📊 statistics

The dangers of using three-number summaries to estimate unknown standard deviations: sensitivity analyses and some possible improvements incorporating shape

本文表明，三数概括（three-number summaries）不足以在元分析中可靠地估计标准差，从而可能导致无效的推断，并提出了一个敏感性分析框架，以及一种基于新型缩放 Beta 分布的估计量，该估计量结合了数据形状信息以提高准确性。

原作者： Udara Kumaranathunga, Alysha De Livera, Luke A. Prendergast

发布于 2026-06-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Udara Kumaranathunga, Alysha De Livera, Luke A. Prendergast

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一名正在试图破解一组人身高之谜的侦探。你并没有获得每个人的身高清单。相反，你只有一份目击者留下的只有三行的小纸条。这张纸条告诉了你三件事：

最矮的人的身高。
正中间那个人（中位数）的身高。
最高的人的身高。

或者，纸条可能只给了你中间人的身高和“中间50%”的数据（即第25百分位数和第75百分位数之间的范围）。

问题所在：“正态分布”陷阱
多年来，研究人员一直试图仅利用这三个数字来推测整组人的平均身高和离散程度（标准差）。大多数人一直在使用一种“魔法公式”，该公式假设所有人的身高都遵循完美的、对称的钟形曲线（即正态分布）。

本文认为，这就像是试图仅通过观察云朵的影子来猜测云朵的形状。如果云朵实际上是一个扁平的煎饼、一座崎岖的山峰或一个 U 形的山谷，那么使用“钟形曲线”公式将会得到完全错误的答案。

作者展示了即使这三个数字看起来完全对称，背后的实际数据也可能呈现出数十种不同的形状。

均匀分布陷阱： 想象一个教室里，每个学生的身高都完全一样。此时“离散程度”为零。但如果你对这组最小/最大/中位数使用标准公式，它可能会告诉你这些学生的身高差异巨大。
U型分布陷阱： 想象一个房间里充满了非常矮的人和非常高的人，但中间几乎没有人。标准公式可能会认为大家都很平均，从而完全忽略了极端的离散程度。

危险性：为什么这很重要
猜错“离散程度”会有什么后果？把它想象成瞄准一门大炮。

如果你猜想的离散程度比实际的小，你的炮弹（你的统计检验）会飞得太远。你可能会认为自己发现了一个“奇迹疗法”或“巨大的差异”，而实际上那只是随机噪声。你可能会在结果并不显著的情况下声称其具有显著性。
如果你猜想的离散程度比实际的大，你的炮弹就会落后。你可能会因为认为数据太乱而无法信任，从而错过一次真正的发现。

本文指出，通过使用这些三数概括值而不检查其形状，研究人员往往是在盲目开火，从而导致错误的结论。

解决方案：敏感性分析（“如果……会怎样？”游戏）
与其选择一个公式并寄希望于运气，作者建议玩一个名为敏感性分析的“如果……会怎样？”的游戏。

想象你是一位正在品尝汤汁的厨师。与其仅仅猜测盐分水平，不如假设它是番茄汤，然后假设它是鸡汤，再假设它是蔬菜汤进行品尝。

如果无论你假设什么，汤的味道都很咸，那么你可以很有信心。
如果盐分水平根据你假设它是番茄汤还是鸡汤而发生剧烈变化，那么你就知道你的信息还不够充分。

作者提供了一个新工具（一个 Web 应用），让研究人员可以运行这个“如果……会怎样？”的游戏。他们针对许多不同的形状（钟形曲线、U型曲线、偏斜的山丘）测试数据，以查看在给定这三个数字的情况下，哪些形状是可能的。这有助于研究人员说：“我们无法确定，但答案很可能在 X 和 Y 之间，”而不是给出一个单一的、可能错误的数字。

新技巧：使用“围栏”（总体边界）
有时，研究人员知道数据的“围栏”。

例子： 如果你在研究一项关于成年人年龄的研究，你知道最小值是 18 岁，最大值是 100 岁。不会有人是 5 岁或 150 岁。
例子： 如果你在研究一个 0 到 100 分的测试成绩，你知道极限是 0 和 100。

本文介绍了一种使用缩放 Beta 分布的新方法。把这想象成一根灵活的橡皮筋。如果你知道“围栏”（最小值和最大值），你可以用这根橡皮筋去拟合你拥有的那三个数字。因为这根橡皮筋知道自己不能超出围栏，所以它比那些假定数据可以无限延伸的旧方法能更准确地推测“离散程度”。

核心结论
本文最后为研究人员提出了三条简单的规则：

如果你只有三个数字，不要去猜测离散程度。 如果可以，直接分析中位数，而不是尝试将其转换为平均值。
玩“如果……会怎样？”游戏。 在你发表研究之前，检查一下如果假设数据呈现山丘、山谷或平坦直线状，你的答案是否会发生剧烈变化。如果会，请承认这种不确定性。
利用围栏。 如果你知道绝对的最小值和最大值（如年龄限制或测试成绩限制），请使用它们！使用这些极限的新方法在推测离散程度方面要好得多。

简而言之：仅凭三个数字不足以讲述完整的故事。 试图将它们强行塞入一个单一答案是危险的。相反，你应该探索各种可能性，检查形状，并诚实地面对不确定性。

技术摘要：使用三数概括估计未知标准差的危险性

问题陈述
在元分析（meta-analysis）中，研究人员经常遇到通过分位数概括（中位数、四分位数、范围）而非均值和标准差（SD）报告连续数据的研究。虽然存在将五数概括（最小值、第一四分位数、 $Q_1$ 、中位数、 $Q_3$ 、最大值）转换为均值和标准差的方法，但将三数概括（例如，中位数和四分位距，或中位数和范围）进行转换仍然存在问题。作者认为，三数概括缺乏足够的信息来可靠地估计未知的标准差，因为它们无法约束底层数据的形状。因此，假设特定的分布（通常是正态分布）来推导标准差可能会导致严重的估计误差，从而可能使后续的统计推断（如 t 检验或 Cohen's $d$ 计算）失效。

方法论
本文结合了理论分析、模拟研究和真实数据案例研究，用以评估现有及提出的方法。

现有方法综述： 作者分析了流行的转换技术，包括：
- Wan 等人 (2014) 和 Luo 等人 (2018)： 假设底层数据为正态且对称的闭式估计量（closed-form estimators）。
- 分位数估计 (QE) (McGrath et al., 2020a)： 一种通过最小化观测分位数与理论分位数之间平方误差和 (SSE) 来拟合参数分布（正态、对数正态、Gamma、Weibull、Beta 分布）的方法。
- Box-Cox 转换： 一种试图在应用基于正态的估计量之前，通过幂变换使数据对称化的方法。
敏感性分析框架： 受单一方法选择局限性的启发，作者提出了一个拟合优度类型的敏感性分析。这包括：
- 拟合多个候选分布到三数概括。
- 计算 SSE 并进行参数自助法（parametric bootstrap）以生成 p 值 ( $\hat{p}_B$ )。
- 使用这些指标排除不合理的分布，并报告一系列合理的标准差估计值，而非单一的点估计值。
改进方案 (QE-beta)： 为了解决已知总体边界（最小值 $L$ 和/或最大值 $U$ ）的情景（例如年龄限制、问卷评分），作者引入了一种基于缩放 Beta (SB) 分布的新估计量。
- SB 分布定义在 $[L, U]$ 区间内，并具有高度的形状灵活性（均匀型、偏态、U 型、J 型）。
- 该方法通过匹配三数概括（或仅已知 $L$ 时的四数概括）与 SB 分布的理论分位数来估计 Beta 形状参数 ( $\alpha, \beta$ )。
模拟设计：
- 生成数据： 模拟测试了各种具有已知 $L$ 和 $U$ 的 SB 分布（均匀型、U 型、偏态、J 型），并将其与错误地将总体边界视为样本极值的现有方法进行对比。
- 真实数据： 使用 PHQ-9 抑郁症数据集（边界为 0–27）进行模拟，以评估在现实条件下的表现。

关键结果

对形状的敏感性： 即使对于对称分布（如均匀分布、Beta 分布），通过三数概括假设正态性来估计标准差也会导致巨大的相对误差（范围从 -35% 到 +50%）。对于偏态分布，误差通常更为严重。
对称化的失效： Box-Cox 转换可以实现对称性，但不能保证正态性。例如，将 Pareto 数据进行转换后会得到均匀分布，如果转换后仍假设正态性，会导致显著的标准差估计误差。
对推断的影响： 本文证明，在假设非正态数据为正态分布时，低估标准差（一种常见结果）会人为地减小标准误，从而导致统计显著性膨胀（I 类错误）和误导性的置信区间。
QE-beta 的表现：
- 当已知总体边界 ( $L, U$ ) 时，QE-beta 方法的表现始终优于将这些边界视为样本极值的现有五数概括方法（Wan, Shi, QE, BC）。
- 当使用总体边界作为样本极值时，现有方法在处理偏态分布时往往会高估标准差，而 QE-beta 保持了稳定性。
- 即使仅已知下界 ( $L$ )（四数概括），QE-beta 提供的估计也比标准三数方法更准确。

意义与建议
本文得出结论，由于无法验证分布假设，从三数概括估计标准差本质上是冒险的。作者并不声称存在一个适用于所有情况的“最佳”估计量，而是倡导一种实践上的转变：

尽可能避免标准差转换： 对于元分析，作者建议直接对中位数进行元分析（使用现有方法），而不是将其转换为均值/标准差。
强制进行敏感性分析： 如果必须进行标准差估计，研究人员必须针对多种分布形状进行敏感性分析。他们应当报告合理标准差的范围，并讨论这种变化如何影响下游的推断。
利用总体边界： 当存在已知总体限制（如年龄、测试分数）时，研究人员应使用所提出的 QE-beta 方法，该方法利用这些边界来约束分布的形状，从而显著提高估计精度。
工具可用性： 提供了一个 Shiny 网络应用程序，以方便进行此类敏感性分析，允许研究人员输入三数概括，并探索各种模型下标准差估计值的分布情况。

作者强调，其工作旨在揭示当前做法的危险性并提供一个更具透明度和严谨性的框架，而非提供一个消除所有估计不确定性的终极解决方案。

技术摘要：使用三数概括估计未知标准差的危险性

类似论文