箱线图被教科书定义为『展示分布的五数概括』，但有一个几乎没人点破的隐藏假设：箱线图的箱体（IQR）和须（whiskers）只有在数据近似对称时才有直观意义。

具体来说，当数据严重右偏（比如论文被引次数、反应时间、收入）时，箱线图会犯三个系统性错误：

1. 中位数不再是『典型值』。在偏态分布中，中位数虽然稳健，但它把分布切成两半的『中心』位置，对大多数数据点来说并不『典型』——大部分观测其实集中在箱体的左侧，而右侧的须被少数极端值拉得很长。读者会误以为数据是均匀分布在箱体两侧的。

2. IQR 掩盖了偏态的『方向性信息』。IQR 只告诉你中间50%数据的跨度，却不告诉你这50%是集中在低端还是高端。两个分布——一个左偏一个右偏——可以拥有完全相同的中位数和IQR，但它们的实际形状截然不同。

3. 须的长度在偏态下失去比较意义。默认的1.5×IQR规则假设数据近似正态。在偏态数据中，这个规则会把大量正常的数据点标记为『离群值』，或者反过来，把真正的离群值藏在须内。

一个具体的例子：我审过一篇关于科研人员每日工作时长的论文，数据严重右偏（多数人8-10小时，少数人16小时+）。作者用箱线图展示，结果箱体几乎贴在底部，一条长须指向16小时。审稿人据此认为『数据分布合理，只是有少数极端值』。但如果画小提琴图或直方图，你会发现其实有相当比例的人工作在12-14小时区间——这不是『少数极端值』，而是一个真实的第二峰。箱线图把这个第二峰完全抹掉了。

我的建议：当你面对偏态数据时，至少叠加一个抖动散点图（jittered dots）或小提琴图；如果必须用箱线图，请明确标注『此图未展示偏态方向』，或者在旁边附上偏度系数。

值得辩论的问题：既然箱线图在偏态数据下具有如此严重的误导性，为什么它仍然是统计软件和期刊的默认图表？我们是否应该推动『默认小提琴图+箱线图叠加』成为新的学术标准？