箱形图（Box Plot），又称盒须图，是一种强大的数据可视化工具，它能以简洁的形式展示数据的分布特征、中心趋势、离散程度以及异常值。在统计分析中，尤其是在探索性数据分析（EDA）阶段，箱形图是理解数据结构、发现潜在问题（如异常值）和比较不同组别差异的首选方法之一。Stata作为一款功能强大的统计软件，提供了便捷的命令来生成和解读箱形图。本指南将深入探讨如何在Stata中创建箱形图，并详细解读其各个组成部分，从而帮助您从数据分布中提取有价值的信息，并有效识别异常值。

1. 理解箱形图的基本构成

在深入Stata操作之前，我们首先需要理解箱形图的数学和视觉含义。一个标准的箱形图由以下几个关键部分组成：

  • 箱体（Box）：箱体的下边界是第一四分位数（Q1），上边界是第三四分位数（Q3）。箱体的中间有一条线，代表中位数（Q2或Median）。箱体的高度（Q3 - Q1）称为四分位距（IQR），它衡量了中间50%数据的离散程度。
  • 须（Whiskers）：从箱体延伸出的两条线。通常，须的末端被定义为：
    • 下须：从Q1向下延伸，末端是下限，即 Q1 - 1.5 * IQR。
    • 上须：从Q3向上延伸，末端是上限，即 Q3 + 1.5 * IQR。
    • 须的末端代表了数据的正常范围。落在须之外的数据点通常被视为潜在的异常值。
  • 异常值（Outliers）：任何落在须之外的数据点。在Stata的默认箱形图中，异常值通常用单独的点（如圆点或星号）表示。有时，异常值还会被进一步分类为温和异常值（在1.5倍IQR到3倍IQR之间）和极端异常值（超过3倍IQR），但Stata默认将所有须外的点都视为异常值。

重要提示：1.5倍IQR是一个经验法则，由统计学家John Tukey提出。它并非绝对标准，但在大多数情况下能有效识别出与数据主体分布显著不同的点。

2. 在Stata中创建箱形图

Stata提供了多种创建箱形图的命令，最常用的是 graph box 和 twoway box。我们将通过一个具体的例子来演示。

2.1 准备数据

我们使用Stata自带的 auto.dta 数据集，该数据集包含1978年74款汽车的详细信息。我们将分析汽车价格（price）的分布。

sysuse auto, clear

2.2 基本箱形图：graph box

graph box 是创建箱形图最直接的命令。

命令语法：

graph box varlist [if] [in] [weight] [, options]

示例：绘制汽车价格的箱形图。

graph box price

输出解读：

  • 箱体：显示了价格的Q1、中位数和Q3。
  • 须：从箱体延伸出的线，末端是 Q1 - 1.5*IQR 和 Q3 + 1.5*IQR。
  • 异常值：在须之外的点。对于 price，你会看到几个点位于上须之上，这些就是价格较高的汽车，可能被视为异常值。

2.3 分组箱形图：graph box 与 over() 选项

箱形图的强大之处在于比较不同组别的分布。我们可以使用 over() 选项按类别变量（如 foreign，国产车 vs 进口车）分组绘制箱形图。

示例：比较国产车和进口车的价格分布。

graph box price, over(foreign, label(1 "国产车" 2 "进口车")) title("国产车与进口车价格分布比较")

输出解读：

  • 你会得到两个并排的箱形图，分别代表国产车和进口车。
  • 通过比较两个箱体的位置、高度（IQR）和须的长度，可以直观判断：
    • 中心趋势：哪个组的中位数更高？（进口车中位数明显更高）
    • 离散程度：哪个组的价格波动更大？（进口车的箱体更长，IQR更大）
    • 异常值：哪个组有更多或更极端的异常值？（进口车可能有更多高价异常值）

2.4 使用 twoway box 创建更灵活的箱形图

twoway 是Stata的图形框架，允许叠加多种图形类型。twoway box 提供了更多自定义选项。

命令语法：

twoway (box varlist, options) [, global_options]

示例：创建一个更美观的分组箱形图，并添加标签。

twoway (box price if foreign==0, label(国产车)) (box price if foreign==1, label(进口车)), ///
       title("汽车价格分布对比") ytitle("价格") legend(order(1 2))

输出解读：

  • 与 graph box 类似，但 twoway 语法更灵活，便于与其他图形（如散点图、线图）叠加。
  • label() 选项可以为每个箱形图指定图例标签。

3. 深入解读箱形图：从分布到异常值

生成箱形图后，如何解读其传递的信息是关键。我们以 auto 数据集中的 price 变量为例，结合统计命令进行详细分析。

3.1 计算关键统计量

在查看图形之前，我们可以先用 summarize 命令获取数值摘要，以便与图形对应。

summarize price, detail

输出示例：

    Price
    Percentiles      Smallest
 1%        3291           3291
 5%        3748           3291
10%        3995           3291       Obs                  74
25%        4195           3291       Sum of Wgt.          74
50%        5000.5                     Mean           6165.257
                        Largest       Std. Dev.      2949.496
75%        6342           15906
90%        8359           13466       Variance        8699527
95%       10372           14500       Skewness       1.653434
99%       15906           15906       Kurtosis       4.819096

结合图形解读：

  • 箱体位置：箱体的中间线（中位数）约在5000.5，与 summarize 输出的 50% 分位数一致。箱体的下边界（Q1）约在4195，上边界（Q3）约在6342。
  • 离散程度：箱体高度（IQR） = Q3 - Q1 = 6342 - 4195 = 2147。这表示中间50%的汽车价格分布在约2147美元的范围内。
  • 数据偏态：如果中位数线在箱体中偏下，说明数据右偏（长尾在右侧）；如果偏上，则左偏。对于 price，中位数（5000.5）略低于箱体中心（(4195+6342)/2 ≈ 5268.5），表明价格分布略微右偏，这与 summarize 中的 Skewness 为正（1.65）一致。

3.2 识别与分析异常值

异常值是箱形图的核心价值之一。在 graph box price 的输出中，你会看到上须末端大约在 Q3 + 1.5*IQR = 6342 + 1.5*2147 ≈ 6342 + 3220.5 = 9562.5。因此，价格高于约9562.5的汽车被标记为异常值。

如何进一步分析这些异常值？

  1. 定位异常值：使用 list 命令找出这些汽车。

    list make price if price > 9562.5

    输出示例： “`

     make    price
    1. Buick Riviera 10372
    2. Cad. Eldorado 13466
    3. Cad. Seville 14500
    4. Chev. Corvette 15906

    ”` 这些都是豪华或高性能车型，价格远高于普通汽车，因此被视为异常值是合理的。

  2. 判断异常值的性质：

    • 数据录入错误？ 检查这些记录是否有误。例如，15906 是否应为 1590.6？在 auto 数据集中，这些价格是真实的。
    • 特殊群体？ 这些异常值代表了一个不同的子群体（豪华车）。在分析整体汽车价格时，它们可能扭曲均值（mean 为6165，而中位数为5000，均值被拉高）。此时，中位数是比均值更稳健的中心趋势度量。
    • 是否需要处理？ 这取决于分析目标。如果目标是研究普通汽车市场，可能需要剔除这些异常值；如果目标是研究整个汽车市场（包括豪华车），则应保留并考虑其影响。

3.3 比较不同组别的分布

通过分组箱形图，我们可以进行更深入的比较。以国产车（foreign==0）和进口车（foreign==1）为例。

计算分组统计量：

bysort foreign: summarize price, detail

结合分组箱形图解读：

  • 国产车：中位数较低，箱体较短（IQR较小），说明价格相对集中且较低。异常值较少，且多为高价车。
  • 进口车：中位数显著更高，箱体更长（IQR更大），说明价格分布更分散，波动更大。异常值更多，且价格更高。
  • 结论：进口车不仅价格更高，而且价格差异也更大。这可能与品牌、车型多样性有关。

4. 高级技巧与自定义

Stata的图形系统非常强大，允许高度自定义箱形图以满足出版或报告需求。

4.1 自定义箱形图的外观

使用 graph box 或 twoway box 的选项可以改变颜色、标记、标签等。

示例：为国产车和进口车箱形图设置不同颜色，并添加均值标记。

graph box price, over(foreign) ///
    box(1, color(blue)) box(2, color(red)) /// 为不同组设置颜色
    marker(1, mlabel(make)) /// 为国产车添加标签（慎用，可能很乱）
    title("汽车价格分布（按产地）") ///
    ytitle("价格") ///
    legend(order(1 "国产车" 2 "进口车"))

注意：marker() 选项会为每个数据点添加标签，在数据点多时会非常混乱，通常只用于演示或数据点很少的情况。

4.2 与其它图形叠加

使用 twoway 框架，可以将箱形图与散点图叠加，以显示原始数据点。

示例：在箱形图上叠加原始数据点（散点图）。

twoway (box price if foreign==0, label(国产车)) (box price if foreign==1, label(进口车)) ///
       (scatter price foreign if foreign==0, jitter(2) mcolor(blue%50)) /// 添加抖动散点
       (scatter price foreign if foreign==1, jitter(2) mcolor(red%50)), ///
       title("汽车价格分布与原始数据点") ytitle("价格") xtitle("产地") ///
       legend(order(1 2))

输出解读：

  • 箱形图展示了分布的摘要。
  • 散点图（带抖动 jitter）展示了原始数据点的密度和位置。
  • 这种组合图形提供了更丰富的信息：既能看到整体分布，又能看到数据点的具体分布情况，有助于判断异常值是否合理。

4.3 处理非对称分布的数据

对于严重右偏的数据（如收入、房价），标准的箱形图可能无法充分展示尾部信息。Stata提供了 rbox 命令（需安装）来创建旋转箱形图，它能更好地展示偏态分布。

安装 rbox：

ssc install rbox

使用 rbox：

rbox price, over(foreign) title("旋转箱形图：汽车价格")

输出解读：

  • 旋转箱形图将数据分布“旋转”了90度，使得长尾方向更明显。
  • 对于 price 这种右偏数据，旋转箱形图能更清晰地展示高价异常值的分布情况。

5. 实际应用案例：分析学生成绩

假设我们有一个学生成绩数据集 grades.dta，包含学生ID、性别（gender，1=男，2=女）和数学成绩（math_score）。

步骤1：创建基本箱形图

use grades.dta, clear
graph box math_score

解读：查看整体成绩分布，识别低分或高分异常值。

步骤2：按性别分组比较

graph box math_score, over(gender, label(1 "男生" 2 "女生")) title("男女生成绩分布")

解读：

  • 比较中位数：哪个性别的平均成绩更高？
  • 比较IQR：哪个性别的成绩波动更大？
  • 检查异常值：哪个性别有更多低分或高分异常值？

步骤3：识别并分析异常值 假设我们发现一些低分异常值（成绩低于 Q1 - 1.5*IQR）。

summarize math_score, detail
local q1 = r(p25)
local q3 = r(p75)
local iqr = `q3' - `q1'
local lower_bound = `q1' - 1.5 * `iqr'
list student_id math_score if math_score < `lower_bound'

分析：这些学生是否需要额外辅导？他们的成绩是否与其他科目一致？是否需要进一步调查原因？

6. 注意事项与最佳实践

  1. 样本量：箱形图在样本量较大时效果最佳。对于极小样本（如n<10），箱形图可能无法准确反映分布，此时应结合原始数据点查看。
  2. 异常值的处理：异常值不一定是错误数据。在删除或修改异常值之前，必须理解其产生的原因。在报告中，应明确说明如何处理异常值。
  3. 图形美化：在正式报告中，应使用清晰的标题、轴标签和图例。避免使用过于花哨的颜色或标记，除非它们有明确的含义。
  4. 结合其他图形：箱形图是EDA的起点。对于复杂数据，应结合直方图、密度图、散点图等其他图形进行综合分析。
  5. 理解局限性：箱形图隐藏了数据的多峰分布。如果数据有多个峰值，箱形图可能无法揭示，此时应使用直方图或密度图。

7. 总结

Stata的箱形图功能强大且易于使用，是探索数据分布和识别异常值的利器。通过理解箱形图的构成（箱体、须、异常值），掌握 graph box 和 twoway box 的创建方法，并学会结合统计命令进行解读，您可以高效地从数据中提取关键信息。记住，箱形图不仅是图形，更是数据分析的起点。通过它发现的异常值和分布特征，应引导您进行更深入的统计检验和业务分析，从而做出更明智的决策。

无论是分析经济数据、社会调查还是实验结果，熟练运用Stata箱形图都将显著提升您的数据分析能力和洞察力。