上下界計算器 - IQR 離群值

上下界方法是使用四分位距（IQR）識別資料集中離群值的標準技術。它由 John Tukey 於 1977 年在探索性資料分析框架中提出，提供了一種穩健的非參數方法，可在不假設資料服從任何特定分配的情況下標記異常觀測值。此方法在入門統計課程中廣泛教授，也是盒鬚圖中預設的離群值偵測方法。 計算從排序資料集並找出第一與第三四分位數開始。Q1（第 25 百分位）是有 25% 資料低於該值的數值，而 Q3（第 75 百分位）是有 75% 資料低於該值的數值。IQR 就是 Q3 減去 Q1，代表資料中間一半的分散程度。由於 IQR 忽略分配兩端的極端值，它能抵抗其試圖偵測的離群值影響，這項特性使界限法比基於全距的方法更可靠。 計算出 IQR 後，下界設為 Q1 以下 1.5 × IQR，上界設為 Q3 以上 1.5 × IQR。任何低於下界或高於上界的資料點都會被歸類為離群值。Tukey 以經驗方式選擇 1.5 這個倍數，因為它對近似常態資料效果良好：在常態分配中，這項規則會將約 0.7% 的觀測值標記為離群值，對應到距平均數超過約 2.7 個標準差的值。 對於更極端的離群值，有些應用會使用 3 而不是 1.5 作為倍數，並將這類點標記為遠端離群值或極端離群值。位於 1.5 × IQR 界限之外但仍在 3 × IQR 界限之內的點，有時稱為輕度離群值。本計算器使用標準的 1.5 × IQR 規則，適合大多數探索性分析。 離群值偵測是資料清理、品質管制和統計建模中的關鍵步驟。在製造業中，界限外的製程測量值可能表示瑕疵品或測量錯誤。在金融領域，極端報酬可能代表資料錯誤、市場異常或需要調查的真實事件。在臨床研究中，生理上不可能的數值會被識別並審查。在機器學習中，若未處理離群值，它們可能扭曲模型訓練。 請記住，統計離群值不一定是錯誤值。離群值只是根據 IQR 規則，相對於資料主體異常遙遠的觀測值。需要進一步調查，以判斷該值是真實的極端事件、測量錯誤，還是資料輸入錯誤。