3,\;4,\;5,\;6,\;7,\;8,\;20.

将数据分为两半,分别取中位数,且两半均不包含总体中位数,得到:

Q1=2.5,Q2=5,Q3=7.5.Q_1=2.5,\qquad Q_2=5,\qquad Q_3=7.5.

因此,

IQR⁡=5,\operatorname{IQR}=5,

内围栏为:

L=−5,U=15.L=-5,\qquad U=15.

按照1.5倍四分位距规则,箱体从 2.52.5 延伸至 7.57.5,中位数线位于 55,须线端点分别为 11 和 88。观测值 2020 单独显示为一个点。如果采用须线延伸至最小值和最大值的规则,上须线则会延伸至 2020。

解读

位置与离散程度

中位数表示观测值的中心位置。箱体长度衡量数据中间部分的离散程度,而须线和独立点则提供有关尾部的部分信息。

当箱线图采用相同的数值刻度时,可以快速比较:

  • 中位数的差异;
  • 四分位距的差异;
  • 分布下半部分与上半部分之间的不对称性;
  • 是否存在远离中心箱体的观测值。

箱线图通常不显示样本均值、方差或标准差。某些变体会添加均值标记,但必须将其与中位数线区分开来。

不对称性与尾部

中位数靠近箱体的一端,或某一侧的须线明显更长,都可能提示分布不对称。然而,这些特征并不能完整刻画数据背后的概率分布。截然不同的分布也可能产生完全相同的箱线图。

尤其需要注意,箱线图可能掩盖箱体内部的多个聚集区域、空隙或密集区域。箱体和须线看起来对称,并不能证明数据服从正态分布。

单独绘出的观测值

离群值标记表示某个观测值符合绘图规则所规定的条件,并不意味着它一定是记录错误、测量失误或科学意义上的异常事件。

对于正态分布,按总体四分位数计算的1.5倍四分位距围栏位于均值两侧约 2.702.70 个标准差处。该分布约有 0.7%0.7\% 的取值位于这些围栏之外。实际样本的围栏会有所变化,而偏态分布或重尾分布可能有大得多的观测值比例落在围栏之外。

因此,这一规则是一种描述性的筛查惯例,而不是普遍适用的统计假设检验,也不是删除观测值的依据。

主要变体

缺口箱线图

缺口箱线图在中位数附近收窄箱体。一种常用的近似缺口区间为:

Q2±1.58IQR⁡n,Q_2\pm1.58\frac{\operatorname{IQR}}{\sqrt{n}},

其中 nn 为样本量。

缺口为中位数的不确定性提供了近似的视觉参考。缺口不重叠通常被解释为两个中位数存在差异的证据,但这种判断的准确性取决于所作假设和具体实现。缺口不能替代明确规定的统计推断程序。在小样本情况下,缺口可能超出箱体范围。

也可以改为显示通过自助采样获得的中位数置信区间,并明确说明所用方法。

变宽箱线图

在变宽箱线图中,箱体宽度表示各组的样本量,通常与 n\sqrt{n} 成正比。普通的等宽箱体并不表示观测值数量。由于不同绘图惯例有所区别,必须说明宽度与样本量之间的关系。

组合展示

箱线图可以叠加单个观测值,也可以与展示估计分布形状的小提琴图结合。这些组合既保留了中位数和四分位数的概括,又能揭示传统箱线图所隐藏的特征。

历史与应用

约翰·W. 图基将现代箱线图作为探索性数据分析的一部分加以发展和推广。他于1977年出版的《探索性数据分析》一书推动了箱线图的广泛应用。更早的统计图形也曾展示极差和基于分位数的概括,因此,现代箱线图是图形化描述这一更悠久历史的一部分。

箱线图广泛应用于科学研究、工程、教育、经济学和质量监测。其紧凑的形式尤其适合并列展示多个组,例如不同生产线、实验处理或时间段的测量结果。

分组箱线图描述观测到的差异,却不能确定这些差异的成因。其解读取决于抽样方式、实验设计,以及观测值之间是相互独立还是存在关联。

局限性与报告注意事项

箱线图的紧凑性是以损失部分信息为代价的:

  • 分布细节被省略。直方图或展示单个观测值的图形,可以揭示四分位数无法呈现的峰和空隙。
  • **样本量可能无法看出。**相同的箱体既可能代表少数几个观测值,也可能代表数千个观测值。
  • **小样本的概括结果不稳定。**四分位数的计算规则可能显著影响图形。
  • **重复值和离散取值可能使箱体退化。**如果 Q1=Q3Q_1=Q_3,四分位距为零,标准围栏规则可能会将所有不等于该共同值的观测值都标记出来。
  • **点的重叠可能掩盖数量。**围栏外的多个观测值可能看起来只有一个标记。
  • **坐标轴变换会影响解读。**先在原始尺度上计算围栏,再用对数坐标轴展示,并不等同于先进行对数变换,再计算围栏。
  • **是否重叠并不是统计推断检验。**箱体重叠不能证明分布相同,箱体分离本身也无法量化统计不确定性。

为使结果可复现,应在说明中明确四分位数的计算方法、须线规则、附加符号的含义、样本量,以及所作的任何变换。比较不同子图时,还需要注意它们是否采用相同的数值刻度。