KNOWECON WIKI

ARTICLE

描述统计

描述统计 (Descriptive Statistics) 描述统计是统计学两大核心分支之一（另一个是推断统计），其任务是对已有数据集合的整体特征进行概括、组织和呈现，而不涉及从样本推断总体的过程。描述统计回答"数据告诉我们什么"——通过数值指标和可视化手段，揭示数据的集中趋势、离散程度、分布形态等基本特征。 与推断统计不同，描述统计不依赖概率模型，也不对数

浏览 4 更新 2025-11-09

描述统计 (Descriptive Statistics)

描述统计是统计学两大核心分支之一（另一个是推断统计），其任务是对已有数据集合的整体特征进行概括、组织和呈现，而不涉及从样本推断总体的过程。描述统计回答"数据告诉我们什么"——通过数值指标和可视化手段，揭示数据的集中趋势、离散程度、分布形态等基本特征。

与推断统计不同，描述统计不依赖概率模型，也不对数据来源的总体做出假设。它是对数据本身的忠实刻画，是任何数据分析流程的起点。无论是探索性数据分析还是正式研究报告，描述统计都是不可或缺的第一步。

数据的类型

在讨论描述统计的具体方法之前，必须区分数据类型，因为不同类型的变量适用不同的描述手段：

  • 分类变量 (Categorical / Qualitative)：取值是类别标签而非数值。进一步分为名义变量（类别无序，如性别、血型）和序数变量（类别有自然顺序，如满意度评级"低/中/高"、教育程度"小学/初中/高中/大学"）。
  • 数值变量 (Numerical / Quantitative)：取值是数字，可进行算术运算。进一步分为离散变量（取值可数，如家庭人口数、每月事故次数）和连续变量（取值不可数，如身高、体重、GDP）。

对于分类变量，描述统计主要使用频数、比例和众数；对于数值变量，则使用本节下文介绍的整套指标。

集中趋势的度量

集中趋势描述数据"中心"或"典型值"的位置。常用的三种度量指标各有其适用范围和数学性质。

算术平均数 (Arithmetic Mean)

总体均值记为 μ=1N∑i=1NXi\mu = \frac{1}{N} \sum_{i=1}^{N} X_i，样本均值记为 Xˉ=1n∑i=1nXi\bar{X} = \frac{1}{n} \sum_{i=1}^{n} X_i。均值在数学上具有平方误差最小的性质——它是使 ∑(Xi−c)2\sum (X_i - c)^2 取极小值的 cc。这一性质使均值成为最小二乘法和回归分析的核心。但均值对异常值极为敏感：一个极端值即可显著拉动均值偏离数据主体的中心位置。

中位数 (Median)

将数据从小到大排序后，位于中间位置的值即为中位数。若数据个数为偶数，通常取中间两个数的均值。中位数的核心优势是稳健性：相对于均值，中位数不受极端值的任何影响（只要异常值不改变排序的中间位置）。因此在收入、房价等右偏分布的数据分析中，中位数往往比均值更具代表性。

众数 (Mode)

数据中出现频次最高的值。众数适用于各类数据，包括分类变量（如"最常选择的政治党派"）。一个数据集可以没有众数、有单一众数（单峰）或有多个众数（双峰或多峰）。在描述多峰分布时，众数能揭示均值和中位数无法捕捉的结构。

三者关系与选择

在对称单峰分布中，均值 = 中位数 = 众数。在正偏（右偏）分布中，均值 > 中位数 > 众数；在负偏（左偏）分布中，均值 < 中位数 < 众数。这一排序关系本身即可用于判断分布的偏斜方向。

选择集中趋势指标的经验法则：对于大致对称且无异常值的数据，使用均值；对于偏态或有异常值的数据，使用中位数；对于分类数据或多峰结构，使用众数。

离散程度的度量

集中趋势仅描述数据"在哪儿"，离散程度则描述数据"有多分散"。两者结合才能完整刻画分布。

全距 (Range) 与四分位距 (IQR)

全距 = 最大值 - 最小值，简单直观但受异常值影响极大。

四分位距 (Interquartile Range, IQR) 定义为第三四分位数与第一四分位数之差：IQR=Q3−Q1\text{IQR} = Q_3 - Q_1。IQR 覆盖中间 50\% 的数据，是稳健的离散度量。与中位数配合使用的五数概括法（最小值、Q1Q_1、中位数、Q3Q_3、最大值）是箱线图 (Box Plot) 的基础。根据 Tukey 的建议，小于 Q1−1.5×IQRQ_1 - 1.5 \times \text{IQR} 或大于 Q3+1.5×IQRQ_3 + 1.5 \times \text{IQR} 的数据点通常被标记为潜在异常值。

方差与标准差 (Variance and Standard Deviation)

总体方差 σ2=1N∑i=1N(Xi−μ)2\sigma^2 = \frac{1}{N} \sum_{i=1}^{N} (X_i - \mu)^2，样本方差 s2=1n−1∑i=1n(Xi−Xˉ)2s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (X_i - \bar{X})^2。样本方差使用 n−1n-1 作为分母（贝塞尔校正），以确保其期望值等于总体方差，即 E[s2]=σ2E[s^2] = \sigma^2，从而满足无偏性。

标准差 σ\sigma（或 ss）是方差的平方根，其量纲与原始数据一致，因此比方差更容易解释。标准差在正态分布中具有明确的概率含义：约 68\% 的数据落在 Xˉ±s\bar{X} \pm s 范围内，约 95\% 落在 Xˉ±2s\bar{X} \pm 2s 范围内。

变异系数 (Coefficient of Variation, CV)

定义为标准差与均值的比率：CV=s/Xˉ\text{CV} = s / \bar{X}（Xˉ≠0\bar{X} \neq 0）。CV 是无量纲数，用于比较不同量纲或不同量级数据的相对离散程度。例如，比较身高（厘米）和体重（千克）的变异时，标准差无法直接对比，但 CV 可以。

分布形态的度量

偏度 (Skewness)

描述数据分布的对称性。总体偏度定义为标准化的三阶中心矩：

γ1=1N∑i=1N(Xi−μσ)3\gamma_1 = \frac{1}{N} \sum_{i=1}^{N} \left( \frac{X_i - \mu}{\sigma} \right)^3

对样本偏度，常用调整公式为 g1=n(n−1)(n−2)∑i=1n(zi)3g_1 = \frac{n}{(n-1)(n-2)} \sum_{i=1}^{n} (z_i)^3，其中 zi=(Xi−Xˉ)/sz_i = (X_i - \bar{X}) / s。偏度为零表示对称分布（如正态分布）；偏度为正表示右尾更长（如收入分布）；偏度为负表示左尾更长。

峰度 (Kurtosis)

描述数据分布的尾部厚度或"尖峭"程度。总体峰度定义为标准化的四阶中心矩：

γ2=1N∑i=1N(Xi−μσ)4−3\gamma_2 = \frac{1}{N} \sum_{i=1}^{N} \left( \frac{X_i - \mu}{\sigma} \right)^4 - 3

减去 3 使得正态分布的峰度为 0（称为"超额峰度"）。正峰度（尖峰态，leptokurtic）表示尾部比正态分布更厚，数据中极端值出现的概率更高，常见于金融收益率数据；负峰度（扁峰态，platykurtic）表示尾部比正态分布更薄。

图形化描述方法

数值指标之外，图形是描述统计的另一核心工具：

  • 直方图 (Histogram)：将连续数据分组为等宽区间（bins），用柱高表示各区间内的频数或频率，直观展示分布的全局形态——对称性、偏度、峰度、多峰性等。
  • 箱线图 (Box Plot)：基于五数概括法，用矩形盒表示 IQR、盒内横线表示中位数、须线延伸至非异常值范围。特别适合比较多个组的分布差异。
  • 茎叶图 (Stem-and-Leaf Plot)：保留原始数据信息的图形，适合中等规模数据集（n<100n < 100），在展示分布形态的同时可还原每个数据的精确值。
  • 散点图 (Scatter Plot)：用于描述两个数值变量之间的关系——方向、形态和强度，是相关系数分析和回归分析的视觉起点。

描述统计与推断统计的关系

描述统计与推断统计并非孤立的两套工具，而是数据分析的两个阶段。描述统计首先对样本进行概括，为后续的推断提供方向——例如，通过描述统计发现数据严重右偏后，可能触发变量对数化变换，或选择非参数检验方法。同时，推断统计的结果（如估计的参数、检验的 p 值）也必须与描述统计揭示的实际效应量（effect size）相结合，才能做出有实际意义的判断。仅报告 p 值而忽略均值、标准差和分布形态，可能导致统计显著但实际无意义的结论。

常见误区

  1. 以偏概全：仅报告均值而不报告离散指标（标准差、IQR），使读者无法判断数据的代表性。
  2. 忽略分布形态：均值和标准差仅对对称分布有良好解释力；对于偏态数据，应优先报告中位数和 IQR，而非强行使用均值。
  3. 异常值处理不当：不应无条件删除异常值——异常值可能包含测量误差，也可能揭示重要现象。应先识别、核查、记录，再决定处理策略。
  4. 混淆总体与样本：计算离散指标时需区分总体（分母 NN）与样本（分母 n−1n-1），否则方差估计将有系统偏差。
  5. 过度依赖统计量：任何数值指标都不能替代对原始数据的可视化检查——安斯库姆四重奏 (Anscombe's Quartet) 是最经典的警示：四组数据具有完全相同的均值、方差和相关系数，但散点图揭示出截然不同的数据结构。