1 定义
1.1 基本概念
温莎化平均是一种稳健的平均数计算方法。其核心做法是：先将样本中两端的极端观测值替换为靠近它们的分位点数值，再对调整后的全部数据求算术平均。由于极端值不再以原始大小直接进入计算，结果通常比普通平均数更稳定。
1.2 术语来源
“温莎化”一词来自统计学中的 Windsorizing 处理，名称通常与“温莎”这一地名或相关命名习惯联系在一起。该术语在英文统计文献中逐渐固定下来，用于指代对数据两端进行压缩式处理的操作。
1.3 与普通平均数的区别
普通算术平均直接使用全部观测值，任何一个特别大的或特别小的数都可能明显影响结果。温莎化平均则先把最极端的一部分数值替换为边界附近的代表值，因此对异常波动更不敏感。两者都保留样本总量，但前者更适合数据中存在少量离群点的情形。
2 计算方法
2.1 设定温莎化比例
计算温莎化平均时，首先要确定温莎化比例，也就是要处理样本两端各多少比例或多少个观测值。常见做法是对称处理，例如两端各替换 5% 或 10% 的数据。比例越高，极端值的影响越小，但对原始数据的改动也越大。
2.2 替换极端值
确定比例后，需要将样本排序，并找出需要压缩的下尾与上尾观测值。替换时并不是删除这些数据，而是把它们改写为邻近分位点所对应的数值，使其在数量上仍然保留在样本中。
2.2.1 下尾值替换
下尾部分的最小若干观测值，通常会被替换为较低分位点对应的那个值。这样一来，原本特别低的数不会继续拉低整体平均，而是与边界值保持一致。
2.2.2 上尾值替换
上尾部分的最大若干观测值，则会被替换为较高分位点对应的值。这样可以避免个别特别大的观测对结果产生过强拉升作用，使平均数更平滑。
2.3 计算温莎化平均
完成替换后，对新的样本直接计算算术平均，即得到温莎化平均。由于数据仍包含原有样本数，这一结果通常可视为“经过压缩修正后的平均水平”。
2.4 不同样本规模下的处理
在样本量较小时，温莎化比例往往需要谨慎设定，因为替换几个观测值就可能显著改变结果。若样本量较大，则可以更灵活地按百分比处理，两端替换的数量也更容易保持平衡。对整数个观测值的替换，实际操作中常通过四舍五入或约定规则来确定。
3 数学性质
3.1 稳健性
温莎化平均具有一定稳健性，主要体现在它对少量极端值不那么敏感。与普通平均相比，它更能代表数据主体部分的集中趋势，因此常被用于存在异常波动的场合。
3.2 对离群值的敏感度
当数据中出现离群值时，普通平均会直接受到影响，而温莎化平均会把这些极端点限制在边界水平上。于是，离群值仍然参与统计，但其作用被明显削弱。若离群点数量不多，这种方法通常能有效降低偏移。
3.3 取值范围与偏差特征
温莎化平均一般仍落在样本的总体取值范围之内。与原始平均相比，它可能更接近样本中部的典型水平，但也可能因过度压缩两端而产生一定偏差。若极端值本来就是数据的重要组成部分，则温莎化后可能低估真实波动。
3.4 与中位数的关系
中位数是只关注排序位置的中心位置度量，而温莎化平均仍然利用了多数样本的数值大小信息。前者对极端值几乎不敏感，后者则介于普通平均和中位数之间，兼具一定稳定性与数值分辨率。
4 相关统计方法
4.1 截尾平均
4.1.1 定义与区别
截尾平均是把样本两端若干数据直接删除后，再对剩余部分求平均。与之相比，温莎化平均并不删除数据，而是用边界值替换极端项，因此样本数量保持不变。
4.1.2 适用场景比较
当研究重点在于削弱异常影响、同时又希望保留样本规模时，温莎化平均更合适；若希望彻底排除两端极端值，截尾平均会更直接。两者在结果上常接近，但处理逻辑不同。
4.2 修剪平均
4.2.1 与温莎化平均的联系
修剪平均有时会被用作截尾平均的近义表达，也常在广义上指剔除极端值后的平均。温莎化平均与其关系密切，都是稳健统计中的常用工具，只是一个“删去”，一个“替换”。
4.2.2 常见误解辨析
常见误解是把温莎化平均与修剪平均完全等同。实际上，前者保留了全部样本条目，后者通常减少了样本数量。理解这一点，有助于在软件实现和报告结果时避免混淆。
4.3 加权平均
4.3.1 权重机制比较
加权平均通过给不同观测赋予不同权重来调整其影响力，而温莎化平均则是通过修改极端值本身来降低影响。两者都能改变最终结果，但加权平均更强调“影响程度”的分配，温莎化平均更强调“数值压缩”的处理。
5 应用场景
5.1 描述性统计
在描述一组数据的整体水平时，温莎化平均可作为普通平均的补充指标。它尤其适合数据分布偏斜、存在偶发极值或样本中含有少数异常记录的情况。
5.2 实验数据汇总
实验测量中偶尔会出现仪器误差、录入偏差或偶然波动。使用温莎化平均汇总多次实验结果，有助于减少个别异常测次对结论的干扰，使汇总值更平稳。
5.3 金融与经济数据分析
在一些金融和经济数据中，某些极端数值可能来自临时冲击或非典型事件。温莎化平均可以用于提炼更接近日常水平的中心趋势，适合用于辅助分析而非单独定论。
5.4 质量控制与异常检测
在质量控制中，温莎化平均可用于衡量过程的常态表现。当个别样本异常偏高或偏低时，它能避免控制指标被少数点位过度牵引。结合其他异常检测方法时，效果通常更好。
5.5 竞赛与评分统计
在一些评分场景中，若希望减少极端给分的影响，温莎化平均可作为汇总成绩的方法之一。它能缓和特别高分或低分带来的波动，使最终结果更接近多数评分的共识。
6 参数选择
6.1 温莎化比例的确定
温莎化比例没有唯一标准，通常取决于样本特点和研究目的。比例越小，结果越接近普通平均；比例越大，结果越接近中部数据水平。实际应用中常根据经验、分布形态和异常程度进行设定。
6.2 对结果稳定性的影响
适当的温莎化可以提升结果稳定性，减少少数极端值带来的随机波动。若比例过高，则可能把正常差异也一并压缩，反而削弱指标的区分能力。因此，稳定性与信息保真之间需要平衡。
6.3 经验规则与实践选择
实践中常见的做法是采用较小比例作为起点，再结合数据分布进行调整。若样本较大且尾部异常较明显，可适当提高比例；若样本本身较平稳，则可选择更保守的设置。最终方案通常应与分析目的一致。
7 优缺点
7.1 优点
7.1.1 抗极端值能力
温莎化平均能显著减弱少数极端值的影响，因此在异常点存在时往往比普通平均更可靠。对于偏态分布或带有少量错误记录的数据，这一优势尤为明显。
7.1.2 保留样本信息
与直接删除数据的方法相比，温莎化平均保留了全部样本条目，避免样本量减少。这样既能维持统计结构，又能降低尾部点位对结果的干扰。
7.2 缺点
7.2.1 可能掩盖真实极端现象
如果极端值本身代表真实且重要的现象，温莎化处理可能把这些信息“压平”。在研究风险事件、峰值负荷或稀有但关键的观测时，这一点需要特别注意。
7.2.2 参数依赖性
温莎化平均的结果会受到比例设定的影响。不同的温莎化水平可能得到不同结论，因此它并非完全无参数的方法。若参数选择缺乏依据，解释结果时就容易产生不一致。
8 计算示例
8.1 小样本示例
设有样本 2、3、4、5、100。若采用两端各一个观测值的温莎化处理，则最小值 2 替换为 3，最大值 100 替换为 5，得到新样本 3、3、4、5、5。其温莎化平均为 4。相比普通平均 22，结果明显更接近日常数据水平。
8.2 大样本示例
若某组数据共有 100 个观测值，按两端各 5% 温莎化，则排序后最小 5 个值替换为第 6 个值，最大 5 个值替换为第 95 个值。这样可在保留全部样本数量的同时，减弱两端极值的影响，使汇总指标更稳定。
8.3 与普通平均数对比示例
若数据为 10、11、12、13、14、1000，普通平均会被 1000 明显拉高。若对上尾进行温莎化处理，例如将最大值替换为接近上界的正常数值，则平均会大幅回落，更能反映前五个观测所代表的总体水平。
9 相关概念
9.1 分位数
分位数用于描述数据排序后某一位置对应的数值，是温莎化处理中确定替换边界的重要依据。
9.2 离群值
离群值指明显偏离大多数观测的数据点，往往是温莎化平均试图弱化影响的对象。
9.3 稳健统计
稳健统计关注在存在异常值或偏离假设时仍能保持较好表现的方法体系，温莎化平均属于其中常见工具之一。