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 ,对应第25百分位数。
- **箱体内的线:**第二四分位数 ,即中位数,对应第50百分位数。
- **箱体上边缘:**第三四分位数 ,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:
下须线的端点是不小于 的最小观测值,上须线的端点是不大于 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 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:
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:
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:
因此,
内围栏为:
按照1.5倍四分位距规则,箱体从 延伸至 ,中位数线位于 ,须线端点分别为 和 。观测值 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 。
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 个标准差处。该分布约有 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:
其中 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 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 ,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。