4  分布:ヒストグラム・箱ひげ図・点・誤差棒

群ごとの値の分布を比べる図は、臨床研究の図でもっとも多い形です。描き方によって、見えるもの・隠れるもの が大きく変わります。

4.1 ヒストグラム:ビンの幅で形が変わる

ビンの幅が 5 mm だと 2 つの山(アデリー・ヒゲと、ジェンツー)が見えますが、15 mm では 1 つの山に見えます。 ヒストグラムは、ビンの幅を何通りか変えて確かめます。

4.2 箱ひげ図は何を表しているか

箱ひげ図の各部分は、次の値です。

  • 箱の中の線:中央値
  • 箱の上下:第 1 四分位点(25%)と第 3 四分位点(75%)。箱の高さが四分位範囲(IQR)
  • ひげ:箱の端から 1.5 × IQR 以内にある、いちばん端のデータ まで
  • 点:ひげの外のデータ(外れ値の候補)

手で計算して、図と照らし合わせます。

ノート四分位点の計算方法

四分位点の計算方法には何種類もあります。R の quantile() の既定(type 7)と、pandas・NumPy の既定(線形補間)は同じ方法なので、両者の箱ひげ図は一致します。SPSS や Excel の一部の関数は別の方法を使うことがあり、少数のデータでは値がずれます。

4.3 箱ひげ図が隠すもの

山が 2 つある分布 と 山が 1 つの分布 を、同じような四分位点になるように作ってみます。

箱ひげ図では 2 つの群はよく似ていますが、バイオリン図や点を見ると、右の群には 真ん中の値がほとんどない ことが分かります。 人数が数十人くらいまでなら、点をすべて見せる のがいちばん正直です。

4.4 箱ひげ図に点を重ねる

よく使われるのが、箱ひげ図に点を重ねる形です。このとき、箱ひげ図の外れ値の点を消す のを忘れると、外れ値が 2 回描かれます。

ヒントずらし(jitter)は乱数

点を横にずらす量は乱数で決まるので、実行するたびに図が少し変わります。論文の図は、R なら position_jitter(seed = )、seaborn なら実行前に np.random.seed() を指定して再現できるようにします。

4.4.1 2 つのカテゴリで分ける

性別でも分けると、箱と点の 横の位置をそろえる 必要があります(dodge)。

4.5 平均と誤差棒:SD・SE・95% 信頼区間

平均を点で示し、誤差棒 をつける図もよく使われます。誤差棒が何を表すかで、意味がまったく違います。

誤差棒 表すもの 人数が増えると
SD(標準偏差) 1 羽ごとの値のばらつき 変わらない
SE(標準誤差 = SD / √n) 平均の推定の不確かさ 小さくなる
95% 信頼区間(≒ 平均 ± 1.96 SE) 平均がありそうな範囲 小さくなる

同じデータでも、SE や CI の誤差棒は SD よりずっと短く、群の差が大きく見えます。 図の説明(凡例・キャプション)に、誤差棒が何かを必ず書きます。

警告seaborn の既定の誤差棒は「ブートストラップの 95% CI」

seaborn の pointplot()・barplot()・lineplot() は、何も指定しないと ブートストラップ(乱数)で計算した 95% 信頼区間 を描きます。実行するたびに少し変わり、t 分布による CI とも少し違います。 errorbar=("ci", 95) と明示し、seed= を指定するか、errorbar="se" や errorbar="sd" を使い、何を描いたかを書きます。

警告棒グラフ+誤差棒(ダイナマイトプロット)を避ける

平均を棒の高さで示し、上に誤差棒をつける図は、分布の形・人数・外れ値がすべて隠れる ため、多くの雑誌で避けるよう勧められています。点や箱ひげ図+点を使います。

重要この章のまとめ
  • ヒストグラムは ビンの幅 を何通りか試す
  • 箱ひげ図は 中央値・四分位・1.5 × IQR のひげ・外れ値。山が 2 つある分布を隠す
  • 点を重ねるときは、箱の外れ値を消し、ずらしの 乱数の種 を固定する
  • 誤差棒は SD・SE・CI のどれかを必ず明記。seaborn の既定はブートストラップの CI