分位数与QQ图

QQ图基本知识

Sample Quantiles 样本分位数

quantile(x, ...)
给定一个系列$x$，可以求出给定累积概率$p$对应的分位数。
计算分位数有9种方法${}^1$：

假设方法$i$（$1\le i\le 9$)，对应概率p的计算公式是：
$$Q(p)=(1-\gamma )x_j+\gamma x_{j+1},$$

$$\begin{gathered} \frac{j-m}{n}\le p<\frac{(j+1)-m}{n} \\ j=floor(np+m) \\ g=(np+m)-j \\ \gamma =f(j,g) \end{gathered}$$
$x_j$是第$j$个顺序统计量；
$n$是$x$的长度（样本量）；
$m$是个常数，不同的方法$i$取不同的值；
$j$的值由公式：$j=floor(np+m)$确定；
还有个$j$的gap值$g$：$g=(np+m)-j$
$\gamma$值由$j$和$g$值共同确定（如下表）：

type	$m$ value	$\gamma$ value	desc
1	$0$	$\gamma =\{\begin{array}{ll}& 0;\text{ if g=0;}\\ & 1;\text{ if others }\end{array}$	Inverse of empirical distribution function
2	$0$	$\gamma =\{\begin{array}{ll}& 0.5;\text{ if g=0;}\\ & 1;\text{ if others }\end{array}$	Similar to type 1 but with averaging at discontinuities. (SAS default)
3	$-1/2$	$\gamma =\{\begin{array}{ll}& 0;\text{ if g=0 and j is even}\\ & 1;\text{ if others }\end{array}$	Nearest even order statistic (SAS default till ca. 2010)
4	$0$	$p[k]=\frac{k}{n}$	linear interpolation of the empirical cdf.
5	$1/2$	$p[k]=\frac{k-0.5}{n}$	That is a piecewise linear function where the knots are the values midway through the steps of the empirical cdf. This is popular amongst hydrologists.
6	$p$	$p[k]=\frac{k}{n+1}$	Thus $p[k]=E[F(x[k])]$. This is used by Minitab and by SPSS.
7	$1-p$	$p[k]=\frac{k-1}{n-1}$	In this case, $p[k]=mode[F(x[k])]$. This is used by S.
8	$\frac{p+1}{3}$	$p[k]=\frac{k-1/3}{n+1/3}$	Then p[k] =~ median[F(x[k])]. The resulting quantile estimates are approximately median-unbiased regardless of the distribution of $x$.
9	$p/4+3/8$	$p[k]=\frac{k-3/8}{n+1/4}$	The resulting quantile estimates are approximately unbiased for the expected order statistics if $x$ is normally distributed.

Empirical Cumulative Distribution Function 经验累积分布函数

ecdf(x, ...)

F n ( t ) = # { x i ≤ t } n = ∑ i = 1 n I n d i c a t o r ( x i ≤ t ) n . F_n(t) = \frac{\#\{x_i \leq t\}}{n} = \frac{\sum_{i=1}^{n} Indicator(x_i \leq t)}{n}. Fn​(t)=n#{xi​≤t}​=n∑i=1n​Indicator(xi​≤t)​.
其中，Indicator是指示函数，
Indicator(TRUE) = 1; Indicator(FALSE) = 0；

我们可以看见，对于顺序统计量$x_i$，每往后增加一个元素，累积概率增加$1/n$。

ppoints

再[0, 1]上，“均匀”地产生$n$个概率点

> ppoints
function (n, a = if (n <= 10) 3/8 else 1/2) 
{
    if (length(n) > 1L) 
        n <- length(n)
    if (n > 0) 
        (1L:n - a)/(n + 1 - 2 * a)
    else numeric()
}

从ppoints的在线帮助可以知道${}^2$：

1. ppoints产生的概率点在[0, 1]上是对称的，$p_i+p_{n-i+1}=1;i=1..n$；
2. 默认情况下，$n\le 10$时，$a=3/8$, 此时，$p_i=\frac{i-3/8}{n+1/4}$; $n>10$时，$a=1/2$, 此时，$p_i=\frac{i-0.5}{n}$; 此时，ppoints一般用于产生标准正态分布对应的累积概率。

ppoints用在qqnorm中产生标准正态分布对应的分位点。x <- qnorm(ppoints(n))[order(order(y))]

3. 不同a的值，对应quantile()函数的type。

QQ图

qqnorm

function (y, ylim, main = "Normal Q-Q Plot", xlab = "Theoretical Quantiles", 
    ylab = "Sample Quantiles", plot.it = TRUE, datax = FALSE, ...) 
{
    if (has.na <- any(ina <- is.na(y))) {
        yN <- y
        y <- y[!ina]
    }
    if (0 == (n <- length(y))) 
        stop("y is empty or has only NAs")
    if (plot.it && missing(ylim)) 
        ylim <- range(y)
    x <- qnorm(ppoints(n))[order(order(y))]
    if (has.na) {
        y <- x
        x <- yN
        x[!ina] <- y
        y <- yN
    }
    if (plot.it) 
        if (datax) 
            plot(y, x, main = main, xlab = ylab, ylab = xlab, 
                xlim = ylim, ...)
        else plot(x, y, main = main, xlab = xlab, ylab = ylab, 
            ylim = ylim, ...)
    invisible(if (datax) list(x = y, y = x) else list(x = x, y = y))
}

有函数的实现可以知道，y是待比较的样本分位点，x是通过ppoints产生的标准正态分布的理论分位点，调用plot画出散点图。

qqplot

> qqplot
function (x, y, plot.it = TRUE, xlab = deparse(substitute(x)), 
    ylab = deparse(substitute(y)), ...) 
{
    sx <- sort(x)
    sy <- sort(y)
    lenx <- length(sx)
    leny <- length(sy)
    if (leny < lenx) 
        sx <- approx(1L:lenx, sx, n = leny)$y
    if (leny > lenx) 
        sy <- approx(1L:leny, sy, n = lenx)$y
    if (plot.it) 
        plot(sx, sy, xlab = xlab, ylab = ylab, ...)
    invisible(list(x = sx, y = sy))
}

从函数的实现可以发现，qqplot可以画出QQ图，也能画出PP图，取决于传入的x和y是分位点还是累积概率点
qqplot不局限于是不是满足标准正态分布，可以画出样本分位点和任意分布的理论分位点的QQ图。也可以比较两个系列y，x是否满足同一分布（任意分布）。

qqline

> qqline
function (y, datax = FALSE, distribution = qnorm, probs = c(0.25, 
    0.75), qtype = 7, ...) 
{
    stopifnot(length(probs) == 2, is.function(distribution))
    y <- quantile(y, probs, names = FALSE, type = qtype, na.rm = TRUE)
    x <- distribution(probs)
    if (datax) {
        slope <- diff(x)/diff(y)
        int <- x[1L] - slope * y[1L]
    }
    else {
        slope <- diff(y)/diff(x)
        int <- y[1L] - slope * x[1L]
    }
    abline(int, slope, ...)
}

有函数的实现可以知道，qqline默认从y选取Q1和Q3两个分位点，x根据理论分布产生对应的四分位点，过$(x_1,y_1),(x_2,y_2)$画一条直线。

Ref:

1. R语言：help(quantile)
2. R语言：help(ppoints)