中位数是统计学中衡量中心位置的指标。对于有限数据集,它是将观测值按大小排列后位于中间的数值;若中间有两个数值,通常取两者的算术平均值。对于概率分布,中位数是这样的数值:小于或等于它的概率至少为一半,大于或等于它的概率也至少为一半。与算术平均值不同,中位数主要取决于数据的次序,而非极端观测值的大小,因此适合描述偏斜数据以及含有异常大值或异常小值的数据。
数据集的中位数
设 为一个由实数组成的非空数据集,将其按大小排列,记为
带圆括号的下标表示次序统计量: 是第 小的观测值,重复值也计入排序。
通常定义的样本中位数为
例如:
- 有序数据 的中位数为 。
- 有序数据 的中位数为 。
- 有序数据 的中位数为 。
因此,中位数不一定是实际观测到的数值。存在重复值时,严格小于或严格大于中位数的观测值也可能少于一半。确切的要求针对的是小于或等于中位数,以及大于或等于中位数的观测值。
偶数样本量与其他约定
当样本量为偶数时,区间
内的每个数值,都满足上述将相等情况计入的要求,即两侧各有至少一半的观测值。取区间中点,相当于从该区间中选出一个代表值。其他约定则选取区间的下端点或上端点,尤其是在计算经验分位数时。
对于有序类别,例如从“差”到“优”的评分,可以确定居中的类别,但对两个类别求平均通常没有意义。当观测值个数为偶数,且中间两个类别不同时,就需要约定报告方式。因此,常见的中点公式以所用数值尺度上的平均运算有意义为前提。
概率分布的中位数
对于实值随机变量 ,若数值 满足
则称其为中位数。
用累积分布函数 表示,上述条件等价于
其中, 为左极限。
实数轴上的每个概率分布都至少有一个有限的中位数,但中位数不一定唯一。例如,若 分别以 的概率取值 和 ,那么 内的每个数都是中位数。
一种常用的单值约定是取下 分位数:
对于样本量为偶数且中间两个观测值不同的经验分布,这一定义给出的是中间两个观测值中较小的一个,而不是两者的平均值。
若 连续,则每个中位数都满足 。仅有连续性并不能保证唯一性:分布函数可能在整个区间内恒等于 。若分布函数严格越过 ,则中位数唯一。
对称性与均值的存在性
若一个概率分布关于点 对称,则 是一个中位数。当均值存在时,由对称性可知均值也位于 。对称性并不一定意味着中位数唯一。
正态分布具有唯一的中位数,且等于其均值。相比之下,柯西分布的一个中位数位于其位置参数处,但其均值没有定义。因此,对于一些不存在期望值的分布,中位数仍有意义。
绝对偏差刻画
中位数在数学优化中有一个重要解释:它使绝对偏差之和最小,即最小化
当样本量为奇数时,使其最小的数值是中间的观测值。当样本量为偶数时,所有最小化点构成的集合是中间两个观测值之间的闭区间。
这一结论可由各个绝对值项的斜率得出。在相邻观测值之间,将 稍向右移,会增大它到左侧各观测值的距离,同时减小它到右侧各观测值的距离。当向任一方向移动都不能使总距离减小时,就达到了最小值。
相应的总体结论为
其前提是 。在这一条件下,最小化点恰好就是所有中位数。若一阶绝对矩为无穷大,则对每个有限的 ,通常定义的绝对损失期望都是无穷大,因此仅凭这一表达式就无法再区分中位数与其他数值。
稳健性与局限
中位数是稳健统计学中的典型例子。将数据集中的最大观测值改成一个大得多的数值,只要它在排序中的位置不变,中位数通常就不会改变。相比之下,样本均值会直接随该观测值的大小而变化。
例如,数据
的中位数为 ,均值为 。将 替换为 ,中位数仍为 ,而均值会大幅增加。
崩溃点
替换崩溃点描述的是:为使一个估计值变得任意极端,必须替换的观测值所占的比例。对于通常定义的样本中位数,所需替换的最少观测值个数为
因此,其有限样本替换崩溃比例为 ,随着样本量增大而趋近于 。样本均值对应的比例则为 。
这并不意味着中位数不受低于50%的污染影响。较小比例的污染也可能使中位数发生偏移,有时偏移幅度还相当大,尤其是在分布的中位数附近概率很小时。
中位数无法描述的特征
仅凭中位数,既不能了解数据的离散程度,也不能了解其分布形状。变异程度、不对称性或聚类结构大不相同的数据集,也可能具有相同的中位数。一般也不能用中位数推算总量:将收入中位数乘以人口数,并不能得到总收入。
一般而言,仅凭各组的中位数和样本量,无法计算合并后数据的中位数。与均值不同,这还需要各组内部观测值分布的更多信息。
对于右偏数据,经常提到“均值大于中位数”这一大小关系。它适用于许多常见分布,但并非适用于所有偏度定义的普遍定理。
变换
中位数在保持次序的变换下具有自然的对应关系。若 是总体中位数, 是严格递增的函数,则 是 的一个中位数。严格递减变换也会将中位数映射为中位数,只是次序会反转。
对于样本量为奇数的样本,中间的次序统计量在严格单调变换下同样具有精确的对应关系。然而,对于样本量为偶数的样本,取中点的约定未必能与非线性变换交换运算次序;一般而言,
成立。
因此,先按通常约定求样本中位数,再作非线性变换,可能不同于先变换数据,再按通常约定求中位数。
统计估计与不确定性
样本中位数是总体中位数的一个估计量。若各观测值相互独立且来自同一分布,总体中位数 唯一,并且连续的概率密度函数 在 处为正,则样本中位数具有渐近正态性:
其大样本标准误近似为
中位数处的密度很重要:当观测值密集地集中在 附近时,中位数的估计更为精确。若中位数不唯一,或该处密度为零,这一近似可能失效。
对于方差为 的正态总体,样本中位数的渐近方差为
而样本均值的方差为 。因此,在该模型下,样本中位数相对于样本均值的渐近效率为 ,约为 。这一比较仅针对正态模型;在其他分布下,中位数可能表现得更好。
可以利用次序统计量构造总体中位数的不依赖分布的置信区间。对于来自中位数为 的连续分布的独立观测值,落在 以下的观测值个数服从参数为 和 的二项分布。根据适当的二项分布尾概率,可以确定用哪些有序观测值作为区间端点。
计算
将观测值排序,再提取中间的一个或两个数值,是一种直接的方法,但排序并非必需。选择算法无需对整个数据集完全排序,就能找出具有指定秩的观测值。
基于比较的排序通常需要 时间,而选择算法可以在 的期望时间内找到中位数;确定性选择算法也能达到最坏情况下的线性时间。这些界限使用大O记号表示,并以适当的比较与存储模型为前提。
对于逐个到来的观测值序列,可以使用两个堆来维护精确的动态中位数:一个保存数据中较小的部分,另一个保存较大的部分。插入操作需要对数时间,而读取中间的一个或两个数值只需常数时间。直接的精确实现会保留全部观测值;对于规模极大的数据流,通常使用近似分位数方法进行概括。
应用与相关概念
中位数广泛用于描述收入、房产价格、等待时间,以及其他具有不对称分布的测量值。它表示的是排序中的中心位置,而不是对总量的平均贡献。
以下几种相关构造扩展了中位数的用途:
- 加权中位数: 对于总权重为正的非负权重,加权中位数满足:严格小于它或严格大于它的观测值,其权重之和均不超过总权重的一半。它使加权绝对偏差之和最小。
- 中位数绝对偏差: 距离 的中位数,是一种稳健的离散程度指标。
- 分位数回归: 中位数回归通过最小化绝对残差之和来估计条件中位数。其他分位数则通过非对称加权的绝对损失求得。
- 几何中位数: 对于欧几里得空间中的点,几何中位数使到各观测点的距离之和最小。分别取各坐标的中位数,通常会得到不同的结果,而且该结果依赖于坐标轴的选择。
- 中值滤波: 将信号或图像中的每个值替换为其局部邻域的中位数,可以抑制孤立的极端值。由于中值滤波是非线性的,其特性与均值滤波不同。