关于红楼梦的统计学.doc

《红楼梦》前80回与后40回某些文风差异的统计分析 一、引言 在统计学应用的诸多领域中，文学著作的统计分析是一个饶有兴趣的分支。美国斯坦福大学教授Efron和他的学生曾经对莎士比亚的著作进行过相当深入的统计分析（见[1]，[2]），并指出：1985年发现的一篇“无名氏”诗稿（仅9节429字）确为莎士比亚所著。Efron是当今国际上最著名的顶级统计学家之一，他们的工作在当时引起很大反响，另一位国际顶级统计学家Rao誉之为“一曲统计学的赞歌”（见[3]）。 《红楼梦》是我国四大名著之首，而且有很多悬而未决的问题，把统计学的定量分析方法引入红学研究是很自然的。早在1980年，在美国威斯康星大学召开的“首届国际《红楼梦》研讨会”上，该校华裔学者陈炳藻教授首次报告了他在这方面的研究工作（见[4]，[5]），此后还出版了专著（见[6]）。陈教授将《红楼梦》120回分为三组，每组40回，并将《儿女英雄传》作为对照组进行比较研究。他从每组中任取8万字，挑出名词、动词、形容词、副词、虚词这5种词，然后运用统计学方法算出各组之间用词的相关程度，结果发现：　《红楼梦》前80回与后40回所用词汇的相关程度远远超过《红楼梦》与《儿女英雄传》所用词汇的相关程度，并由此推断：前80回与后40回均为曹雪芹一人所作。 但是，我国华东师范大学陈大康教授得出了迥异的结论(1987，[7])。他也把《红楼梦》120回分成三组，每组40回，并统计了其中所含词、字、句等88个项目。他发现，这些词在前两组出现的规律相同，而与后40回却不一致；关于用字特点和句式规律，前两组也是惊人的吻合，而后40回则迥异。由此推断：后40回非曹雪芹所作（但含有少量残稿）。 同时，复旦大学李贤平教授又提出“成书新说”(1987，[8])。李教授选择了47个虚字为识别特征，诸如：“之、其、或、亦、了、的、不、把、别、好”等等，利用各种统计方法（主成份分析、典型相关分析、聚类分析等），对它们在书中各回的出现频率进行统计分析，探索各回写作风格的接近程度，并用三个层次的聚类方法对各回进行分类。由此提出了成书过程新观点：《红楼梦》前80回是曹雪芹根据《石头记》增删而成；而后40回则是曹家亲友搜集整理原稿加工补写而成。 李贤平教授的观点也受到质疑，例如，陈大康教授(1988，[9])认为其“成书新说”难以成立。台湾成功大学王三庆教授也提出若干不同意见(1994，[10])。 以上三位学者都是从《红楼梦》的词语结构出发进行统计分析，他们按照词语的一定规则进行量化，得到数据集，从而应用统计方法推断前80回与后40回之间的差异。这方面的研究已经比较充分，本文拟从另一种观点出发研究前80回与后40回之间的差异。其主要特点是分析《红楼梦》中着力描写的若干情景，通过量化得到数据集，然后应用统计方法推断前80回与后40回之间的差异。具体来说，我们选择了花卉、树木、饮食、医药与诗词这5个情景指标，统计出它们在前80回与后40回中出现的频数，并应用统计学中的“等价性检验”方法来检验二者的差异。由此得出结论：《红楼梦》前80回与后40回在饮食和花卉的描写上确实存在非常显著的差异，其可信概率不低于98%；同时在树木的描写上也存在明显差异，其可信概率不低于95%。这样，我们就依据统计学原理提供了一个强有力的证据，说明《红楼梦》前80回与后40回在某些重要的情景描写上确实存在非常显著的差异。至于导致这些差异的原因，还涉及到人文和社会方面的诸多因素，仅用统计学方法可能是无法解释清楚的，因此本文未有讨论。 本文第一节列举了《红楼梦》中着力描写的5个情景指标，并经过量化得到相应的数据集；第二节对这5个数据集进行等价性检验，计算出相应的p-值，并指出《红楼梦》前80回与后40回在某些文风上所存在的显著性差异，从而得到本文的本要结果；第4节结束语对本文的研究作若干注记；附录简要说明了数据集的生成过程。 一、情景指标的数据集 据2007年10月10日南京“现代快报”报道（见[11]），南京林业大学汤庚国教授另辟蹊径，从海棠文化出发，分析《红楼梦》前80回与后40回的差异。汤教授主要是从人文花卉方面进行分析，但是他们也提供了一组数据，即《红楼梦》前80回有16回涉及海棠，而后40回仅有4回涉及海棠，以此说明前后差距明显。对于场教授提供的这组数据，统计学者还是能够有所作为的。事实上，我们可以对此做一个等价性假设检验： 原假设：“前80回与后40回对于海棠花的关注程度相同”； 对立假设：“前80回对于海棠花的关注程度大于后40回对于海棠花的关注程度”。 经渐近正态公式计算，有将近92%的“把握”认为“前80回对于海棠花的关注程