KNOWECON WIKI

ARTICLE

Mode

众数 (Mode) 众数（Mode）是描述统计学中与均值（Mean）和中位数（Median）并列的三大集中趋势度量之一。众数被定义为一个数据集中出现频率最高的数值，即一组数据中重复次数最多的观察值。与均值的代数计算、中位数的排序定位不同，众数直接反映数据的"多数"特征——它回答的问题是："哪个值最典型？"在经济学中，众数广泛应用于收入分布分析、消费者偏好调查

浏览 5 更新 2025-10-26

众数 (Mode)

众数（Mode）是描述统计学中与均值（Mean）和中位数（Median）并列的三大集中趋势度量之一。众数被定义为一个数据集中出现频率最高的数值，即一组数据中重复次数最多的观察值。与均值的代数计算、中位数的排序定位不同，众数直接反映数据的"多数"特征——它回答的问题是："哪个值最典型？"在经济学中，众数广泛应用于收入分布分析、消费者偏好调查和市场细分研究。

定义与分类

给定一个数据集 X={x1,x2,…,xn}X = \{x_1, x_2, \ldots, x_n\}，众数 MoM_o 定义为满足以下条件的取值：

f(Mo)=max⁡xf(x)f(M_o) = \max_{x} f(x)

其中 f(x)f(x) 为取值 xx 的频数。根据频数分布的形状，众数可以有不同的表现：

单峰分布（Unimodal）： 数据中出现一个显著的"峰值"，存在唯一众数。例如某班级考试成绩中 75 分出现 12 次，远高于其他分数，则 75 即为众数。大多数自然和社会现象呈单峰分布。

双峰分布（Bimodal）： 数据中存在两个不同的高频取值（两者频数相等或极为接近）。例如某城市居民的通勤时间可能集中在 25 分钟（市中心居民）和 60 分钟（郊区居民）两个峰值附近，揭示出两组不同的群体。双峰分布往往暗示总体由两个具有不同特征的子群体混合而成。

多峰分布（Multimodal）： 存在三个或以上峰值。多峰性是异质性（Heterogeneity）强烈的信号，提示研究者应对总体进行分组分析而非笼统概括。

无众数： 当所有取值出现次数相同（如均匀分布）时，严格意义上不存在众数。另外，在连续型分布中，如果每个值出现的概率密度均不相同且无局部最大值，则众数定义需借助概率密度函数的最大值点。

分组数据的众数

对于分组数据（如收入区间、年龄组别），众数不能直接从原始值读取，而需要通过众数公式进行插值估算。假设众数所在组为频数最高的组别，则该组的众数近似为：

Mo=L+(fm−fm−1(fm−fm−1)+(fm−fm+1))×wM_o = L + \left( \frac{f_m - f_{m-1}}{(f_m - f_{m-1}) + (f_m - f_{m+1})} \right) \times w

其中：

  • LL 为众数所在组的下限（Lower limit）
  • fmf_m 为众数所在组的频数
  • fm−1f_{m-1} 为众数所在组前一组的频数
  • fm+1f_{m+1} 为众数所在组后一组的频数
  • ww 为组距（Class width）

该公式基于相似三角形原理，假设频数在组内近似线性变化，将众数位置向相邻较高频数一侧倾斜。例如，某地区家庭月收入调查中，5000-8000 元组频数为 240，8000-11000 元组频数为 360（最高），11000-14000 元组频数为 200，组距为 3000 元。则：

Mo=8000+(360−240(360−240)+(360−200))×3000=8000+120120+160×3000≈9286 元M_o = 8000 + \left( \frac{360 - 240}{(360 - 240) + (360 - 200)} \right) \times 3000 = 8000 + \frac{120}{120 + 160} \times 3000 \approx 9286 \text{ 元}

与均值、中位数的关系

三大集中趋势度量在对称分布（如正态分布）中三者重合：均值 = 中位数 = 众数。但在偏态分布中，三者呈现系统性偏离，这一关系本身即为诊断分布形态的依据。

正偏（右偏）分布： 在收入分布中极为常见——少数高收入者拉高均值，而大多数人的收入集中在较低水平。此时：

众数<中位数<均值\text{众数} < \text{中位数} < \text{均值}

均值被右侧长尾牵引至最右侧，众数保持在峰值处，中位数居中。这一不等式模式被归纳为卡尔·皮尔逊（Karl Pearson）的经验公式：

均值−众数≈3(均值−中位数)\text{均值} - \text{众数} \approx 3(\text{均值} - \text{中位数})

该公式在中等偏度的单峰分布中提供了众数、均值和中位数之间的近似数量关系。

负偏（左偏）分布： 例如考试分数分布中，少数极低分将均值拖向左下方：

均值<中位数<众数\text{均值} < \text{中位数} < \text{众数}

在经济学中的应用

收入分布分析： 收入数据通常呈正偏分布，众数低于均值。以美国 2022 年家庭收入数据为例，收入均值约为 10.6 万美元，而收入众数约在 2.5-3 万美元区间。均值被顶层高收入群体拉高，众数更准确地反映"普通家庭"的典型收入水平。正因如此，收入不平等研究更常引用中位数和众数而非均值。

消费者偏好研究： 在市场调查中，对"最喜欢的颜色"或"首选品牌"等类别变量（Nominal variable），均值和中位数毫无意义，众数是唯一可行的集中趋势度量。"最多消费者选择的品牌"即品牌偏好分布中的众数。

劳动力市场分析： 工资分布中，最低工资政策的影响常通过观察工资分布的低端众数变化来评估——最低工资上调后，工资分布在最低工资线附近是否出现"堆积"（spike），即新的众数。

拍卖与博弈论： 在一级价格密封拍卖中，投标者的出价策略常以一个"常见出价"（common bid）聚集，该出价即出价分布中的众数，反映参与者的共同估值预期。

优点与局限

优点：

  1. 直观易懂，不受极端值影响。当数据中存在离群值（Outlier）时，众数完全不受干扰，而均值可能严重失真。
  2. 适用于类别型数据（名义变量），是唯一可用于定性数据的集中趋势度量。
  3. 始终是数据集中实际存在的值（对于离散数据而言），具有物理可解释性——"确实有人拿这个工资"。

局限：

  1. 可能不存在（均匀分布），也可能不唯一（双峰或多峰），影响其作为集中趋势单一代表的有效性。
  2. 对数据的微小变动可能极为敏感：仅需略微调整频数，众数就可能从一个值跳跃到另一个值。
  3. 未利用所有数据信息，仅依赖频数排序，在大样本统计推断中不如均值高效。
  4. 分组数据的众数估算是近似值，受分组方案（组距和组界）的显著影响。

连续分布中的众数

对于连续型随机变量，众数定义为概率密度函数（PDF）f(x)f(x) 取得全局最大值的点 x∗x^*：

x∗=arg⁡max⁡xf(x)x^* = \arg\max_{x} f(x)

若只有一个最大值点，则为单峰分布；若存在多个局部最大值，则为多峰分布。例如，正态分布 N(μ,σ2)N(\mu, \sigma^2) 的众数等于其均值 μ\mu（同时也是中位数）；指数分布 f(x)=λe−λxf(x) = \lambda e^{-\lambda x}（x≥0x \ge 0）的众数为 x=0x = 0；贝塔分布 Beta(α,β)\text{Beta}(\alpha, \beta) 当 α>1,β>1\alpha > 1, \beta > 1 时，众数为 α−1α+β−2\frac{\alpha - 1}{\alpha + \beta - 2}。

在计量经济学中，分布的众数（而非均值）对于理解"典型个体"的行为具有重要意义。例如，在分析某项政策对不同收入群体的异质性影响时，识别收入分布的多个众数有助于界定政策受益者和受损者的边界，这是均值和分位数回归难以独立完成的任务。