生物统计 · 企鹅形态单元 · 第 1 讲
研究设计、变量、缺测值与分组描述统计
数据:palmerpenguins v0.1.0 中的 penguins 表(Gorman、Williams 和 Fraser 2014;CC0)
结论与数字以课程论文初稿为准 · 按 ? 查看快捷键
| 周 | 主题 | 统计内容 | 论文对应 |
|---|---|---|---|
| 1 | 从野外测量到数据表 | 研究设计、缺测值、分组描述统计 | 2.1–2.2 节,表 1,图 2 |
| 2 | 两性体重差异 | Welch t、置信区间、Holm 校正 | 3.4 节,图 1e |
| 3 | 回归与合并分析的陷阱 | OLS、R²、辛普森悖论 | 3.3、4.2 节,图 1a、c |
| 4 | 研究局限与可重复报告 | 混杂、非独立、图注、项目汇报 | 4.5 节 |
每周:理论课 + 上机(练习 A、B、C 三部分)· 第 4 周交单元项目
Pygoscelis adeliae · Adelie
152 只
三个岛都有采样
冬季与浮冰区相联系
P. antarcticus · Chinstrap
68 只
只来自 Dream 岛
在离岸的无冰水域越冬
P. papua · Gentoo
124 只
只来自 Biscoe 岛
在繁殖地附近的近岸开阔水域越冬
南极半岛西部,帕尔默站附近(64°46′S,64°03′W)· 同域繁殖 · 2007–2009 三个繁殖季
本单元课程论文初稿用这份公开数据做了一次完整的再分析,四周要学的方法基本就是它用到的方法。
研究巢在产卵前选定并标记,巢中有一枚卵时捕获两只亲鸟测量
| 变量 | 列名 | 工具 | 精度 |
|---|---|---|---|
| 喙长 | bill_length_mm | 表盘卡尺 | ±0.1 mm |
| 喙深 | 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_g | 弹簧秤 + 称重袋 | 5 kg 秤 ±25 g,10 kg 秤 ±50 g |
| 性别 | sex | 血样 PCR | — |
活动 1 · 两人一组 · 5 分钟① 体重记作 3475 g,真实值大约在什么范围?② 只在“一枚卵”时期称重,对结论有什么限制?
| 论文的目标 | 统计问题 | 方法 | 周 |
|---|---|---|---|
| 量化三个物种的形态差异 | 各组的中心和离散程度? | 分组描述统计、分布图 | 1 |
| 检验各物种的两性体重差异 | 两组均值差多少? | Welch t、置信区间、多重比较 | 2 |
| 物种内拟合形态关系,与合并拟合对比 | 两个连续变量什么关系? 分组会不会改变结论? | 简单线性回归、R² | 3 |
第 4 周回到整体:设计的局限、结论能推广多远、怎样写成可重算的报告
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
344 行 × 8 列 · NA = 缺测
观测单位一行 = 一只被测量的繁殖成体企鹅,不是一个巢,也不是一个岛。后面所有的 n 数的都是企鹅的只数。
| 变量 | 类型 | 说明 |
|---|---|---|
species、island、sex | 分类(名义) | species 是主要的分组变量;sex 有缺测 |
| 喙长、喙深、鳍长、体重 | 数值(连续) | 按测量精度记录;鳍长、体重“像整数”只是因为精度 |
year | 分类(可视为有序) | 文件里是整数,代表三个繁殖季,不宜当连续变量做算术 |
想一想:把 year 当连续变量放进回归,等于假设了什么?
| 物种 | Biscoe | Dream | Torgersen |
|---|---|---|---|
| 阿德利 | 44 | 56 | 52 |
| 帽带 | 0 | 68 | 0 |
| 巴布亚 | 124 | 0 | 0 |
| 合计 | 168 | 124 | 52 |
论文图 1d · 共 344 只
这是观测研究:研究者选巢、测量,不施加处理。
帽带企鹅只在 Dream,巴布亚企鹅只在 Biscoe:两者的差异分不清是物种还是岛造成的,即混杂。
只有阿德利企鹅三个岛都有,岛屿比较只能在阿德利企鹅内做。
5 分钟有同学直接比较 Biscoe 岛和 Dream 岛所有企鹅的平均体重,发现 Biscoe 岛的重得多,于是得出“Biscoe 岛的企鹅更重”。这样做有什么问题?应该怎样改?
Biscoe = 44 阿德利 + 124 巴布亚;Dream = 56 阿德利 + 68 帽带
→ 比的主要是“巴布亚企鹅 vs 帽带企鹅”,是物种差异,不是岛屿差异。
→ 改法:只在阿德利企鹅内比较三个岛(单元项目题目 2)。
每个巢的两只亲鸟都被测量,同巢的雌雄个体可能共享食物条件和繁殖时间。
数据表里没有巢编号,无法还原配对。
→ 第 2 周两性比较时回到这个问题
三个繁殖季合并:110、114、120 只(2007、2008、2009)。
体重只在产卵期测量。
→ 年际差异论文没有检验(单元项目题目 1)
按列数:四项形态测量各缺 2 个,sex 缺 11 个。按行看:
四项形态全部缺失
2 条
阿德利 1、巴布亚 1;性别也没有
形态齐全、只缺性别
9 条
阿德利 5、巴布亚 4
没有只缺一部分形态测量的记录 · 论文不做插补
论文图 2 · 岛屿分布 n = 344 · 形态比较和回归 n = 342 · 两性比较 n = 333 · 圆点颜色同物种
dropna()df = df.dropna() # 剩 333 行
# 体重对鳍长的回归用不到性别,
# 却也少了 9 只企鹅
morph = df.dropna(subset=MORPH)
sexed = df.dropna(subset=MORPH + ["sex"])
len(morph), len(sexed) # (342, 333)
做法缺测值的处理放进每项分析里,按需要的变量删,并报告每一步的样本量。
缺测比例大,或缺测与测量值本身有关(比如某类个体更难称重)时,不能简单删除,要先分析缺测机制。
适合大致对称、没有极端值的分布。标准差描述个体离均值多远,不是均值的不确定性(那是标准误)。
对偏态和极端值不敏感;四分位距是中间 50% 个体的范围。
ddof样本标准差分母为 n − 1:pandas .std() 默认 ddof=1,numpy np.std() 默认 ddof=0。
阿德利企鹅体重:ddof=1 得 459 g(表 1),ddof=0 得 457 g。
“38.8 ± 2.7 mm”不够,要写“(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 | 雌 | 73 | 37.3 ± 2.0 | 17.6 ± 0.9 | 187.8 ± 5.6 | 3369 ± 269 |
| 雄 | 73 | 40.4 ± 2.3 | 19.1 ± 1.0 | 192.4 ± 6.6 | 4043 ± 347 | |
| 全部* | 151 | 38.8 ± 2.7 | 18.3 ± 1.2 | 190.0 ± 6.5 | 3701 ± 459 | |
| 帽带 | 雌 | 34 | 46.6 ± 3.1 | 17.6 ± 0.8 | 191.7 ± 5.8 | 3527 ± 285 |
| 雄 | 34 | 51.1 ± 1.6 | 19.3 ± 0.8 | 199.9 ± 6.0 | 3939 ± 362 | |
| 全部 | 68 | 48.8 ± 3.3 | 18.4 ± 1.1 | 195.8 ± 7.1 | 3733 ± 384 | |
| 巴布亚 | 雌 | 58 | 45.6 ± 2.1 | 14.2 ± 0.5 | 212.7 ± 3.9 | 4680 ± 282 |
| 雄 | 61 | 49.5 ± 2.7 | 15.7 ± 0.7 | 221.5 ± 5.7 | 5485 ± 313 | |
| 全部* | 123 | 47.5 ± 3.1 | 15.0 ± 1.0 | 217.2 ± 6.5 | 5076 ± 504 |
均值 ± 标准差(ddof = 1)· * 含未记录性别的个体,所以 n 大于雌雄之和
| 物种 | 中位数/g | 四分位距/g |
|---|---|---|
| 阿德利 | 3700 | 3350–4000 |
| 帽带 | 3700 | 3487.5–3950 |
| 巴布亚 | 5000 | 4700–5500 |
帽带企鹅的 3487.5 g 不是任何一只企鹅的实测值。np.percentile(x, 25, method=…):
"linear"(默认) | 3487.5 |
"midpoint" | 3475 |
"weibull" | 3462.5 |
"lower" | 3450 |
做法报告分位数时说明软件或算法,别人才能重算出同样的数。
合并 342 只的均值 ± 标准差为 4202 ± 802 g,它代表哪个物种?哪个都不代表。“右侧的肩”就是巴布亚企鹅。
读图顺序先看图注:白点是中位数不是均值,黑条是四分位距不是标准差或置信区间。

3 分钟每个面板用一句话说出它在回答的问题,并对应到本单元的某一周。
a 物种内喙深与喙长的关系 → 第 3 周
b 各物种体重分布 → 第 1 周
c 物种内体重与鳍长的关系 → 第 3 周
d 各岛各物种的采样只数 → 第 1 周
e 各物种的两性体重差异 → 第 2 周

342 只企鹅合在一起,拟合一条直线:
斜率 −0.085 mm/mm
P = 1.1 × 10⁻⁵
举手表决能不能说“喙越长的企鹅,喙越浅”?
三个物种内,斜率都为正:
0.18–0.22 mm/mm
合并后为 −0.085
辛普森悖论分组内的关系与合并后的关系方向相反。为什么会这样、怎样避免,是第 3 周的主题。
ddof=1;分位数说明算法exercise.ipynb 的 A1–A6)讲义:handout.html · 数据:data/penguins.csv
| → ↓ 空格 PgDn | 下一步 / 下一页 |
| ← ↑ PgUp Backspace | 上一步 / 上一页 |
| Home End | 第一页 / 最后一页 |
| 数字 + Enter | 跳到第几页 |
| o 或 Esc | 总览(点击缩略图跳转) |
| N | 显示 / 隐藏讲者备注 |
| F | 全屏 |
| B 或 . | 黑屏 |
| ? | 本帮助 |
打印或另存为 PDF 时每页一张幻灯片,逐步出现的内容全部显示。