QQ图(Quantile-Quantile Plot)和PP图(Probability-Probability Plot)是两种常用的统计图形工具,均用于检验数据是否符合特定分布(如正态分布)或比较两组数据的分布形态。以下是它们的异同点总结:
一、相同点
核心目的
两者均通过图形化方式检验数据是否服从理论分布或比较分布形态,适用于正态性检验、分布相似性判断等场景。对角线意义
若数据符合理论分布,图中的点应近似落在对角线上。偏离对角线越明显,说明数据与理论分布差异越大。参数敏感性
均能反映数据的偏度、峰度等特征,且对分布的线性变换(如标准化)具有一定的鲁棒性。
二、不同点
| 维度 | QQ图 | PP图 |
|----------------|-------------------------------------------------------------------------|-------------------------------------------------------------------------|
| 比较内容 | 比较样本分位数与理论分布分位数(如标准正态分布的分位数)。 | 比较样本累积概率与理论分布累积概率(如正态分布的累积概率)。 |
| 图形横纵坐标 | 横坐标为理论分布分位数,纵坐标为样本值(如标准正态分位数 vs 样本值)。 | 横坐标为理论累积概率,纵坐标为样本累积概率(如正态分布累积概率 vs 样本累积概率)。 |
| 适用场景 | 更适合检验数据是否来自特定分位数分布族(如正态分布、指数分布)。 | 更直观显示累积概率的匹配程度,适用于初步判断分布形态。 |
| 参数变化影响 | 对位置(均值)和尺度(标准差)变化敏感,但对形状变化(如峰度)较稳健。 | 对累积概率的线性变化敏感,能更直接反映分布的偏态或厚尾特征。 |
三、应用建议
优先选择QQ图:当需检验数据是否服从特定分位数分布(如正态分布)或分析位置/尺度参数时,QQ图更直观。
结合PP图验证:若需快速判断数据是否接近理论分布或比较两组数据的累积概率匹配度,PP图更便捷。
联合使用:两者可互补,例如通过QQ图发现偏态后,用PP图进一步确认分布形态。
示例代码(Python绘制)
import numpy as np import matplotlib.pyplot as plt import scipy.stats as stats # 生成正态分布数据 data = np.random.normal(loc=10, scale=2, size=1000) # 绘制QQ图 fig, axes = plt.subplots(1, 2, figsize=(12, 5)) stats.probplot(data, dist="norm", plot=axes[0], fit=False, color='skyblue') axes[0].set_title('QQ图(分位数对比)') # 绘制PP图 prob = stats.norm.cdf(data) pp_data = stats.norm.ppf(prob) axes[1].scatter(prob, pp_data, color='salmon') axes[1].plot([0,1], [0,1], color='red', linestyle='--') axes[1].set_title('PP图(累积概率对比)') plt.tight_layout() plt.show()
总结
QQ图和PP图在核心目的上一致,但通过不同的比较维度(分位数 vs 累积概率)提供了互补的分布分析视角。实际应用中可根据需求选择或结合使用。
系统当前共有 404 篇文章