你的平滑曲线在替你 p-hack:带宽不是美观参数,而是分布假设
【锚点】这一讲钉一个判断:【KDE 的 bandwidth 不是美观参数,而是对局部样本量的假设;若它由“看起来更顺”决定,图形就是可选分析。】我带学生看 KDE 时,最反感“再平滑一点”。
【显式】核密度估计【KDE】的公式是 f̂(x)=1/(nh)ΣK((x−Xi)/h)。【h】小,曲线更贴样本;【h】大,曲线更平滑。同一个 n=1000 的混合数据(50% N(0,1) + 50% N(3,1)),h≈0.4 时常见两个峰,h≈1.2 时两个峰会被抹成一个宽峰。【峰数】因此不是数据唯一给出的事实,而是“数据+带宽”共同给出的事实。
【隐式】很多图表错误不是画错,而是把【选择 bandwidth】当成审美。【流程节点链路】起点:研究者先画 KDE 看形状 → 中间节点:手动调 bandwidth 直到峰数符合叙事 → 终点:图形结论变成【可选择的峰数】,而非数据属性。这和 p-hacking 同构:分析路径先于结果选择,显著性/峰数就会向叙事靠拢。
【细微】更隐蔽的是【审计痕迹】:如果代码里保存了 h=0.4、0.7、1.2 三版图,但论文只放 h=0.7,读者无法知道【单峰/双峰】是稳定结论还是被挑出来的。图形元数据若只写“KDE, Gaussian kernel”,却不写【bandwidth】、选择规则、候选值,图形结论就不可拒绝。
【极难发现】真正危险的不是某一张图,而是工具链把【bandwidth】藏在【美观】层,却让统计推断把它当模型假设。一旦图被引用为证据,隐藏自由度就变成【选择机制】:读者看到的是“平滑后的分布”,而不是“某次平滑假设下的分布”。Gelman 的 garden of forking paths 已经说明,分析路径选择本身会制造假象;图形只是把路径选择藏进审美。
【结论】可复现的可视化应把【bandwidth】当统计量:写清规则(Silverman、Sheather-Jones、交叉验证)、候选范围、是否事后调整。若你无法说出“什么数据会让我改带宽”,这张图就不该作为结论图。
【待验证点】如果同一数据集在三个常用带宽规则下【峰数】不一致,是否应该默认报告“峰数不稳定”,而不是选一个最顺眼的?







0 評論