生物统计 · 企鹅形态单元 · 第 1 周理论课

第一讲 从野外测量到数据表

研究设计、变量、缺测值与分组描述统计

本讲目标听完这一讲,你应当能够:

  1. 说出帕尔默企鹅数据的观测单位、测量方法和抽样结构;
  2. 判断每个变量的类型和测量精度;
  3. 找出数据中的两类缺测值,并说明每项分析该用哪些记录;
  4. 按组计算并报告均值 ± 标准差、中位数和四分位距;
  5. 解释为什么三个物种不能混在一起概括,并读懂论文图 1 中的分布图。

1 为什么用这项研究

统计导论里的例题,数据往往是为了演示某个方法而准备的:变量干净、分组明确、该用什么检验一目了然。真实研究不是这样。拿到一份数据,先要弄清楚它是怎么来的、每一行代表什么、哪些值缺了、哪些比较根本做不了,然后才轮到选方法。

这个单元用的是南极帕尔默群岛三种企鹅的形态测量数据。它有几个适合教学的特点:

2 研究背景

2.1 三种企鹅与研究地点

研究地点是南极半岛西部的帕尔默群岛,美国帕尔默科考站附近(安弗斯岛一带,64°46′S,64°03′W)。这里有三种 Pygoscelis 属企鹅同域繁殖,它们与海冰的关系不同:阿德利企鹅冬季与浮冰区相联系,帽带企鹅在离岸的无冰水域越冬,巴布亚企鹅在繁殖地附近的近岸开阔水域越冬。

表 1-1 数据中的三种企鹅
中文名学名数据中写作记录数采样岛屿
阿德利企鹅P. adeliaeAdelie152Biscoe、Dream、Torgersen
帽带企鹅P. antarcticusChinstrap68Dream
巴布亚企鹅P. papuaGentoo124Biscoe

色点是本单元所有图中各物种的颜色,与论文图 1 相同。这组颜色对常见类型的色觉异常读者也能区分。

2.2 原始研究在问什么

Gorman、Williams 和 Fraser(2014)在 2007/08、2008/09 和 2009/10 三个南半球夏季繁殖季(数据中记为 2007、2008、2009 年),测量了三个岛上这三种企鹅繁殖成体的形态,并用分子方法鉴定性别。他们关心的是两性体型差异:雄性和雌性在体型上差多少,这种差异是否与两性在觅食上的分化有关。

这批数据后来整理进 palmerpenguins 软件包,以 CC0 许可公开,成为数据科学和统计教学中经典 iris 数据集的替代品。本课程依据的论文初稿用它做了一次完整的再分析,我们四周里要学的方法,基本就是这篇论文用到的方法。

2.3 数据是怎么测出来的

按原始研究的描述:研究巢在产卵前选定并标记,在巢中有一枚卵时捕获两只亲鸟进行测量,并采血样用于鉴定性别。

表 1-2 测量方法与精度
变量数据中的列名工具精度
喙长(culmen length)bill_length_mm表盘卡尺±0.1 mm
喙深(culmen depth)bill_depth_mm表盘卡尺±0.1 mm
鳍长(右侧)flipper_length_mm直尺±1 mm
体重body_mass_gPesola 弹簧秤和称重袋5 kg 秤 ±25 g,10 kg 秤 ±50 g
性别sex血样 PCR 分子鉴定—

课堂活动 1两人一组,5 分钟。根据表 1-2 回答:(1) 体重记录为 3475 g 时,真实体重大约落在什么范围?(2) 体重只在“巢中有一枚卵”这个时期测量,这对“企鹅体重”的结论有什么限制?

3 从研究问题到统计问题

论文提出了三个具体目标。每一个目标都对应一类统计方法,也对应本单元的一周:

论文的目标统计问题方法周
量化三个物种在喙形、鳍长和体重上的差异各组的中心和离散程度是多少?分组描述统计、分布图1
检验各物种的两性体重差异两组均值是否不同?差多少?Welch t 检验、置信区间、多重比较校正、非参数复核2
在物种内拟合形态关系,并与合并拟合对比两个连续变量的关系是什么?分组会不会改变结论?简单线性回归、R²、辛普森悖论3

第 4 周再回到整体:这项研究的设计有哪些局限,结论能推广到多远,怎样把分析写成别人能检查、能重算的报告。

4 认识数据表

4.1 一行是什么

数据表的前五行如下(NA 表示缺测):

species  island     bill_length_mm  bill_depth_mm  flipper_length_mm  body_mass_g  sex     year
Adelie   Torgersen  39.1            18.7           181                3750         male    2007
Adelie   Torgersen  39.5            17.4           186                3800         female  2007
Adelie   Torgersen  40.3            18.0           195                3250         female  2007
Adelie   Torgersen  NA              NA             NA                 NA           NA      2007
Adelie   Torgersen  36.7            19.3           193                3450         female  2007

每一行是一只被测量的繁殖成体企鹅。这就是这份数据的观测单位。它不是一个巢,也不是一个岛。之所以要强调这一点,是因为后面所有检验的“样本量 n”数的都是企鹅的只数,而检验通常假定这些个体彼此独立。

4.2 变量类型

变量类型取值说明
species分类(名义)3 个物种主要的分组变量
island分类(名义)Biscoe、Dream、Torgersen与物种高度重合,见 4.3
sex分类(名义)female、male有缺测
bill_length_mm 等四项数值(连续)按测量精度记录鳍长和体重看起来是整数,只是因为记录精度如此
year分类(可视为有序)2007、2008、2009文件里是整数,但代表三个繁殖季,不宜当连续变量做算术

4.3 抽样结构:这不是随机样本

这是一项观测研究:研究者选定巢、测量亲鸟,没有对企鹅施加任何处理。观测研究能描述差异和关联,但要谨慎对待因果解释。更具体地说,这份数据的抽样结构有三个地方需要记住。

表 1-3 各岛各物种的记录数(论文图 1d)
物种BiscoeDreamTorgersen合计
阿德利企鹅445652152
帽带企鹅068068
巴布亚企鹅12400124
合计16812452344
  1. 物种与岛屿混杂。帽带企鹅全部来自 Dream 岛,巴布亚企鹅全部来自 Biscoe 岛。帽带企鹅和巴布亚企鹅之间的任何差异,都无法区分是“物种不同”还是“岛不同”造成的。两个变量的效应无法分开,统计上称为混杂。只有阿德利企鹅在三个岛上都有采样,岛屿之间的比较只能在阿德利企鹅内部做。
  2. 个体不完全独立。每个研究巢的两只亲鸟都被测量,同一巢的雌雄个体可能共享食物条件和繁殖时间。而整理后的数据表里没有巢编号,无法还原配对。第 2 周做两性比较时会回到这个问题。
  3. 时间。三个繁殖季的数据合在一起(110、114、120 只),体重只在产卵期测量。结论只代表这一时期,年际差异论文没有检验。

课堂活动 2看表 1-3,5 分钟。有同学想研究“Biscoe 岛的企鹅是否比 Dream 岛的重”,直接比较两个岛所有企鹅的平均体重。这样做有什么问题?应该怎样改?

5 缺测值

5.1 两类缺测

清点每一列的缺测数,会发现四项形态测量各缺 2 个,性别缺 11 个。再按行看,缺测分成两类:

没有只缺一部分形态测量的记录。

5.2 按分析选择记录

论文不做插补,每项分析使用具备它所需变量的全部记录:

论文图 2 把这个过程画成了流程图:中间一列是逐级嵌套的记录集合,左列是每一步去掉的记录,右列是使用该集合的分析。

样本流程图:全部 344 条记录,去掉 2 条没有形态测量的记录后剩 342 条,用于图 1a–c;再去掉 9 条没有性别的记录后剩 333 条,用于图 1e 的两性比较。每一步都按物种列出只数。
论文图 2 图 1 各面板和各项检验所用的记录。圆点及数字为各物种只数(橙:阿德利企鹅,蓝:帽带企鹅,绿:巴布亚企鹅);右下框中的数字为雌/雄只数。

常见错误读入数据后第一步就写 df = df.dropna()。这会把缺性别的 9 只企鹅也一起删掉,于是本来能用 342 条记录的回归只剩 333 条,而且你可能根本没意识到删了什么。缺测值的处理应当放在每项分析里,按需要的变量来删,并报告每一步的样本量。

这里缺测的比例很小,论文也没有插补。如果缺测比例大,或者有理由怀疑缺测与测量值本身有关(比如某类个体更难捕获或称重),就不能简单删除,需要先分析缺测机制。这超出了本单元的范围,但要知道有这个问题。

6 描述统计

6.1 两组常用的概括量

报告时要写清是哪一种,例如“38.8 ± 2.7 mm(均值 ± 标准差)”。只写“38.8 ± 2.7”,读者不知道 2.7 是标准差、标准误还是置信区间的半宽。

ddof 是什么样本标准差的分母是 n − 1,在 Python 里由参数 ddof=1(delta degrees of freedom)控制。pandas 的 .std() 默认 ddof=1,numpy 的 np.std() 默认 ddof=0(分母为 n)。例如表 1 中阿德利企鹅的体重为 3701 ± 459 g,其中 459 g 是 ddof=1 的样本标准差;用 np.std() 的默认值会得到 457 g。n 大时差别不大,n 小时差别明显。

6.2 论文表 1

论文表 1 按物种和性别列出四项形态测量的均值 ± 标准差。第 1 周上机的 A4 题就是复现这张表。

论文表 1 三种企鹅的形态测量值(均值 ± 标准差)
物种性别n喙长/mm喙深/mm鳍长/mm体重/g
阿德利企鹅雌7337.3 ± 2.017.6 ± 0.9187.8 ± 5.63369 ± 269
雄7340.4 ± 2.319.1 ± 1.0192.4 ± 6.64043 ± 347
全部a15138.8 ± 2.718.3 ± 1.2190.0 ± 6.53701 ± 459
帽带企鹅雌3446.6 ± 3.117.6 ± 0.8191.7 ± 5.83527 ± 285
雄3451.1 ± 1.619.3 ± 0.8199.9 ± 6.03939 ± 362
全部6848.8 ± 3.318.4 ± 1.1195.8 ± 7.13733 ± 384
巴布亚企鹅雌5845.6 ± 2.114.2 ± 0.5212.7 ± 3.94680 ± 282
雄6149.5 ± 2.715.7 ± 0.7221.5 ± 5.75485 ± 313
全部a12347.5 ± 3.115.0 ± 1.0217.2 ± 6.55076 ± 504

a 含未记录性别的个体(阿德利企鹅 5 只、巴布亚企鹅 4 只),所以“全部”的 n 大于雌雄之和。表中不含 2 条没有形态测量值的记录。

从表 1 已经能读出论文的第一个结论:三个物种在形态上明显分开。阿德利企鹅喙短而深,帽带企鹅喙长而深,巴布亚企鹅喙长而浅,而且鳍最长、体重最大。表中每个物种的雄性,四项均值也都大于雌性,这是第 2 周的内容。

6.3 分位数不止一种算法

论文报告的体重中位数:阿德利企鹅和帽带企鹅都是 3700 g,巴布亚企鹅 5000 g;四分位距分别为 3350–4000 g、3487.5–3950 g 和 4700–5500 g。巴布亚企鹅的中位数比另两种高 1300 g,即 35.1%。

帽带企鹅的第 1 四分位数 3487.5 g 不是任何一只企鹅的实测值:第 25 百分位落在两个观测值之间,numpy 和 pandas 默认用线性插值取中间值。换一种算法,结果就不同:

np.percentile(..., method=)帽带企鹅体重第 1 四分位数/g
"linear"(默认)3487.5
"midpoint"3475
"weibull"3462.5
"lower"3450

不同软件的默认算法也不一样。差别通常不大,但报告分位数时应说明所用的软件或算法,别人才能重算出同样的数。

7 分组作图

7.1 先分组,再概括

左:342 只企鹅不分物种的体重直方图,右偏,右侧有一个肩。右:按物种分开的三张直方图,阿德利企鹅和帽带企鹅集中在 3000 到 4500 克,巴布亚企鹅集中在 4500 到 6000 克。
图 1-1 体重分布:不分物种(左)与按物种分开(右)。组距 100 g;右侧三张图纵轴刻度相同。合并的直方图是三个物种分布的混合。

左边的直方图右偏,右侧拖着一个“肩”。如果只看它,可能会说“企鹅体重右偏”,或者报告全部 342 只的均值 ± 标准差 4202 ± 802 g。但右边一分开就清楚了:那个“肩”是巴布亚企鹅,合并分布的形状和它的标准差主要反映的是物种之间的差异,不能代表任何一个物种。

要点数据里有明显的分组时,先按组描述,再决定能否合并。“把所有数据放在一起”本身就是一个需要论证的分析决定。

7.2 读论文图 1b

论文图 1b:三个物种体重的小提琴图,叠加个体散点,黑条为四分位距,白点为中位数。阿德利企鹅和帽带企鹅的中位数都在 3700 克,巴布亚企鹅在 5000 克。
论文图 1b 各物种体重。小提琴为高斯核密度估计(Scott 带宽,截断于观测范围),点为个体(按密度横向抖动),黑条为四分位距,白点为中位数。

这张图在一个面板里同时给了三层信息:整体形状(小提琴)、每一个个体(散点)和稳健的概括量(中位数与四分位距)。读这类图时,先看图注说明每个元素代表什么,再看数据。比如白点是中位数而不是均值,黑条是四分位距而不是标准差或置信区间,这些都要从图注里确认。

7.3 论文图 1 全貌

论文图 1 的五个面板:a 喙深对喙长的散点图和物种内回归线;b 各物种体重的小提琴图;c 体重对鳍长的散点图和物种内回归线;d 各岛各物种的采样只数;e 各物种雌雄体重的箱线图。
论文图 1 三种企鹅的形态差异(2007–2009)。a,喙深对喙长;b,各物种体重;c,体重对鳍长;d,各岛各物种的采样只数;e,各物种雌(空心箱)雄(实心箱)体重。完整图注见论文。

课堂活动 33 分钟。用一句话说出图 1 每个面板在回答什么问题,并把它对应到本单元的某一周。(提示:b、d 属于本周,e 属于第 2 周,a、c 属于第 3 周。)

8 预告:喙越长,喙越浅?

最后看一个问题,下次上机前先想一想。把 342 只企鹅的喙深对喙长画在一起,拟合一条直线,斜率是负的:

342 只企鹅喙深对喙长的灰色散点图和一条向右下倾斜的合并回归虚线,斜率为负 0.085。
图 1-2 喙深对喙长,不分物种。虚线为合并 342 只企鹅的普通最小二乘回归,斜率 −0.085 mm/mm(P = 1.1 × 10⁻⁵)。

这个负相关“统计显著”。能不能据此说“喙越长的企鹅,喙越浅”?再按物种着色:

同一散点图按物种着色:三个物种各自的回归线都向右上倾斜,而合并回归虚线向右下倾斜。
图 1-3 同一批数据,按物种着色。实线为各物种的回归线,斜率 0.18–0.22 mm/mm;虚线同图 1-2。

在每个物种内部,喙越长,喙越深;合并之后方向反了过来。这种现象叫辛普森悖论。它为什么会发生,怎样在分析中避免,是第 3 周的主题。

9 小结

10 课后

  1. 上机:完成练习 A 部分(exercise/exercise.ipynb 的 A1–A6)。
  2. 作业 1:提交练习 A,并写一篇不超过 300 字的短文:“物种与岛屿的关系”会限制哪些比较,哪些比较不受影响。
  3. 阅读:论文第 1、2 节。
  4. 思考:第 2 周要比较两性体重。根据本讲内容,你认为该用哪些记录?样本量是多少?有哪些需要注意的假设?

术语对照

观测单位observational unit数据表中一行所代表的对象,这里是一只企鹅
观测研究observational study研究者不施加处理,只观察和测量
混杂confounding两个变量的效应纠缠在一起,无法分开(如物种与岛屿)
完整记录分析complete-case analysis只用所需变量齐全的记录;本讲按每项分析分别进行
插补imputation用估计值填补缺测值;论文没有插补
样本标准差sample standard deviation分母为 n − 1(ddof=1)
四分位距interquartile range, IQR第 3 四分位数减第 1 四分位数,中间 50% 个体的范围
核密度估计kernel density estimate, KDE平滑的分布曲线,小提琴图的轮廓
两性体型差异sexual size dimorphism, SSD同一物种雌雄个体在体型上的差异
辛普森悖论Simpson’s paradox分组内的关系与合并后的关系方向相反

参考文献