基于R语言的现代统计分组处理原则.docVIP

基于R语言的现代统计分组处理原则 　　[提要] 在已经划分组距的状况下，为了处理某些单位的标志值正好等于组上限下限数值的情形，一般把这种特别的数值划归到下限组，这一原则称为“上限不在内原则”，这种统计界的行规是否具备内在的理性？可否可以改进？ 　　关键词：统计分组；上限不在内原则；变量分布 　　中图分类号：TP31 文献标识码：A 　　原标题：现代统计分组的处理原则――基于R语言的处理方法 　　收录日期：2014年4月10日 　　一、统计界行规 　　统计界一直存在一个这样的惯例，统计分组时使用上限不在内原则。这一原则存在于各大教科书中，也是国家统计局主导的全国统计资格考试的官方标准答案。 　　在google搜索引擎中输入“统计学上限不在内”，可以找到169本教材，千篇一律、异口同声地对这个问题，进行全部一致的表述。我们抽取第一本教材，《统计学教程》（清华大学出版社2006年，卢小广主编），在采用重合组限场合，为了贯彻“不重不漏”原则，一般采用“上限不在内”统计惯例的处理方式。所谓上限不在内，完整表述是“下限在内、上限不在内”，凡是其数值恰好等于某组上限的数据，在重合组限场合必然同时等于其以上一组的下限……中国国内所有统计学教科书中众口一词，千篇一律，进行这样的表述。 　　国家统计局主导的2012年度全国统计专业技术中级资格考试，统计基础理论及相关知识试卷（A卷）第一大题单项选择题的第四小题，在统计分组中，如果某一数值恰好等于某一组的组限时，则采取（B.上限不在内的原则）。 　　国家统计局作为行业领导，采取这样一种观念，更加重了统计界对这个问题的看法。 　　仔细分析可以发现，上限不在内原则是基于重叠分组而产生，一个组的上限和另一个组的下限相等时，我们人为裁定：上限不在内。这个数据就要划归到下限组。如果我们在分组的时候，不采取重叠分组，这个问题就简简单单地规避了，也不会有上限不在内的说法了。 　　统计分组的最基础原则应该是：全面覆盖，不重不漏。以此为出发点，可以避免人为硬性规定“上限不在内”的做法。无论如何分组，只要做到全部覆盖，相邻区间端点不重合，不遗漏，就无需再提“上限不在内”。重叠分组将导致某个值正好等于区间端点，如何将它划入哪个区间的两难境地。这种做法也符合数学上的美：完备性。你分割的区间对所研究问题的值域，构成一种无重复的完备分割。 　　进一步查看国内的统计学教材，你会发现，居然是用手工检测的方式来保证这种上限不在内的原则得以履行。 　　二、国际统计软件的处理方法 　　国际统计学界最流行的软件是R，它是一个有着统计分析功能及强大作图功能的软件，在GNU协议General Public Licence4下免费发行。它是面向对象的统计编程语言，是由ATT贝尔实验室所创的S语言发展出的一种方言。R是一种为统计计算和图形显示而设计的语言及环境。它是以开源项目形式发展出来的一套国际通用统计科学计算包，http：///，已成为统计界的标准学术语言。 　　R采取了一种怎样的处理方式呢？R软件的处理原则是：全面覆盖、不重不漏。由于它没有采用重叠分组，因此无需硬性规定“上限不在内”。 　　下面，我们给一个具体的实例，用R语言进行编程处理，并给出全部的代码。某班50名学生的统计基础课程期中测试成绩如下，请统计分组后，编制变量数列。 　　[，1][，2][，3][，4][，5][，6][，7][，8][，9][，10] 　　[1，] 82 68 86 94 89 63 77 76 84 89 　　[2，] 75 78 81 82 76 99 80 84 89 88 　　[3，] 60 83 72 83 85 56 86 68 75 100 　　[4，] 90 84 75 86 74 77 95 63 80 76 　　[5，] 100 43 76 81 79 74 96 52 69 86 　　依照不重叠分组的原则，对于这次考试成绩，我们可以分成5组，前面4组全部是左开右闭，最后一组两侧区间全部封闭。 　　[0-60） 0=考试成绩60 　　[60-70） 60=考试成绩70 　　[70-80） 70=考试成绩80 　　[80-90） 80=考试成绩90 　　[90-100] 90=考试成绩=100 　　从这里可以看到，只要我们实行不重叠分组，采用全部覆盖，不重不漏的原则，无需再提及“上限不在内”的说法。 　　下面我们用R语言来实现变量数列的编制。 　　raw_data= 　　82 68 86 94 89 63 77 76 84 89 　　75 78 81 82 76 99 80 84 89 88 　　60 83 72 83 85 56 86 68 75 100