第四章.数据的概括性度量

数据的概括性度量

数据分布的特征可以从三个方面进行测度和描述：一是分布的集中趋势，反映各数据向其中心值靠拢或聚集的程度；二是分布的离散程度，反映各数据远离其中心值的趋势；三是分布的形状，反映数据分布的偏态和峰态

注意：低层次数据的特征适用于高层次数据，但高层次数据的特征不适用于低层次数据

+++

1.集中趋势的度量

集中趋势（central tendency）是指一组数据向某一中心值靠拢的程度，它反映了一组数据中心点的位置所在。

1.1分类数据

• 众数：一组数据中出现次数最多的变量值，用$M_0$表示

众数（mode）主要用于测度分类数据的集中趋势，也可作为顺序数据以及数值型数据集中趋势的测度值。

对于数值型数据来说，

• 数值型分组数据的众数

$$M_0=B+\frac{{\Delta }_1}{\Delta 1+{\Delta }_2}C$$

其中，$B$为众数组(频数最大的组)的组下限，$C$为组距，${\Delta }_1$为众数组频数$-$前一组频数，${\Delta }_2$为众数组频数$-$后一组频数。

• 数值型未分组数据的众数

出现次数最多的数据值就是众数。

1.2顺序数据

• 中位数：一组数据排序后处于中间位置上的变量值，用$M_e$表示

中位数（median）将全部数据分成两部分，每部分包含$50\%$的数据，一部分数据比中位数大，一部分数据比中位数小。中位数主要用于测度顺序数据的集中程度，当然也适用于测度数值型数据的集中趋势，但不适用于分类数据。

对于数值型数据来说，

数据一定要先排序！

• 数值型分组数据的中位数

$$M_e=B+\frac{\frac{n}{2}-S_{m-1}}{f_m}C$$

其中，$B$为中位数组（数据排序后位于中间位置$n/2$的数所在的组，可以通过累积频数来判断所在位置）的组下限，$C$为组距，$n$为样本总数，$f_m$为中位数组的频数，$S_{m-1}$为中位数组前一组的累积频数。

• 数值型未分组数据的中位数

$$M_e=\{\begin{array}{l}{x}_{(\frac{n+1}{2})}n为奇数\\ \frac{1}{2}(x_{(\frac{n}{2})}+x_{(\frac{n}{2}+1)})n为偶数\end{array}$$

• 四分位数：一组数据排序后处于$25\%$和$75\%$位置上的值

$$\begin{gathered} Q_L位置=\frac{n}{4} \\ {Q}_U位置=\frac{3n}{4} \end{gathered}$$

1.3数值型数据

平均数（mean）

• 简单平均数：对于未分组数据的平均数计算，用$\bar{x}$表示

设一组样本数据为$x_1,x_2,\cdots ,x_n$,样本量为$n$（样本数据的个数），则简单样本平均数用$\bar{x}$表示
$$\bar{x}=\frac{x_1+x_2+\cdots +x_n}{n}=\frac{{\sum }_{i=1}^n{x}_i}{n}$$

• 加权平均数：对于分组数据的平均数计算，用$\bar{x}$表示

设原始数据分成$k$组，各组的组中值分别为$M_1,M_2,\cdots ,M_k$表示（$组中值=\frac{组上限+组下限}{2}$ ），各组的频数分别用$f_1,f_2,\cdots ,f_k$表示，则样本加权平均数的计算公式为：
$$\bar{x}=\frac{{\sum }_{i=1}^k{M}_i{f}_i}{\sum f_i}$$

• 几何平均数：$n$个变量乘积的$n$次方根，用$G$表示

主要适用于计算平均比率，例如平均指数、平均增长率等
$$G=\sqrt[n]{\prod _{i=1}^n{x}_i}$$

1.4众数、中位数、平均数的比较

2.离散程度的度量

离散程度反映的是各变量值远离中心值的程度。数据的离散程度越大，集中趋势的测度值对该组数据的代表性久越差；离散程度越小，其代表性就越好。描述数据离散程度的测度值主要有异众比率，四分位差，方差，标准差，极差，平均差，变异系数等。

2.1分类数据

• 异众比率：指非众数组的频数占总频数的比例，用$V_r$表示

异众比率主要用于衡量众数对一组数据的代表程度。异众比率越大，说明非众数组的频数占总频数的比重越大，众数的代表性越差；异众比率越小，说明非众数组的频数占总频数的比重越小，众数的代表性就越好。
$$V_r=(1-\frac{f_m}{\sum f_i})\times 100\%$$
其中$\sum f_i$为变量值的总频数，$f_m$为众数组的频数。

2.2顺序数据

• 四分位差：上四分位与下四分位数之差，用$Q_d$表示

四分位差反映了中间$50\%$的数据的离散程度。四分位差越小，说明中间的数据越集中；四分位差越大，说明中间的数据越分散。四分位差不受极差的影响。
$$Q_d=Q_U-Q_L$$

2.3数值型数据

测度数值型数据离散程度的主要方法有极差、平均差、方差、标准差和变异系数。

• 极差（range）：一组数据最大值与最小值之差，用$R$表示

对于未分组数值型数据，极差的公式为：
$$R=max(x_i)-min(x_i)$$

其中，$max(x_i)和min(x_i)$分别表示数据中的最大值和最小值

对于分组数值型数据，极差的公式为：
$$R=Umax(x_i)-Umin(x_i)$$
其中$Umax(x_i)和Umin(x_i)$分别表示最大组上限和最大组下限

• 平均差：各变量值与其平均数离差绝对值的平均数，用$M_d$表示

平均差（mean deviation）以平均数为中心，反映每个数据与平均数的平均差异程度，它能反映一组数据的离散程度。平均差越大，说明数据的离散程度越大；反之，则说明数据的离散程度越小。

对于未分组数值型数据，平均差的公式为：
$$M_d=\frac{{\sum }_{i=1}^n|x_i-\bar{x}|}{n},\bar{x}为平均数$$
对于分组数值型数据，平均差的公式为：
$$M_d=\frac{{\sum }_{i=1}^k|M_i-\bar{x}|f_i}{n},M_i为组中值,f_i为组频数$$

• 方差和标准差
  • 方差：各变量值与其平均数离差平方的平均数
  • 标准差：方差的平方根

这里采用的都是对于样本的样本方差和样本标准差。

自由度（degree of freedom）：样本数据个数-1

对于未分组数值型数据，方差和标准差的公式为：
$$\begin{gathered} s^2=\frac{{\sum }_{i=1}^n(x_i-\bar{x}{)}^2}{n-1} \\ s=\sqrt[]{\frac{{\sum }_{i=1}^n(x_i-\bar{x}{)}^2}{n-1}} \end{gathered}$$
对于分组数值型数据，方差和标准差的公式为：
$$\begin{gathered} s^2=\frac{{\sum }_{i=1}^k(M_i-\bar{x}{)}^2{f}_i}{n-1} \\ s=\sqrt[]{\frac{{\sum }_{i=1}^k(M_i-\bar{x}{)}^2{f}_i}{n-1}} \\ 其中，k为组数，M_i为组中值，f_i为组频数 \end{gathered}$$

• 标准分数（相对位置的度量）

有了平均数和标准差之后，可以计算一组数据中各个数据的标准分数，以测度每个数据在该组数据中的相对位置，并可以用它来判断一组数据是否有离群数据。变量值与其平均数的离差除以标准差后的值称为标准分数，用$z$表示。

设第$i$个数据的标准分数为$z_i$，那么标准分数的公式为：
$$z_i=\frac{x_i-\bar{x}}{s},其中s为标准差$$
标准分数给出了一组数据中各数据的相对位置。比如，如果某个数据的标准分数为$-1.5$，就知道该数据比平均数低$1.5$个标准差。

对于相对位置的度量，除了标准分数外，还有经验法则和切比雪夫不等式。

• 变异系数：一组数据的标准差与其相应的平均数之比，用$v_s$表示

其计算公式为：
$$v_s=\frac{s}{\bar{x}}$$
变异系数是测度数据离散程度的统计量，主要用于比较不同样本数据的离散程度。变异系数大，说明数据的离散程度也大；变异系数小，说明数据的离散程度也小。

3.偏态与峰态的度量

偏态和峰态就是对数据分布形状的测度，主要判断数据分布的形状是否对称、偏斜的程度以及分布的扁平程度等。

• 偏态（skewness）

偏态是对数据分布对称性的测度，测度偏态的统计量是偏态系数（coefficient of skewness），记作$SK$.

如果偏态系数等于0，说明数据的分布是对称的；如果偏态系数明显不等于0，说明数据分布是非对称的。当SK接近0，认为偏斜程度很小；当SK在$0.51或者-0.5-1$,认为偏斜程度中等；如果SK大于1或者小于-1，认为偏斜程度很大。其中SK大于0说明右偏。SK小于0说明左偏（往哪边偏就是哪边有拖尾）

对于未分组数值型数据，偏态系数的公式为：
$$SK=\frac{n\sum (x_i-\bar{x}{)}^3}{(n-1)(n-2)s^3},其中s^3为标准差的三次方$$

对于分组数值型数据，偏态系数的公式为：
$$SK=\frac{{\sum }_{i=1}^k(M_i-\bar{x}{)}^3{f}_i}{n{s}^3}$$

• 峰态（kurtosis）

峰态是对数据分布平峰或尖峰程度的测度，测度峰态的统计量是峰态系数（coefficient of kurtosis），记作$K$。

如果峰态系数等于0，说明该分布为正态分布。当K=0，为正态分布；当K>0，为尖峰分布，数据分布更集中；当K<0，为平峰分布，数据分布更分散

对于未分组数值型数据，峰态系数的公式为：
$$K=\frac{n(n+1)\sum (x_i-\bar{x}{)}^4-3[\sum (x_i-\bar{x}{)}^2{]}^2(n-1)}{(n-1)(n-2)(n-3)s^4}$$

对于分组数值型数据，峰态系数的公式为：
$$K=\frac{{\sum }_{i=1}^k(M_i-\bar{x}{)}^4{f}_i}{n{s}^4}-3$$