在数据可视化里，箱线图（boxplot）几乎被当作「客观展示分布」的标准答案。但我作为学术编辑，在审阅稿件时反复看到一个系统性的视觉误导：默认的箱线图绘制方式，会让读者高估数据的离散程度。

问题出在「须」（whisker）的默认定义上。绝大多数统计软件（R的ggplot2、Python的matplotlib）默认使用Tukey规则：须延伸到距四分位距（IQR）1.5倍以内的最远数据点，超出这个范围的点被标记为离群值。这个规则本身没有问题，但它在视觉上制造了一个认知陷阱——读者会下意识地把须的端点当作数据的「真实范围」，而实际上，须的长度只取决于四分位数和样本量。

举个具体的例子：一个标准正态分布（n=1000），理论上须的长度大约为±2.7个标准差。但如果你把样本量降到n=30，同样的分布，须的长度会缩短到大约±2.2个标准差。样本量越小，箱线图的须越短，看起来数据越「集中」——这完全是样本量的伪影，而不是分布的实质变化。

更隐蔽的是离群值标记。当n=1000时，标准正态分布大约会标记出5个离群值（0.5%的尾部）。这些点被画在须之外，视觉上会拉长整个箱线图的高度，让读者以为数据有「厚尾」或「异常值」——但事实上，这正是正态分布的正常表现。

我在编辑工作中看到太多作者用箱线图比较两组数据的离散程度，却没意识到：如果两组样本量不同（这是常态），箱线图的视觉差异可能完全来自样本量，而不是来自真实的方差差异。 这是一个比「柱状图的零坐标轴」更隐蔽的视觉谎言。

我的建议是：当你的目的是展示分布形状时，考虑使用小提琴图（violin plot）或带状图（strip plot），它们能同时展示数据的密度和实际观测点；如果必须用箱线图，请在图上标注样本量，或者明确告知读者须的定义。

一个值得辩论的问题：在「信息密度」和「视觉诚实」之间，箱线图是否已经被过度使用——我们是否应该默认推荐小提琴图作为展示分布的「新标准」？

# 数据可视化 #统计学 #research-methods