Jetson Orin NX接入GNSS串口定位模块：从硬件接线到ROS2解析
2026/9/30 22:23:33
这次我们来看一个数据分析中的基础但至关重要的问题：在SPSS中，如何理解并选择使用连续变量的各种统计描述指标。对于任何使用SPSS进行数据分析的研究者、学生或从业者来说，面对“描述统计”菜单里那一长串选项——平均数、中位数、截尾均数、标准差、方差——你是否曾感到困惑：它们到底在说什么？我该选哪个？选错了会怎样？
这篇文章不绕弯子，直接切入核心。我们将逐一拆解这些指标的本质意义、计算逻辑以及在SPSS中的具体应用场景。重点不是背诵公式，而是让你在实战中能快速判断：面对你的数据，应该勾选哪个指标，才能最真实、最稳健地反映数据的分布特征。无论是撰写论文、分析报告，还是日常的数据探索，掌握这些选择逻辑都能让你避免得出误导性的结论。
1. 核心概念速览：这些指标到底在描述什么？
在深入SPSS操作之前，我们必须先搞清楚每个统计量究竟在衡量数据的哪个方面。这决定了你后续的选择。
| 统计量 | 核心描述对象 | 通俗理解 | 对极端值的敏感度 |
|---|---|---|---|
| 平均数 (Mean) | 数据的集中趋势（平均水平） | 所有数据点的算术平均值。 | 非常敏感。一个极大或极小的值会显著拉高或拉低平均数。 |
| 中位数 (Median) | 数据的中心位置 | 将数据从小到大排列后，正好处于中间位置的那个值。 | 不敏感（稳健）。极端值无论多大，只要不改变中间位置，就不影响中位数。 |
| 截尾均数 (Trimmed Mean) | 剔除异常值后的集中趋势 | 去掉一定比例（如5%）的最大值和最小值后，再计算剩余数据的平均数。是平均数稳健性的一种改良。 | 不敏感。通过主动剔除极端值来获得更稳健的中心估计。 |
| 标准差 (Standard Deviation) | 数据的离散程度（波动大小） | 数据点相对于平均数的平均偏离距离。值越大，数据越分散。 | 敏感。计算基于平均数，因此受极端值影响。 |
| 方差 (Variance) | 数据离散程度的平方量度 | 标准差的平方。在数学推导和某些高级统计中更常用，但单位是原数据单位的平方，不如标准差直观。 | 敏感。同标准差。 |
一句话总结选择逻辑：如果你想了解“一般水平”，先看数据分布是否对称、有无异常值，再决定用平均数、中位数还是截尾均数。如果你想了解“波动大小”，标准差是最直观的选择。
2. 深入剖析：每个指标的意义与计算逻辑
2.1 平均数 (Mean)：最常用，但也最“脆弱”的代言人
平均数是所有观测值之和除以观测值个数。它的意义在于提供了一个数据的“重心”或“平衡点”。
- 意义：代表数据的算术中心。在数据完全对称（如正态分布）且没有异常值时，它是描述集中趋势的最佳指标。
- SPSS中的计算：
分析 -> 描述统计 -> 描述，勾选“均值”即可。 - 陷阱：它的致命弱点是易受极端值（异常值）影响。例如，一个部门的年薪数据为 [30k, 32k, 35k, 33k, 300k]，平均年薪高达86k，但这显然不能代表该部门员工的典型收入（前四名员工会感到被严重“平均”了）。此时，平均数失去了代表性。
2.2 中位数 (Median)：稳健的“中间派”
中位数是将数据排序后位于50%位置的值。
- 意义：它表示至少有一半的数据不大于它，也至少有一半的数据不小于它。它描述的是数据的“位置中心”，而非“计算中心”。
- SPSS中的计算：同样在“描述”菜单中勾选“中位数”。或在“频率”分析中查看。
- 适用场景：当数据分布偏斜（非对称）或存在明显异常值时，中位数是比平均数更可靠的集中趋势指标。在上述年薪例子中，中位数是33k，这个值更能反映大多数员工的收入情况。在报告收入、房价、反应时间等通常呈偏态分布的数据时，中位数是更优选择。
2.3 截尾均数 (Trimmed Mean)：主动防御的“改良平均数”
截尾均数是指定一个修剪比例（如5%），然后去掉两端该比例的数据后，再计算剩余数据的平均数。SPSS默认提供5%截尾均数。
- 意义：它试图在保留平均数数学性质优点的同时，剔除极端值的干扰，是稳健统计方法的一种。
- SPSS中的计算：在“描述”菜单中勾选“修剪平均值(5%)”。
- 适用场景：当你怀疑数据中存在异常值，但又不想完全像中位数那样只依赖中间一个值，而是希望利用更多中间部分的数据信息时，截尾均数是一个很好的折中方案。它在许多学术研究中被视为比普通平均数更稳健的报告指标。
2.4 标准差 (Standard Deviation) & 方差 (Variance)：衡量波动的“尺子”
两者都衡量数据点相对于平均数的离散程度。
- 标准差：方差的算术平方根，单位与原数据一致，因此更易于解释。例如，身高的标准差是5厘米，比方差25平方厘米直观得多。
- 方差：在理论统计和公式推导中至关重要，例如在方差分析(ANOVA)中。但在描述性统计中，直接报告标准差更为常见。
- 意义：标准差小，说明数据都紧密围绕在平均数周围；标准差大，说明数据非常分散。它是判断数据一致性和稳定性的关键指标。
- SPSS中的计算：在“描述”菜单中勾选“标准差”和“方差”。
- 注意：由于它们基于平均数计算，因此同样受异常值影响。当存在异常值时，标准差会被严重夸大。此时，可以考虑使用基于中位数的离散程度指标，如四分位距(IQR)。
3. 实战选择指南：在SPSS中如何根据数据情况做决策
了解了理论，关键是如何在SPSS分析中应用。下面是一个可操作的决策流程。
3.1 第一步：可视化探索数据分布
在计算任何描述统计量之前，永远先看图。
- 生成图形：在SPSS中，选择
图形 -> 旧对话框 -> 直方图。将你的连续变量选入“变量”框，并务必勾选“显示正态曲线”。 - 观察与判断：
- 钟形、对称：曲线大致以中心对称，像一座钟。这是使用平均数（配合标准差）的理想情况。
- 偏态：曲线有一个长长的尾巴拖向一侧。
- 右偏（正偏）：尾巴向右。多数数据集中在左侧，少数极大值在右侧（如收入数据）。此时中位数小于平均数。应优先报告中位数。
- 左偏（负偏）：尾巴向左。应优先报告中位数。
- 发现异常点：在直方图边缘有孤立的数据条，或通过箱线图（
图形 -> 旧对话框 -> 箱图）能看到独立的“圆圈”或“星号”，这些都提示存在异常值。
3.2 第二步：计算并对比关键指标
运行描述性分析，对比不同指标的结果。
- 操作路径：
分析 -> 描述统计 -> 描述。 - 变量选择：将你需要分析的连续变量移入右侧框。
- 选项勾选：在“选项”中，至少勾选“均值”、“中位数”、“5% 修剪平均值”、“标准差”、“方差”、“最小值”、“最大值”。
- 结果解读与比较：
- 比较平均数、中位数和5%截尾均数。
- 如果三者非常接近，说明数据分布对称且无明显异常值，报告平均数±标准差是稳妥的。
- 如果平均数明显大于中位数，数据很可能右偏。此时中位数更具代表性。
- 如果5%截尾均数更接近中位数而远离平均数，进一步证实异常值对平均数产生了影响，应弃用普通平均数。
- 比较平均数、中位数和5%截尾均数。
3.3 第三步：针对不同分析目的的选择策略
| 分析目的 | 推荐报告的集中趋势指标 | 推荐报告的离散程度指标 | 说明与示例 |
|---|---|---|---|
| 学术论文，数据近似正态 | 平均数 (M) | 标准差 (SD) | 标准报告格式：M=XX, SD=XX。这是心理学、医学等领域最常见格式。 |
| 商业报告，数据存在偏态 | 中位数 (Mdn) | 四分位距 (IQR) | 对于收入、销量、时长等数据，中位数和IQR（第75百分位数-第25百分位数）更能反映典型情况。 |
| 探索性分析，怀疑有异常值 | 5%截尾均数 & 中位数 | 标准差 & 四分位距 | 同时计算并对比，判断异常值的影响程度。截尾均数是一个稳健的参考。 |
| 两组数据比较 | 根据分布选择平均数或中位数 | 根据分布选择标准差或IQR | 在T检验或曼-惠特尼U检验前，必须先用此原则确定描述统计的报告方式。 |
| 需要进一步建模 | 方差 | - | 在方差分析(ANOVA)或回归模型中，方差是分解变异来源的基础。 |
4. SPSS操作详解：从数据导入到结果输出
让我们通过一个模拟的“客户满意度评分（1-10分）”数据，完成一次完整的分析流程。
4.1 数据准备与描述统计
- 打开或输入数据。
- 路径：点击菜单
分析 -> 描述统计 -> 描述。 - 主对话框：将变量“满意度评分”移入“变量(V)”列表框。
- 点击“选项(O)”：弹出选项对话框。
- 勾选统计量：
- 在“均值”下勾选：
均值、标准差、方差。 - 在“分布”下勾选：
峰度、偏度（这两个有助于量化判断分布形态）。 - 在“百分位值”下勾选：
中位数、第5个、第95个（或根据需要选择）。 - 在“集中趋势”下勾选：
5% 修剪平均值。 - 同时勾选“最小值”、“最大值”、“范围”。
- 在“均值”下勾选：
- 继续->确定。
4.2 结果解读与判断
SPSS会在输出查看器中生成一个描述统计表格。
假设我们得到如下结果（模拟数据）：
- N（有效个案数）：100
- 均值：7.85
- 5% 修剪平均值：7.80
- 中位数：8.00
- 标准差：2.15
- 方差：4.62
- 偏度：-0.32
- 最小值：1
- 最大值：10
分析判断：
- 集中趋势：均值(7.85)、5%截尾均数(7.80)和中位数(8.00)三者非常接近。这表明数据分布基本对称，没有强烈的偏态，异常值影响不大。
- 离散程度：标准差为2.15。结合评分范围是1-10分，2.15的标准差意味着评分存在一定的波动性，并非全部集中在平均值附近。
- 偏度：偏度为-0.32（绝对值小于1），可认为分布近似对称，轻微左偏（均值略小于中位数）。
- 决策：对于这份满意度数据，报告均值7.85和标准差2.15是合适且具有代表性的。
5. 进阶应用：在更复杂分析中的角色
这些描述统计量不仅是终点，更是更高级分析的起点和基石。
5.1 方差与标准差在推断统计中的核心作用
- 独立样本T检验：其核心思想就是比较两组的平均数差异是否大于由标准差所体现的随机波动。SPSS在输出T检验结果时，一定会同时给出每组的平均数和标准差。
- 方差分析 (ANOVA)：顾名思义，它分析的是数据的方差来源。组间方差（不同处理间的差异）与组内方差（同一组内的随机波动，由标准差平方即方差来衡量）进行比较，从而判断处理效应是否显著。
- 相关与回归：在回归分析中，因变量的标准差（Sy）和自变量的标准差（Sx）是计算标准化回归系数（Beta系数）的关键组成部分，Beta = B * (Sx/Sy)，用于比较不同自变量的相对影响力。
5.2 中位数与非参数检验
当数据严重偏离正态分布时，基于平均数和标准差的T检验或ANOVA可能失效。
- 替代方案：此时应使用基于中位数和秩次的非参数检验。
- 对应关系：
- 单样本或相关样本：威尔科克森符号秩检验替代 配对T检验。
- 两独立样本：曼-惠特尼U检验替代 独立样本T检验。
- 多个独立样本：克鲁斯卡尔-沃利斯H检验替代 单因素ANOVA。
- 报告方式：在进行这些非参数检验时，在报告中描述数据特征，应使用中位数和四分位距(Mdn, IQR)，而不是平均数和标准差。
6. 常见误区与排查清单
即使知道了方法，实践中也常会踩坑。下面是一些典型问题及解决方案。
| 问题现象 | 可能原因 | 排查与解决方案 |
|---|---|---|
| 平均数和标准差看起来“很奇怪”（如平均数远超出合理范围，标准差极大） | 数据中存在数据录入错误或真正的极端异常值。 | 1. 使用“频率”或“描述”功能查看最小值和最大值，检查是否有明显错误（如将1-5分的评分录成了15分）。 2. 绘制箱线图，直观定位异常值（箱线图外的点）。 3. 核查异常值是否为合理数据（如超高收入者）。若是合理数据，则改用中位数和四分位距进行描述。 |
| 不知道该报告平均数还是中位数 | 没有对数据分布进行可视化检查，仅凭感觉选择。 | 强制流程：先做直方图并叠加正态曲线。肉眼观察分布形态，再比较平均数、中位数、截尾均数三者的数值差异。差异小则用平均数，差异大则用中位数。 |
| 方差和标准差的数值难以解释 | 混淆了方差和标准差的意义，或单位不直观。 | 牢记：标准差与原始数据单位一致。在描述数据离散程度时，优先报告标准差。方差主要用于数学计算。例如，报告“身高标准差为5厘米”，而不是“身高方差为25平方厘米”。 |
| SPSS结果表中找不到“截尾均数” | 在“描述”分析的“选项”对话框中未勾选。 | 路径：分析 -> 描述统计 -> 描述 -> 选项。在“集中趋势”区域，勾选“修剪平均值(5%)”。系统默认修剪5%。 |
| 分组描述统计量计算麻烦 | 需要分别计算不同组（如男/女，不同部门）的描述统计。 | 使用分析 -> 比较均值 -> 均值。将连续变量放入“因变量列表”，分组变量放入“自变量列表”。点击“选项”，选择需要报告的统计量（均值、标准差、中位数等）。这是快速进行分组描述的利器。 |
7. 最佳实践与报告撰写建议
将分析结果有效地呈现出来，是最后也是关键的一步。
- 图文并茂：在报告或论文中，不要只扔出一个干巴巴的表格。应结合图表（如直方图、箱线图）和文字描述。例如：“如图1所示，参与者年龄分布呈轻微右偏（偏度=0.8）。因此，我们报告中位数和四分位距（Mdn=32, IQR=28-41）来描述集中趋势和离散程度。”
- 表格规范：
- 如果报告平均数，通常配套报告标准差。表格表头可写为M (SD)或Mean ± SD。
- 如果报告中位数，配套报告四分位距。表头可写为Mdn (IQR)或Median (Q1-Q3)。
- 在表格下方用注释说明所有缩写。
- 一致性原则：在同一份报告或同一章节中，对同类型数据的描述应保持统计量选择的一致性。如果决定对满意度数据使用中位数，那么所有类似的评分数据都应统一使用中位数来描述。
- 说明选择理由：在学术论文的“数据分析”部分，可以简要说明你选择某个描述统计量的理由。例如：“由于初步检查发现反应时数据不符合正态分布（Shapiro-Wilk检验p<0.05，且直方图显示右偏），故采用中位数和四分位距进行描述。”
- 善用探索分析：对于全新的数据集，可以一次性使用
分析 -> 描述统计 -> 探索功能。它将一次性为你生成包含直方图、箱线图、茎叶图以及大量的描述统计量（包括M估计量等稳健统计量）的综合报告，是进行初步数据探查的最高效工具。
理解平均数、中位数、截尾均数、标准差和方差的意义，并能在SPSS中根据数据特征正确选择和应用它们，是数据素养的核心体现。这不仅能让你准确描述数据，更能为后续正确的统计推断打下坚实基础。下次打开SPSS做描述统计时，不妨先停一下，花一分钟看看数据的分布形状，这个简单的习惯会让你避开许多数据分析中的常见陷阱。建议将本文的决策流程图保存下来，在分析时作为快速参考。