KNOWECON WIKI

ARTICLE

平均绝对偏差

平均绝对偏差（Mean Absolute Deviation, MAD）是统计学中用于衡量一组数据离散程度的基本指标，其定义为各个数据点与算术平均数之差的绝对值的算术平均数。与方差和标准差相比，平均绝对偏差以原始数据的单位直接表示离散程度，不涉及平方运算，因此对异常值的影响更稳健，在直观解释和鲁棒性分析方面具有独特的优势。 定义与计算公式 对于一组观测值 x

浏览 0 更新 2025-10-26

平均绝对偏差（Mean Absolute Deviation, MAD）是统计学中用于衡量一组数据离散程度的基本指标，其定义为各个数据点与算术平均数之差的绝对值的算术平均数。与方差和标准差相比，平均绝对偏差以原始数据的单位直接表示离散程度，不涉及平方运算，因此对异常值的影响更稳健，在直观解释和鲁棒性分析方面具有独特的优势。

定义与计算公式

对于一组观测值 x1,x2,…,xnx_1, x_2, \dots, x_n，设其算术平均数为 xˉ\bar{x}，则平均绝对偏差的计算公式为：

MAD=1n∑i=1n∣xi−xˉ∣\text{MAD} = \frac{1}{n} \sum_{i=1}^{n} |x_i - \bar{x}|

其中，绝对值符号 ∣⋅∣| \cdot | 确保每个离差都取非负值。无论离差的方向是正还是负，MAD 只关心偏离的大小，从而直观地反映所有数据点偏离中心位置的平均距离。若数据来自整个总体，分母直接使用 nn；若为样本，通常同样使用 nn 而非 n−1n-1，这与样本方差使用 n−1n-1 作为分母的做法有所区别。当数据分布对称且不存在极端值时，MAD 的解释非常直接：例如，若某班级考试成绩的 MAD 为 5 分，则说明平均而言，每位学生的成绩与班级平均分相差约 5 分。

与标准差的核心区别

标准差（Standard Deviation, SD）的计算公式为 1n∑(xi−xˉ)2\sqrt{\frac{1}{n}\sum (x_i - \bar{x})^2}，它对离差进行平方运算后再开方。虽然二者的单位都与原始数据相同，但平方过程赋予了大离差更大的权重，使得标准差对极端值更为敏感。具体而言：

  • 直观解释层面：MAD 直接对应于"平均偏离距离"这一日常概念。当向非专业背景的听众解释数据离散程度时，MAD 往往比标准差更容易理解。例如，"平均偏差 5 分"比"标准差为 6.4 分"更具直观性。
  • 异常值的影响：由于平方运算，一个极端值可以使标准差成倍增加，而 MAD 受单个极端值的影响则相对有限。例如，数据集 [10,12,14,16,100][10, 12, 14, 16, 100] 的均值为 30.4，MAD 约为 22.7，而标准差约为 34.9。可见，单个异常值 100 对标准差的拉动效应远大于对 MAD 的影响。这使得 MAD 在存在异常值的数据分析中表现得更加稳健。
  • 数学性质：标准差在微积分意义上处处可导，这使其在参数估计、最大似然估计和梯度下降等优化算法中具有便利性。MAD 的绝对值函数在零点不可导，这在一定程度上限制了它在需要求导的算法中的应用，但可以通过次梯度或线性规划等技术加以解决。

样本 MAD 与总体 MAD 的关系

在实际数据分析中，我们往往使用样本来推断总体。样本 MAD 的计算公式与总体 MAD 相同，但需要注意，样本 MAD 是总体 MAD 的有偏估计，其期望值略低于总体的真实 MAD。对于服从正态分布的数据，样本 MAD 的期望值为 σ2/π\sigma \sqrt{2/\pi}，其中 σ\sigma 为总体标准差。因此，若需要将样本 MAD 转换为总体标准差的估计值，可以乘以校正因子 π/2≈1.253\sqrt{\pi/2} \approx 1.253。这一关系在统计质量控制（SPC）中常用于从平均极差或平均偏差估计过程标准差。

多领域的应用场景

平均绝对偏差因其稳健性和直观性，在多个学科领域中得到广泛应用：

金融与投资领域：在投资组合理论中，Konno 和 Yamazaki 于 1991 年提出了基于 MAD 的投资组合优化模型，作为经典均值-方差模型的重要替代方案。由于金融资产收益率序列常呈现尖峰厚尾分布，方差和标准差会因极端收益或损失而高估风险，MAD 则提供了一种更加保守且符合投资者直觉的风险度量方式。MAD 投资组合模型的求解可转化为线性规划问题，计算效率高于需要二次规划的均值-方差模型。

机器学习与数据科学：在回归分析中，平均绝对误差（Mean Absolute Error, MAE）本质上即为预测误差的 MAD，是评价回归模型性能的常用指标。与均方误差（MSE）相比，MAE 对异常预测值更加鲁棒，因此在数据包含离群点时，MAE 是更可靠的评价指标。此外，L1 正则化（Lasso 回归）的核心思想即围绕绝对值偏差展开，通过引入惩罚项实现特征选择。

工业统计质量控制：在制造过程监控中，MAD 可用于估计过程的短期变异水平。与传统控制图使用极差或标准差不同，MAD 在小样本场景下对异常值具有更好的抵抗能力，有助于减少误报警。

气象与环境科学：在评估气候模型或空气质量模型的预报精度时，MAD 被用作衡量模型平均预测偏差的综合指标。由于气象数据往往包含极端天气事件，使用标准差可能高估模型的总体误差，而 MAD 能够更加公平地反映模型在常规条件下的表现。

与其他离散度量的比较

除 MAD 和标准差外，常用的离散度量还包括四分位距（IQR）和极差。极差仅依赖于数据中的最大值和最小值，极不稳定；IQR 仅反映中间 50\% 数据的散布范围，虽对异常值具有极强的抵抗能力，但丢弃了半数数据信息。MAD 在信息利用率和稳健性之间取得了较好的平衡——它充分利用了全部数据点，同时对极端值保持了适度的抗性。因此，平均绝对偏差作为离散度量的重要一员，在探索性数据分析、稳健统计和实际工程应用中始终占据着不可替代的地位。