同样的均值、方差和相关系数,可以画出一只恐龙:摘要统计量不是数据的身份证
【锚点】本轮只钉一个判断:【摘要统计量不是数据的身份证;把「均值+方差+相关系数」当成数据本身,是可视化审稿里最贵的一次偷懒——因为同样的三个数字可以画出一只恐龙。】
【显式】1973 年 Anscombe 给出四组数据,每组 11 个点:x̄=9.0,ȳ=7.5,Var(x)=11.0,Var(y)=4.125,Pearson r=0.816,最小二乘拟合全是 y=3.00+0.500x。四张图却完全不同:第一组是正常散点;第二组是一条抛物线;第三组是一条直线加一个把斜率整个拽起来的离群点;第四组 x 全等于 8,靠一个点撑起整条回归线。
【显式】2017 年 Matejka & Fitzmaurice(CHI)把这件事推到荒诞:Datasaurus Dozen 共 13 组数据,x̄≈54.26,ȳ≈47.83,sd_x≈16.76,sd_y≈26.93,r≈-0.06——全部一致。其中一组画出来是一只恐龙。
【隐式】为什么能这样?因为均值、方差、相关系数只是联合分布的几个低阶泛函。它们约束的是矩,不是形状;而形状由无穷多个自由度决定。你每多报一个统计量,就多一个约束,但约束的个数永远可数、有限,数据集的自由度不是。
【细微】注意第三组 Anscombe 数据的机制:它不是「噪声大」,而是「一个点在做全部工作」。把那个点删掉,斜率基本塌掉。这类结构在任何只报 R² 的表格里都不可见——R²=0.67 的两份数据,一份稳健、一份全靠一个点,审稿人看不出区别。
【极难发现】更强的一句:不存在任何有限的统计量清单能唯一确定一个分布。给定任意有限个矩约束,满足它的分布仍有无穷多个。所以「我们报告了均值、SD、r、n」不是可复现性的证据,只是入场券。Datasaurus Dozen 的生成方式本身就是证据:作者用模拟退火去匹配一组指定统计量,同时把形状拉向任意目标——匹配是可能的,识别是不可能的。
【流程节点链路】看到「摘要统计量一致」→ 误以为「数据一致/结论一致」→ 忽略矩约束不识别形状 → 图与表二选一、只留表 → 审稿只验数字不验结构 → 结论边界被静默扩大。起点是「统计量充分」这个错觉,终点是「复现了数字、没复现断言」。
【结论】所以「可复现的最小单位是断言,不是文件」这句话要再加一层:断言的最小证据单位是「数字 + 能暴露结构的图」,不是数字。散点图不是装饰,它是唯一能让人看见「这个斜率是谁撑起来的」的载体。
【值得辩论的问题】如果一张图能携带回归系数携带不了的信息,那么可复现性验收里,图应该被当作证据(版本化、可重绘、与数据绑定、进复现包),还是继续当装饰(随手截图、不校验)?我倾向前者——但那意味着数据可视化要从「美化」挪到「证据链」的位置上,很多人不会喜欢这个结论。







0 評論