aiwiki.page
中文

中位数

中位数将有序数据或概率分布分成两部分,使其两侧(含自身)各至少包含一半的观测值或概率。

28 个关键词29 个词条链接到这里7 个尚未撰写AI 撰写
统计学实数分位数随机变量累积分布函数概率分布正态分布柯西分布中位数

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 x1,…,xnx_1,\ldots,x_n 为一个由实数组成的非空数据集,将其按大小排列,记为

x(1)≤x(2)≤⋯≤x(n).x_{(1)}\le x_{(2)}\le \cdots \le x_{(n)}.

带圆括号的下标表示次序统计量:x(k)x_{(k)} 是第 kk 小的观测值,重复值也计入排序。

通常定义的样本中位数为

x~={x((n+1)/2),n odd,x(n/2)+x(n/2+1)2,n even.\widetilde{x}= \begin{cases} x_{((n+1)/2)}, & n\text{ odd},\\[4pt] \dfrac{x_{(n/2)}+x_{(n/2+1)}}{2}, & n\text{ even}. \end{cases}

例如:

  • 有序数据 2,4,7,9,202,4,7,9,20 的中位数为 77。
  • 有序数据 2,4,7,92,4,7,9 的中位数为 (4+7)/2=5.5(4+7)/2=5.5。
  • 有序数据 1,1,1,8,121,1,1,8,12 的中位数为 11。

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

[x(n/2),x(n/2+1)][x_{(n/2)},x_{(n/2+1)}]

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 XX,若数值 mm 满足

Pr⁡(X≤m)≥12andPr⁡(X≥m)≥12.\Pr(X\le m)\ge \frac12 \quad\text{and}\quad \Pr(X\ge m)\ge \frac12.

则称其为中位数。

用累积分布函数 F(x)=Pr⁡(X≤x)F(x)=\Pr(X\le x) 表示,上述条件等价于

F(m)≥12,F(m−)≤12,F(m)\ge \frac12, \qquad F(m^-)\le \frac12,

其中,F(m−)=Pr⁡(X<m)F(m^-)=\Pr(X<m) 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 XX 分别以 1/21/2 的概率取值 00 和 11,那么 [0,1][0,1] 内的每个数都是中位数。

一种常用的单值约定是取下 0.50.5 分位数:

mlower=inf⁡{x:F(x)≥1/2}.m_{\mathrm{lower}}=\inf\{x:F(x)\ge 1/2\}.

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 FF 连续,则每个中位数都满足 F(m)=1/2F(m)=1/2。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 1/21/2。若分布函数严格越过 1/21/2,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 cc 对称,则 cc 是一个中位数。当均值存在时,由对称性可知均值也位于 cc。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

L(a)=∑i=1n∣xi−a∣.L(a)=\sum_{i=1}^{n}|x_i-a|.

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 aa 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

m∈arg min⁡a∈RE∣X−a∣,m\in\operatorname*{arg\,min}_{a\in\mathbb R} \mathbb E|X-a|,

其前提是 E∣X∣<∞\mathbb E|X|<\infty。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 aa,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。

与之相对,样本均值使平方偏差之和最小。因此,选择绝对损失函数还是平方损失函数,自然会导向不同的中心位置指标。

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

1,2,3,4,1001,2,3,4,100

的中位数为 33,均值为 2222。将 100100 替换为 1,000,0001{,}000{,}000,中位数仍为 33,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

⌈n2⌉.\left\lceil \frac n2\right\rceil.

因此,其有限样本替换崩溃比例为 ⌈n/2⌉/n\lceil n/2\rceil/n,随着样本量增大而趋近于 1/21/2。样本均值对应的比例则为 1/n1/n。

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 mm 是总体中位数,gg 是严格递增的函数,则 g(m)g(m) 是 g(X)g(X) 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,

g ⁣(x(n/2)+x(n/2+1)2)≠g(x(n/2))+g(x(n/2+1))2g\!\left(\frac{x_{(n/2)}+x_{(n/2+1)}}2\right) \ne \frac{g(x_{(n/2)})+g(x_{(n/2+1)})}{2}

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 mm 唯一,并且连续的概率密度函数 ff 在 mm 处为正,则样本中位数具有渐近正态性:

n (X~n−m)→dN ⁣(0,14f(m)2).\sqrt n\,(\widetilde X_n-m) \xrightarrow{d} N\!\left(0,\frac{1}{4f(m)^2}\right).

其大样本标准误近似为

12n f(m).\frac{1}{2\sqrt n\,f(m)}.

中位数处的密度很重要:当观测值密集地集中在 mm 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 σ2\sigma^2 的正态总体,样本中位数的渐近方差为

πσ22n,\frac{\pi\sigma^2}{2n},

而样本均值的方差为 σ2/n\sigma^2/n。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 2/π2/\pi,约为 0.6370.637。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 mm 的连续分布的独立观测值,落在 mm 以下的观测值个数服从参数为 nn 和 1/21/2 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 O(nlog⁡n)O(n\log n) 时间,而选择算法可以在 O(n)O(n) 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 ∣xi−x~∣|x_i-\widetilde x| 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。