KNOWECON WIKI

ARTICLE

描述性统计分析

描述性统计分析 (Descriptive Statistical Analysis) 描述性统计分析 (Descriptive Statistical Analysis) 是统计学的一个核心分支，其主要目标是利用图表、表格和概括性数值来组织、总结和呈现收集到的数据的主要特征。它致力于描述数据集本身的情况，而不对数据所来自的更广泛的总体 (Population

浏览 42 更新 2025-10-22

描述性统计分析 (Descriptive Statistical Analysis)

描述性统计分析 (Descriptive Statistical Analysis) 是统计学的一个核心分支，其主要目标是利用图表、表格和概括性数值来组织、总结和呈现收集到的数据的主要特征。它致力于描述数据集本身的情况，而不对数据所来自的更广泛的总体 (Population) 进行推断或概括。描述性统计是进行任何定量分析的第一步，也是后续更复杂的推断性统计分析 (Inferential Statistics) 的基础。

描述性统计分析的目标

描述性统计分析的核心目的可以归结为以下几点：

  1. 数据简化 (Data Simplification)：将庞大而复杂的数据集转化为更易于理解和管理的摘要信息。
  2. 模式识别 (Pattern Identification)：揭示数据中潜在的分布模式、趋势和关系。
  3. 信息传达 (Information Communication)：通过标准化的度量和可视化方法，清晰、准确地向他人传达数据的主要发现。

描述性统计分析的主要类别

描述性统计分析的方法通常分为两大类：数值度量方法和图表呈现方法。

一. 数值度量方法 (Numerical Measures)

数值度量方法使用单一的数值来概括数据的某个特定方面。它们主要分为三类：集中趋势的度量、离散程度的度量和位置与分布形态的度量。

1. 集中趋势的度量 (Measures of Central Tendency)

这类度量用于描述数据集的“中心”或“典型”值在哪里。

  • 均值 (Mean)：也称为算术平均值，是所有数据值的总和除以数据点的个数。它是最常用的集中趋势度量。
  • 对于一个大小为 N N 的总体，总体均值 μ \mu 的计算公式为：
μ=∑i=1NxiN\mu = \frac{\sum_{i=1}^{N} x_i}{N}
  • 对于一个大小为 n n 的样本，样本均值 xˉ \bar{x} 的计算公式为：
xˉ=∑i=1nxin\bar{x} = \frac{\sum_{i=1}^{n} x_i}{n}

注意：均值对离群值 (Outlier) 非常敏感。一个极端大或极端小的值会显著影响均值的结果。

  • 中位数 (Median)：将所有数据值按升序或降序排列后，位于最中间位置的数值。如果数据点个数 n n 为奇数，中位数是第 (n+1)/2 (n+1)/2 个值；如果 n n 为偶数，中位数通常定义为中间两个值的平均数。中位数不受离群值的影响，因此对于偏斜分布或含有极端值的数据集，中位数是比均值更好的集中趋势度量。
  • 众数 (Mode)：数据集中出现频率最高的数值。一个数据集可以有一个众数（单峰）、两个众数（双峰）或多个众数（多峰），也可能没有众数。众数是唯一可以用于分类数据 (Categorical Data) 的集中趋势度量。

2. 离散程度的度量 (Measures of Dispersion)

这类度量用于描述数据点围绕中心值的散布或变异程度。

  • 极差 (Range)：数据集中最大值与最小值之差。它计算简单，但因为它只依赖于两个极端值，所以对离群值非常敏感，并且忽略了数据内部的分布情况。
  • 方差 (Variance)：衡量每个数据点与其均值之间距离的平方的平均值。它反映了数据的整体波动性。
  • 总体方差 σ2 \sigma^2 ：
σ2=∑i=1N(xi−μ)2N\sigma^2 = \frac{\sum_{i=1}^{N} (x_i - \mu)^2}{N}
  • 样本方差 s2 s^2 ：
s2=∑i=1n(xi−xˉ)2n−1s^2 = \frac{\sum_{i=1}^{n} (x_i - \bar{x})^2}{n-1}

注意：在计算样本方差时，分母为 n−1 n-1 ，这被称为“贝塞尔校正”。使用 n−1 n-1 是为了得到总体方差的无偏估计。这里的 n−1 n-1 也是自由度 (Degrees of Freedom) 的概念。

  • 标准差 (Standard Deviation)：方差的算术平方根。它的主要优点是其单位与原始数据相同，因此比方差更具解释性。
  • 总体标准差 σ=σ2 \sigma = \sqrt{\sigma^2}
  • 样本标准差 s=s2 s = \sqrt{s^2}
  • 四分位距 (Interquartile Range, IQR)：第三四分位数 (Q3 Q_3 ) 与第一四分位数 (Q1 Q_1 ) 之差，即 IQR=Q3−Q1 IQR = Q_3 - Q_1 。它衡量了数据中间50\%部分的散布范围，并且像中位数一样，它对离群值具有稳健性。

3. 位置与分布形态的度量 (Measures of Position and Shape)

这类度量描述了特定数据点在数据集中的相对位置或整个数据集的分布形状。

  • 百分位数 (Percentile) 和 四分位数 (Quartile)：百分位数将数据集分为100个相等的部分，而四分位数则将其分为四个相等的部分。例如，第75百分位数 (P75 P_{75} ) 指的是数据集中有75\%的值小于或等于该值，它与第三四分位数 (Q3 Q_3 ) 是等价的。
  • 偏度 (Skewness)：衡量数据概率分布非对称性的度量。
  • 右偏（正偏）：分布的尾部向右侧延伸，均值 > 中位数 > 众数。
  • 左偏（负偏）：分布的尾部向左侧延伸，均值 < 中位数 < 众数。
  • 对称分布：左右对称，偏度接近0，例如在正态分布中，均值 = 中位数 = 众数。
  • 峰度 (Kurtosis)：衡量数据分布尖锐程度或“尾部厚度”的度量。
  • 高尖峰 (Leptokurtic)：比正态分布更尖峭，尾部更厚，峰度值 > 3。
  • 平顶峰 (Platykurtic)：比正态分布更平坦，尾部更薄，峰度值 < 3。
  • 正态峰 (Mesokurtic)：峰度与正态分布相当，峰度值 ≈ 3。

二. 图表呈现方法 (Graphical and Tabular Methods)

图表方法将数据可视化，使得模式、趋势和异常点一目了然。

  • 频数分布表 (Frequency Distribution Table)：将定量数据 (Quantitative Data) 分成若干个连续的区间（或组），然后统计每个区间内数据出现的频数。这是绘制直方图的基础。
  • 条形图 (Bar Chart)：用于展示分类数据的频数或比例。每个类别由一个独立的条形表示，条形的高度（或长度）与其频数成正比。
  • 直方图 (Histogram)：用于展示定量数据的频数分布。与条形图不同，直方图的条形是连续的，代表了连续的数值区间。直方图的形状可以直观地反映数据的分布形态（如偏度、峰态）。
  • 箱形图 (Box Plot)：也称箱线图，它通过“五数概括”（最小值、第一四分位数Q1 Q_1 、中位数、第三四分位数Q3 Q_3 、最大值）来展示数据的分布。箱形图在识别离群值和比较不同组别数据分布时尤其有用。
  • 散点图 (Scatter Plot)：用于展示两个定量变量之间的关系。通过观察点的分布模式，可以初步判断变量间是否存在线性关系、非线性关系，或是没有关系。

描述性统计分析的角色与局限性

角色：描述性统计分析是探索性数据分析 (Exploratory Data Analysis, EDA) 的核心组成部分。在进行任何复杂的建模或假设检验之前，研究人员必须首先通过描述性统计来理解他们的数据。这一步骤有助于发现数据录入错误、识别异常值、了解变量分布，并为后续分析提供方向。

局限性：描述性统计分析的主要局限在于它无法“超越”数据本身。它不能用来从样本推断总体的特征，也不能用来正式检验关于总体的假设。例如，你可以计算一个样本的均值，但不能仅凭此就确定它与另一个样本的均值是否存在“统计学上显著”的差异。这些任务属于推断性统计分析的范畴。