离差

离差 (Deviation)

离差是统计学中度量单个观测值与集中趋势之间差异的基础概念，特指数据点与算术平均数之差。它是计算方差、标准差等离散程度指标的起点。

定义与性质

给定数据集 $\{x_1, x_2, \ldots, x_n\}$，样本均值为 $\bar{x}$，任意观测值 $x_i$ 的离差为：

正离差表示高于均值，负离差表示低于均值，零离差等于均值。

离差最核心的性质：所有观测值与均值的离差之和恒为零：

这表明均值是数据集的"平衡点"，正负离差相互抵消。正因为此性质，离差本身不能直接作为离散程度的度量，必须通过取绝对值或平方来消除符号问题。

基于离差的关键统计量

1. 平均绝对离差 (MAD)：对各离差取绝对值后求均值，直观但数学上不如平方处理方便。 \[ \text{MAD} = \frac{1}{n}\sum_{i=1}^{n} |x_i - \bar{x}| \]
2. 方差：将离差平方后求均值，是离散程度最核心的度量。 \begin{itemize}
3. 总体方差：$\sigma^2 = \frac{1}{N}\sum_{i=1}^{N} (x_i - \mu)^2$
4. 样本方差：$s^2 = \frac{1}{n-1}\sum_{i=1}^{n} (x_i - \bar{x})^2$，分母使用 $n-1$ 是贝塞尔校正，使样本方差成为总体方差的无偏估计。 \end{itemize}
5. 标准差：方差的平方根，将单位还原为原始数据单位，是实践中最常用的离散度量。 \[ \sigma = \sqrt{\sigma^2}, \quad s = \sqrt{s^2} \]
6. 最小二乘法：线性回归中通过最小化残差（观测点到回归线的垂直离差）的平方和来拟合模型，其核心正是平方离差的最小化，是计量经济学中最重要的参数估计方法。

计算示例

成绩数据 $\{78, 85, 92, 65, 80\}$，均值 $\bar{x} = 80$：

离差分别为 $-2, 5, 12, -15, 0$，之和为零。平方离差为 $4, 25, 144, 225, 0$。

样本方差：$s^2 = \frac{398}{4} = 99.5$

样本标准差：$s = \sqrt{99.5} \approx 9.975$

总结

离差本身是一个简单的减法运算，但它是通向数据变异性分析的门户。通过取绝对值（MAD）或平方（方差、标准差），离差衍生出统计学中最重要的离散度量工具，广泛应用于描述性统计、假设检验和模型拟合等领域。