KNOWECON WIKI

ARTICLE

直方图

直方图 (Histogram) 直方图 (Histogram) 是统计学中可视化数值型数据分布的基础图形工具。它将数据分组到连续、不重叠的区间（称为"箱"或 bin），以矩形条高度表示各区间内数据出现的频率或频数，是探索性数据分析 (Exploratory Data Analysis, EDA)的核心手段。直方图由 Karl Pearson 于 1895 年

浏览 54 更新 2025-11-06

直方图 (Histogram)

直方图 (Histogram) 是统计学中可视化数值型数据分布的基础图形工具。它将数据分组到连续、不重叠的区间（称为"箱"或 bin），以矩形条高度表示各区间内数据出现的频率或频数，是探索性数据分析 (Exploratory Data Analysis, EDA)的核心手段。直方图由 Karl Pearson 于 1895 年首次引入，至今仍是描述统计中使用最广泛的图表之一。

直方图能揭示数据集的四个关键特征：

  1. 中心趋势：数据的典型值或集中区域，对应众数的直观位置。
  2. 离散程度：数据分布的广度与变异性，反映标准差与方差的大小。
  3. 分布形状：对称性、偏斜方向、峰态数量，是判断分布类型的第一手依据。
  4. 潜在异常值 (Outliers)：远离主体的极端观测，可能预示测量误差或重要极端事件。

直方图与条形图 (Bar Chart)有本质区别：直方图展示连续型变量（或可视为连续的离散变量）的分布，x 轴为连续数值标度，矩形条之间无间隙，条的面积（而非仅高度）承载信息；条形图则用于比较分类变量，x 轴项目互不连续，条间有固定间隙。

构建步骤

设数据集 X={x1,x2,…,xn}X = \{x_1, x_2, \dots, x_n\}，nn 为观测总数。

步骤 1：确定范围。 计算 R=Xmax⁡−Xmin⁡R = X_{\max} - X_{\min}。

步骤 2：确定箱数 kk。 这是最关键且最具主观性的步骤。箱数过少会掩盖真实形状（过度平滑），过多则引入噪声（过度拟合）。常用法则：

  • 平方根法：k=⌈n⌉k = \lceil \sqrt{n} \rceil，最简单常用。
  • 斯特奇斯公式 (Sturges)：k=⌈1+log⁡2(n)⌉k = \lceil 1 + \log_2(n) \rceil，适用于近似正态分布的数据。
  • 莱斯法则 (Rice)：k=⌈2n1/3⌉k = \lceil 2n^{1/3} \rceil。
  • 弗里德曼-戴康尼斯法则 (Freedman-Diaconis)：基于四分位数间距 (IQR)，对异常值稳健，直接计算箱宽： \[ h = 2 \frac{\text{IQR}(X)}{n^{1/3}}, \quad k = \frac{R}{h} \]

实践中，通常以多种法则为参考，结合数据特征与展示目的灵活调整，过少或过多的箱都会扭曲对分布的认知。

步骤 3：确定箱宽。 h≈R/kh \approx R/k，通常取整为"好看"的数值（如 0.5、1、5、10 的倍数）以便阅读。标准直方图中所有箱宽必须保持一致，否则面积将与频率不成比例，导致视觉误导。

步骤 4：创建频率表。 界定箱边界（如 [Xmin⁡,Xmin⁡+h)[X_{\min}, X_{\min}+h)），统计落入各箱的观测数。边界约定（左闭右开或左开右闭）需统一，生成频率分布表。

步骤 5：绘图。 在笛卡尔坐标系中，x 轴为取值区间，y 轴为频率（或密度），各箱上方绘制高度对应频率的矩形，条块相邻无间隙。

解读方法

分布形状

  • 对称分布：左右大致对称，呈钟形。典型为正态分布 (Normal Distribution)，此时均值、中位数、众数近似重合。
  • 偏态分布： \begin{itemize}
  • 右偏（正偏）：长尾向右延伸，大部分数据集中于左侧。如个人收入、房价、企业规模等分布，满足 均值 > 中位数 > 众数。右偏数据常通过对数变换使其更接近对称。
  • 左偏（负偏）：长尾向左延伸。如简单考试中多数高分、少数低分的分数分布，或寿命数据中的死亡年龄（在低龄有长尾时），满足 均值 < 中位数 < 众数。

\item 峰态：

  • 单峰：一个主峰值，数据有一个最常见的取值区间，是最普遍的形态。
  • 双峰：两个峰值，强烈暗示数据来自两个不同总体（如混合男女性别的身高数据，或两个不同生产批次的零件尺寸）。发现双峰时通常应追溯数据来源，考虑分层分析。
  • 多峰：两个以上峰值，暗示多个子总体的混合。
  • 均匀分布：无明显峰值，各区频率大致相等，图形平坦。

\end{itemize}

离散程度与异常值

直方图的横向延展直接反映离散程度：狭窄图形表示标准差和方差较小，数据高度集中；宽阔图形表示变异性大。远离主体的孤立条块可能代表异常值，需逐一审视——它们可能是数据录入错误、测量仪器故障，也可能是具有重要经济意义的"黑天鹅"事件。

直方图类型

按 y 轴标度区分：

  • 频率直方图：y 轴为落入各箱的原始计数（绝对频率），最直观常见。缺点是无法直接比较样本量不同的数据集。
  • 相对频率直方图：y 轴为比例（频率 /n/ n），条块高度之和为 1。适合比较不同样本量的分布形态。
  • 密度直方图：y 轴经调整使所有条块总面积等于 1。各条高度为： \[ \text{密度} = \frac{\text{相对频率}}{\text{箱宽}} = \frac{\text{频率} / n}{h} \] 密度直方图的核心优势在于它直接估计概率密度函数 (PDF)。当样本量增大且箱宽缩小时，密度直方图的顶边轮廓收敛于真实密度曲线。这一性质使之成为核密度估计 (Kernel Density Estimation)等非参数方法的基础。

经济与金融应用

  • 金融学：分析股票或投资组合的收益率分布，评估风险特征。若收益率呈"肥尾 (Fat tails)"（尾部厚于正态分布，极端涨跌概率更高，对应高峰度 (Kurtosis)），则基于正态假设的 VaR 模型将系统性低估尾部风险。2008 年金融危机后，监管机构日益强调通过直方图等工具直观审视收益分布。
  • 经济学：研究收入或财富分配。收入直方图通常呈显著右偏——少数人拥有极高收入，大多数人聚集在中低收入区间——这是理解基尼系数与收入不平等的出发点。跨时期或跨国比较收入直方图可揭示分配结构的演变。
  • 计量经济学：回归分析后检验残差 (Residuals)是否满足正态性假设是标准诊断步骤。残差直方图的对称性与钟形程度可直观判断模型是否适配；严重偏斜或多峰的残差分布通常意味着遗漏变量、模型设定错误或异方差性等需要修正的问题。
  • 劳动经济学：工资分布直方图常用于识别最低工资政策的"截断效应"——在最低工资线附近出现频率堆积，而在其下方几乎无观测。

常见误区与注意事项

  • 箱宽不一致：非等宽箱会导致面积与频率不成比例，严重误导读者。若必须使用非等宽箱，y 轴必须采用密度标度以确保面积正确。
  • 箱数选择随意：建议尝试多种箱数并比较图形的稳健性。同一数据在不同箱数下可能呈现截然不同的"故事"。
  • 忽略边界效应：箱边界位置的变化（如从 [0,10),[10,20)[0, 10), [10, 20) 变为 [5,15),[15,25)[5, 15), [15, 25)）可能显著改变图形外观，这称为"箱偏移敏感性"。
  • 对样本量过于自信：小样本下的直方图形状不稳定，难以可靠推断总体分布特征。通常建议 n≥30n \geq 30 以上再使用直方图。