在R中，当我绘制特定数据集的箱线图时，我使用了outline = FALSE参数来排除异常值。这个方法非常有效，但是让我想知道它是如何确定哪些元素是异常值的。
boxplot(x, horizontal = TRUE, axes = FALSE, outline = FALSE)
3个回答
8
在箱线图的术语中，“异常值”是指数据集中距离中位数超过特定距离的任何点，通常是中位数与0.25（下限）或0.75（上限）分位数之间差异的2.5倍左右。要了解更多信息，请参见“?boxplot.stats”：首先，查看输出中“out”的定义：
“out”：超出须端点（如果（do.out））的任何数据点的值。
这些就是“异常值”。其次，查看基于coef参数的须的定义，默认情况下为1.5：
须延伸到离盒子不超过coef倍盒子长度的最极端数据点。
最后，查看“hinges”的定义，它们是盒子的两个端点：
两个“hinges”是第一和第三四分位数的版本，即接近quantile（x，c（1,3）/4）。
将它们结合起来，您会发现异常值被定义为（大约）比相应四分位数中位数距离的2.5倍远的点。这些有些复杂的定义的原因在于（我认为）部分是历史原因，部分是希望绘图组件尽可能反映存在于数据中的实际值（而不是例如两个数据点之间的中点）。 （您可能需要回到帮助页面引用的原始文献中，以获取完整的证明和解释。）
需要注意的是，通过此算法定义为“异常值”的点未必在通常的统计意义上是异常值（例如，基于特定数据模型的统计意义上极端的点）。特别是，如果您有一个大数据集，您将必然看到很多“异常值”（这表明您可能需要切换到更耗费数据的图形摘要，例如小提琴图或beanplot）。
“out”：超出须端点（如果（do.out））的任何数据点的值。
这些就是“异常值”。其次，查看基于coef参数的须的定义，默认情况下为1.5：
须延伸到离盒子不超过coef倍盒子长度的最极端数据点。
最后，查看“hinges”的定义，它们是盒子的两个端点：
两个“hinges”是第一和第三四分位数的版本，即接近quantile（x，c（1,3）/4）。
将它们结合起来，您会发现异常值被定义为（大约）比相应四分位数中位数距离的2.5倍远的点。这些有些复杂的定义的原因在于（我认为）部分是历史原因，部分是希望绘图组件尽可能反映存在于数据中的实际值（而不是例如两个数据点之间的中点）。 （您可能需要回到帮助页面引用的原始文献中，以获取完整的证明和解释。）
需要注意的是，通过此算法定义为“异常值”的点未必在通常的统计意义上是异常值（例如，基于特定数据模型的统计意义上极端的点）。特别是，如果您有一个大数据集，您将必然看到很多“异常值”（这表明您可能需要切换到更耗费数据的图形摘要，例如小提琴图或beanplot）。
- Ben Bolker
2
对于
boxplot，离群值是指在"须"(whiskers)之上或之下的点。默认情况下，须的长度为数据点与箱子之间四分位数距离(interquartile range)乘以range参数。默认的range值为1.5，但您可以更改它，从而也可以更改离群值列表。
您还可以使用boxplot.stats函数查看其计算过程，该函数执行图形所使用的计算。
例如，如果您有以下向量:
v <- c(runif(10), -0.5, -1)
boxplot(v)
默认情况下，只有-1的值被视为异常值。您可以通过boxplot.stats来查看：
boxplot.stats(v)$out
[1] -1
但是如果您更改range参数（或boxplot.stats的coef参数），那么-1将不再被视为异常值：
boxplot(v, range=2)
boxplot.stats(v, coef=2)$out
numeric(0)
- juba
1
这一点从
这决定了箱线图的须延伸到哪里。如果“range”是正数，则须延伸到最极端的数据点，其距离箱线图的四分位距不超过“range”倍。值为零会导致须延伸到数据极端。
因此，
我将首先同意这个定义不直观。可悲的是，它现在已经得到确认。
boxplot()中并不明显。请看range参数：这决定了箱线图的须延伸到哪里。如果“range”是正数，则须延伸到最极端的数据点，其距离箱线图的四分位距不超过“range”倍。值为零会导致须延伸到数据极端。
因此，
range的值与四分位距和箱子（由四分位数给出）一起用于确定须的结束位置。而须之外的所有内容都是异常值。我将首先同意这个定义不直观。可悲的是，它现在已经得到确认。
- Stephan Kolassa
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接