KNOWECON WIKI

ARTICLE

经验中位数

经验中位数 (Empirical Median) 经验中位数 (Empirical Median)，也称样本中位数 (Sample Median)，是描述性统计中最核心的位置度量之一。给定一组来自总体的观测样本，经验中位数将排序后的数据一分为二：至少一半的观测值不大于它，至少一半的观测值不小于它。与样本均值不同，经验中位数对异常值 (Outliers) 具有

浏览 0 更新 2025-10-26

经验中位数 (Empirical Median)

经验中位数 (Empirical Median)，也称样本中位数 (Sample Median)，是描述性统计中最核心的位置度量之一。给定一组来自总体的观测样本，经验中位数将排序后的数据一分为二：至少一半的观测值不大于它，至少一半的观测值不小于它。与样本均值不同，经验中位数对异常值 (Outliers) 具有天然的稳健性 (Robustness)，因此在非参数统计、稳健估计和实际数据分析中扮演着不可替代的角色。

定义与计算

设 X1,X2,…,XnX_1, X_2, \ldots, X_n 为来自某总体的一个简单随机样本，将其按升序排列得到次序统计量 X(1)≤X(2)≤⋯≤X(n)X_{(1)} \leq X_{(2)} \leq \cdots \leq X_{(n)}。则经验中位数 MnM_n 定义为：

Mn={X(n+12),若 n 为奇数,X(n2)+X(n2+1)2,若 n 为偶数.M_n = \begin{cases} X_{(\frac{n+1}{2})}, & \text{若 } n \text{ 为奇数}, \\ \displaystyle \frac{X_{(\frac{n}{2})} + X_{(\frac{n}{2}+1)}}{2}, & \text{若 } n \text{ 为偶数}. \end{cases}

换言之，当样本量为奇数时，中位数直接取中间位置的观测值；当样本量为偶数时，中位数取中间两个观测值的算术平均。注意部分软件（如 SAS）定义的下中位数 (Lower Median) 为 X(⌊n/2⌋)X_{(\lfloor n/2 \rfloor)}，上中位数 (Upper Median) 为 X(⌈n/2⌉)X_{(\lceil n/2 \rceil)}，但主流教材与 R 语言的默认定义均为上述插值形式。

经验中位数也可以从累积分布函数的角度理解：样本的经验分布函数 (Empirical CDF) 为 F^n(x)=1n∑i=1n1{Xi≤x}\hat{F}_n(x) = \frac{1}{n} \sum_{i=1}^{n} \mathbf{1}_{\{X_i \leq x\}}，则经验中位数是满足 F^n(x)≥1/2\hat{F}_n(x) \geq 1/2 的最小 xx，或更精确地，F^n\hat{F}_n 的分位数函数的取值：Mn=F^n−1(1/2)M_n = \hat{F}_n^{-1}(1/2)。这一视角将经验中位数纳入分位数回归和M-估计的统一框架。

统计性质

无偏性与一致性

总体中位数为 θ\theta，即满足 P(X≤θ)≥1/2P(X \leq \theta) \geq 1/2 且 P(X≥θ)≥1/2P(X \geq \theta) \geq 1/2。经验中位数 MnM_n 是总体中位数 θ\theta 的相合估计量 (Consistent Estimator)：当 n→∞n \to \infty 时，Mn→pθM_n \xrightarrow{p} \theta。然而，除非总体分布是对称的，否则 MnM_n 通常不是 θ\theta 的无偏估计量——有限样本下 E[Mn]≠θE[M_n] \neq \theta，但偏差随 nn 增大而消失，即 MnM_n 是渐近无偏的。

渐近正态性

经验中位数的渐近分布是非参数统计的经典结论。若总体具有概率密度函数 f(x)f(x)，且 f(θ)>0f(\theta) > 0（即在总体中位数处密度为正），则有：

n(Mn−θ)→dN(0,14[f(θ)]2).\sqrt{n} (M_n - \theta) \xrightarrow{d} \mathcal{N}\left(0, \frac{1}{4 [f(\theta)]^2}\right).

这一结果揭示了经验中位数精度的关键决定因素：总体中位数处的密度 f(θ)f(\theta) 越大，中位数的渐近方差越小，估计越精确。对于正态总体 N(μ,σ2)\mathcal{N}(\mu, \sigma^2)，中位数与均值重合（θ=μ\theta = \mu），密度 f(μ)=1/(σ2π)f(\mu) = 1 / (\sigma \sqrt{2\pi})，故中位数的渐近方差为 πσ22n\frac{\pi \sigma^2}{2 n}，约为样本均值方差 σ2/n\sigma^2 / n 的 π/2≈1.571\pi/2 \approx 1.571 倍——在正态模型下，均值比中位数更有效。

稳健性与影响函数

经验中位数最重要的实用优势在于其稳健性。样本均值对单个极端值的变化无限敏感：若将一个观测值推向无穷，均值也随之趋向无穷。而中位数的影响函数 (Influence Function) 是有界的：

IF(x;T,F)=sign(x−θ)2f(θ),\text{IF}(x; T, F) = \frac{\text{sign}(x - \theta)}{2 f(\theta)},

这意味着无论单个观测值多么极端，它对中位数估计的影响始终被限定在有限的范围内。中位数的失效点 (Breakdown Point) 高达 1/21/2，即在不超过一半的数据被任意篡改时，中位数仍能保持有界。相比之下，样本均值的失效点为 00——一个异常值即可使其崩溃。这种稳健性使得中位数在收入分布（存在极端富豪）、房价分析（存在豪宅）和金融收益（存在崩盘和暴涨）等实际场景中被广泛使用。

与均值的比较

经验中位数和样本均值是最常用的两种位置度量，各有优劣：

  • 效率差异：在正态分布下，中位数的渐近相对效率 (ARE) 相对于均值为 2/π≈0.6372/\pi \approx 0.637，即中位数需要大约 1.57 倍于均值所需的样本量才能达到相同精度。然而在拉普拉斯分布（双指数分布）下，中位数是最大似然估计，ARE 约为 2.0——中位数远比均值有效。
  • 稳健性差异：中位数的失效点为 50\%，均值为 0\%。在存在重尾或污染数据的场景中，中位数往往提供更可信的中心位置估计。
  • 可解释性：中位数直接对应「一半以上/以下」的直观含义，在收入、房价、寿命等偏态分布中往往比均值更具代表意义。例如「人均收入」常被少数高收入者拉高，而「收入中位数」更能反映普通居民的真实水平。
  • 数学便利性：均值具有线性性（E[aX+bY]=aE[X]+bE[Y]E[aX+bY] = aE[X] + bE[Y]）和与平方损失的最优性，便于解析推导。中位数不具备线性性，但在绝对偏差损失下是最优的（见下文）。

优化解释：绝对偏差最小化

经验中位数不仅是简单的排序取中，它还具有深刻的变分刻画：中位数是最小化绝对偏差之和的解。具体而言，MnM_n 是如下优化问题的任意解：

Mn=arg⁡min⁡m∈R∑i=1n∣Xi−m∣.M_n = \arg \min_{m \in \mathbb{R}} \sum_{i=1}^{n} |X_i - m|.

这一性质将中位数与最小一乘法 (Least Absolute Deviations, LAD) 联系起来——中位数就是只有一个截距项的 LAD 回归结果。与之对应，样本均值最小化平方误差之和：Xˉ=arg⁡min⁡m∑(Xi−m)2\bar{X} = \arg\min_{m} \sum (X_i - m)^2。这一对偶关系是中位数稳健性的数学根源：平方损失对大偏差加倍惩罚（梯度为 2(Xi−m)2(X_i - m)），而绝对损失对大偏差仅施加常数惩罚（梯度为 ±1\pm 1），极端值无法主导优化目标。

基于这一优化视角，经验中位数可以自然地推广到分位数回归 (Quantile Regression) 框架。第 τ\tau 分位数 Q(τ)Q(\tau) 最小化非对称绝对损失 ∑ρτ(Xi−m)\sum \rho_{\tau}(X_i - m)，其中 ρτ(u)=u(τ−1{u<0})\rho_{\tau}(u) = u(\tau - \mathbf{1}_{\{u < 0\}}) 为检查函数 (Check Function)。当 τ=0.5\tau = 0.5 时，ρ0.5(u)=∣u∣/2\rho_{0.5}(u) = |u|/2，退化为中位数。

置信区间与推断

基于次序统计量可以直接构造总体中位数的非参数置信区间，无需假设任何参数分布。令 X(1)≤⋯≤X(n)X_{(1)} \leq \cdots \leq X_{(n)} 为次序统计量，用 X(r)X_{(r)} 和 X(s)X_{(s)}（r<sr < s）作为置信下限和上限。在总体中位数为 θ\theta 的原假设下，观测值落在 θ\theta 两侧的概率均为 1/21/2，因此该区间覆盖 θ\theta 的概率为：

P(X(r)≤θ≤X(s))=∑k=rs−1(nk)(12)n.P\bigl(X_{(r)} \leq \theta \leq X_{(s)}\bigr) = \sum_{k=r}^{s-1} \binom{n}{k} \left(\frac{1}{2}\right)^n.

利用二项分布的对称性，可以选取 rr 和 s=n−r+1s = n - r + 1 来获得所需置信水平。这一方法完全无分布假设（Distribution-Free），是符号检验 (Sign Test) 和Wilcoxon符号秩检验等非参数推断方法的基石。在大样本下，可利用上述渐近正态性构造基于正态近似的置信区间：

Mn±zα/2⋅12f^(Mn)n,M_n \pm z_{\alpha/2} \cdot \frac{1}{2 \hat{f}(M_n) \sqrt{n}},

其中 f^\hat{f} 需要通过对样本进行核密度估计来获得 f(θ)f(\theta) 的估计，这涉及比均值推断更复杂的平滑参数选择。

高维与多元推广

在一维数据中最自然的位置排序在多元情形下不再平凡，因为 Rp\mathbb{R}^p（p>1p > 1）中不存在天然的全序关系。学者们提出了多种多元中位数的推广：

  • 空间中位数 (Spatial Median)：也称 L1L_1 中位数，最小化到各点的欧氏距离之和——即 arg⁡min⁡m∈Rp∑i=1n∥Xi−m∥\arg\min_{m \in \mathbb{R}^p} \sum_{i=1}^{n} \|X_i - m\|。它具有旋转不变性和 50\% 的失效点，但不具备仿射等变性。
  • 分量中位数 (Componentwise Median)：独立地对每个坐标取中位数。计算简便但失去了旋转不变性——对数据旋转后分量中位数并不等于原分量中位数的旋转。
  • Tukey中位数 (Tukey Median / Halfspace Median)：在所有方向上半空间深度最大的点，具有仿射等变性但计算复杂度极高。
  • Oja中位数：最小化由点和数据张成的单形体积之和，具有仿射等变性但计算同样困难。

多元中位数的选择取决于具体应用对等变性、稳健性和计算成本的权衡。在实际应用中，分量中位数因其简洁性最常用，而空间中位数在稳健多元分析中受到更多理论关注。

应用与注意事项

经验中位数在实际数据分析中有广泛应用场景：

  1. 偏态分布的中心报告：在收入不平等研究中，各国统计部门通常同时报告平均收入和中位收入，后者更能反映典型居民的经济状况。
  2. 异常值污染的稳健估计：在金融收益率分析中，少数极端涨跌对均值产生巨大扰动，中位数提供更稳定的中心趋势估计。例如在估计典型日收益率时，中位数对 1987 年股灾或 2008 年金融危机期间的极端值不敏感。
  3. 非参数检验的基础：Mann-Whitney U检验（Wilcoxon秩和检验）和Kruskal-Wallis检验将多组比较转化为中位数比较，对偏离正态性稳健。
  4. 箱线图的核心要素：箱线图 (Box Plot) 的中线即为中位数，与四分位数一起提供数据分布的快速可视化。
  5. 生存分析：Kaplan-Meier估计的中位生存时间——即生存率降至 50\% 的时间——是临床研究中最重要的汇总指标之一。

使用经验中位数时需要注意几点：首先，中位数对样本中间区域的局部波动比均值更敏感——删除或添加中间附近的观测值可能导致中位数跳跃（特别是小样本偶数情形下的插值效应）。其次，中位数的非线性和不可微性使得基于中位数的推断（如 Bootstrap 置信区间）比基于均值的方法需要更精细的理论处理。最后，当总体分布确实是对称且薄尾的（接近正态），使用中位数将牺牲统计效率——此时均值是更优选择。因此，在选择位置度量时，应在效率与稳健性之间基于数据特征做出审慎的权衡。