1 基本概念
1.1 定义
稳健统计量是指在数据存在离群值、偏态分布、测量误差或少量异常观测时，仍能较好反映数据中心位置、离散程度或变量关系的统计量。它们不完全依赖于理想化分布假设，而是更强调在非理想数据条件下的稳定表现。与经典统计量相比，稳健统计量通常对极端值不那么敏感，因此在实际数据分析中具有较强的实用性。
1.2 与传统统计量的区别
传统统计量如均值、方差等，通常在正态分布或近似对称分布下表现良好，但一旦样本中出现少数异常值，结果就可能明显偏移。稳健统计量则倾向于采用中位数、截尾均值、四分位距等更不容易被极端观测拉动的指标，从而获得更稳定的估计。换言之，传统统计量更强调在理想条件下的效率，而稳健统计量更重视在复杂数据环境中的可靠性。
1.3 稳健性的含义
稳健性通常指统计方法对数据偏离、异常扰动和模型失配的抵抗能力。它并不意味着统计量对所有异常都完全不受影响，而是表示其受影响程度较小，且在一定范围内仍能保持可用的解释性。稳健性的强弱往往需要结合具体统计量、样本规模以及异常类型来判断。
1.3.1 抗离群值能力
抗离群值能力是稳健性的核心表现之一。若数据中混入少量极大或极小的观测，稳健统计量不应发生剧烈变化。例如，中位数对单个极端值的反应通常远弱于均值。对于离群值较多或分布尾部较重的样本，稳健方法往往更能保留数据主体的信息。
1.3.2 对分布偏离的容忍度
现实数据常常并不严格服从标准理论分布，可能呈现偏态、厚尾或混合分布特征。稳健统计量的一个重要特点，是在分布偏离理想模型时仍能给出较合理的描述。它们通过降低对尾部和极端观测的依赖，提升了对实际分布形态变化的容忍度。
1.4 常见应用场景
稳健统计量广泛用于现实数据分析、质量控制、金融风控、实验测量和生物医学研究等场景。在这些领域中，数据往往会受到噪声、误差或偶发异常的影响，直接使用均值和方差可能得到误导性结论。稳健统计量能够在一定程度上缓解这些问题，因此常被作为预处理、描述统计和模型估计中的重要工具。
2 分类
2.1 稳健位置统计量
稳健位置统计量用于描述数据的中心趋势，目标是在不被少量异常值显著干扰的前提下，概括样本的“代表值”。常见方法包括中位数、截尾均值和温莎化均值等。
2.1.1 中位数
中位数是将数据排序后位于中间的数值，若样本量为偶数，则通常取中间两个数的平均。由于它只依赖排序位置而非具体极端大小，因此对异常值具有较强抵抗力。中位数常用于偏态分布或存在离群值的数据描述。
2.1.2 截尾均值
截尾均值是先去除样本中最小和最大的一部分观测，再对剩余数据求均值。通过削弱两端极端值的影响，它在保持一定效率的同时提高了稳健性。截尾比例可根据数据特点和分析目的进行调整。
2.1.3 温莎化均值
温莎化均值不是直接删除极端值，而是将两端极端观测替换为临界位置附近的值，再计算均值。与截尾均值相比，它保留了样本容量，适用于希望减少极端值影响但又不愿丢失样本信息的情形。
2.2 稳健尺度统计量
稳健尺度统计量用于衡量数据的离散程度，重点在于避免极端观测对总体波动的夸大作用。与方差或标准差相比，这类统计量更适合处理含异常值的数据。
2.2.1 四分位距
四分位距是第三四分位数与第一四分位数之差，反映中间50%数据的跨度。由于它只依赖分位数位置，对尾部极端值不敏感，因此是常用的稳健离散指标。
2.2.2 平均绝对偏差
平均绝对偏差通常指各观测值与某中心位置之间绝对差的平均值。若中心位置取中位数或其他稳健中心，则其稳健性会进一步提高。它比平方型尺度指标更不容易被异常值放大。
2.2.3 中位数绝对偏差（MAD）
MAD是各观测值到中位数的绝对偏差的中位数，属于非常典型的稳健尺度统计量。由于它采用中位数作为偏差的汇总方式，因此对少数极端偏差具有较强抗性，常用于异常检测和稳健标准化。
2.3 稳健相关统计量
稳健相关统计量用于描述变量之间的关联强度，并尽量减少异常点对相关性判断的影响。相比基于协方差的传统相关指标，它们在非线性、偏态或含异常值场景下更具稳定性。
2.3.1 秩相关系数
秩相关系数以观测值的排序次序为基础，而非直接使用原始数值，因此对极端值较不敏感。常见形式包括基于秩的相关度量，适用于单调关系但未必线性的数据。
2.3.2 稳健协方差
稳健协方差通过削弱异常点在联合波动中的作用，减少少数极端观测对变量关系的扭曲。它常与稳健相关系数配合使用，以构建更稳定的多变量分析框架。
2.4 稳健回归统计量
稳健回归统计量用于描述自变量与因变量之间的关系，并降低异常样本对回归结果的影响。它在误差分布不对称、存在离群点或模型略有失配时尤其有价值。
2.4.1 斜率估计
稳健斜率估计是对回归直线倾斜程度的稳健测度，常通过中位数型或秩型方法获得。其目标是在存在异常观测时仍得到较接近主体趋势的参数估计。
2.4.2 残差度量
稳健残差度量用于衡量观测值与模型预测值之间的偏离程度，但往往采用绝对值、中位数或加权方式而非单纯平方和。这样可以减少大残差的主导作用，使模型拟合更贴近主要数据结构。
3 理论基础
3.1 影响函数
影响函数用于描述单个观测点对统计量估计结果的边际影响大小。若某统计量的影响函数有界，则说明极端点对其扰动不会无限放大，这通常被视为稳健性的理论体现之一。通过考察影响函数，可以比较不同统计方法对异常值的敏感程度。
3.2 崩溃点
崩溃点是衡量统计量稳健性的重要指标，表示需要多少比例的异常数据才能使估计结果失去意义或发散。崩溃点越高，说明该统计量越不容易被少量污染摧毁。中位数等统计量通常具有较高的崩溃点，而均值的崩溃点则较低。
3.3 渐近性质
稳健统计量在样本量增大时通常具有良好的渐近性质，即在大样本下表现趋于稳定。研究这类性质有助于判断统计量在理论上是否可靠，以及其近似分布是否便于推断。
3.3.1 一致性
一致性是指随着样本量增加，统计量逐渐收敛到其真实参数或目标量。对于稳健统计量而言，一致性说明其在大样本条件下仍能准确反映总体特征，是实际应用的重要基础。
3.3.2 渐近正态性
许多稳健统计量在适当条件下也满足渐近正态性，即其标准化后的分布在大样本下可近似为正态分布。这使得置信区间和假设检验等推断工具能够继续使用，只是形式可能与经典方法略有不同。
3.4 效率与稳健性的权衡
稳健性越强的统计量，往往在理想模型下的效率不一定最高；反之，效率极高的方法可能对异常值更脆弱。实际分析中需要在“对异常的抵抗能力”和“在纯净数据下的估计精度”之间寻求平衡。不同场景下的最优选择并不相同，通常取决于异常值比例、样本规模和研究目标。
4 典型稳健统计量
4.1 中位数
4.1.1 定义与性质
中位数是位置型稳健统计量的代表，具有简单、直观和抗异常值能力强的特点。它在单峰或偏态分布中常比均值更能代表“典型水平”。此外，中位数还具有平移不变性，便于解释和比较。
4.1.2 与均值的比较
均值利用全部数值信息，因此在数据近似对称且无异常时往往更有效率；但只要出现少量极端值，均值就可能明显偏移。中位数则对极端值更稳定，代价是对细微数值变化不如均值敏感。在实际应用中，两者常被同时报告，以便互相补充。
4.2 四分位距
4.2.1 计算方法
四分位距通过计算第三四分位数与第一四分位数之差得到。它关注数据中部范围，而不依赖尾部极端观测，因此在描述离散程度时较为稳健。对于分布偏斜的数据，四分位距往往比标准差更具代表性。
4.2.2 对异常值的敏感性
由于四分位距只使用排序后的中间部分信息，它对极端值不敏感。即便数据中存在明显离群点，只要它们不改变四分位位置，四分位距就不会受到显著影响。这使其适合用于异常数据较多的场合。
4.3 MAD
4.3.1 计算步骤
MAD通常先求样本中位数，再计算各观测值到该中位数的绝对偏差，最后取这些偏差的中位数。整个过程充分利用了中位数的稳健性，因此MAD本身也具有较强的抗干扰能力。它常被用于稳健标准化和异常值识别。
4.3.2 标准化形式
在某些场景中，MAD会乘以一个常数进行标准化，使其在正态分布条件下与标准差具有可比性。这样做的目的是便于不同尺度统计量之间的解释和使用。标准化后的MAD常见于稳健Z分数构造。
4.4 截尾均值
4.4.1 双侧截尾
双侧截尾均值会同时删除样本两端的极端观测，再对中间部分求平均。它适用于两端都可能包含异常值的情形，能够较好地平衡稳健性和效率。截尾比例越高，抗干扰能力通常越强，但可利用的信息也相应减少。
4.4.2 单侧截尾
单侧截尾均值只在一侧删除极端值，常用于已知异常主要集中在某一方向的情况。比如某些测量误差更容易导致过大值出现时，单侧截尾可更有针对性地修正偏差。它在特定应用中比双侧截尾更灵活。
5 估计方法
5.1 M估计
5.1.1 损失函数
M估计通过最小化某种损失函数来获得参数估计，损失函数通常设计得对大残差增长更缓，从而降低异常点影响。与普通最小二乘相比，它更偏向于让大多数观测得到较合理拟合。不同损失函数会导致不同的稳健性质。
5.1.2 迭代求解
许多M估计问题无法直接解析求解，需要借助迭代算法逐步逼近最优解。常见做法包括权重更新、残差重加权等形式。由于迭代过程中会不断调整异常点的影响，因此适合稳健回归与稳健位置估计。
5.2 L估计
5.2.1 基于线性组合的构造
L估计是基于样本次序统计量的线性组合构造而成的估计方法。通过对不同排序位置赋予不同权重，可以在保留中间信息的同时减少极端值影响。它在稳健统计中具有较清晰的结构和较好的解释性。
5.2.2 典型实例
截尾均值和温莎化均值都可视为L估计的典型实例。它们通过改变排序后两端观测的处理方式，实现对异常值的抑制。由于构造方式直观，L估计在实际应用和理论分析中都较常见。
5.3 R估计
5.3.1 基于秩的估计
R估计主要基于观测值的秩而非原始数值大小，因此对极端数值不敏感。它常用于回归和位置参数的稳健估计，尤其适合单调关系明显但分布形式不明确的场景。秩信息的使用使其在非参数环境下尤为有用。
5.3.2 适用条件
R估计通常适用于数据至少具有可排序性，且研究重点在于相对位置而非绝对幅度的情形。若数据中存在大量并列值或复杂依赖结构，则需要结合具体方法做适配。它在样本规模较大时通常表现稳定。
5.4 最小绝对偏差估计
最小绝对偏差估计通过最小化残差绝对值之和来寻找参数，使得大误差不至于像平方损失那样被过分放大。它对离群点较为稳健，适合误差分布厚尾或存在异常观测的回归分析。与最小二乘法相比，它更强调中位数意义上的拟合。
6 性能评价
6.1 抗离群能力
抗离群能力是衡量稳健统计量最直接的指标之一。一个方法如果在加入少量异常值后仍能维持估计稳定，通常就被认为具有较好的稳健性。实际评估时，常通过人为污染数据或模拟异常场景来观察统计量变化。
6.2 偏差与方差
稳健统计量往往在偏差和方差之间呈现不同于传统统计量的平衡方式。它们有时会牺牲少量效率，以换取在异常环境下更低的偏差。评价时通常需要同时考虑估计是否偏离真实值，以及结果波动是否可接受。
6.3 稳健效率
稳健效率用于比较稳健方法与理想最优方法在特定分布下的相对表现。若数据几乎没有异常，某些稳健统计量的效率可能略低；但在存在污染时，其实际表现反而更优。稳健效率因此是选择方法时的重要参考。
6.4 小样本表现
在小样本条件下，稳健统计量可能受到排序离散性和抽样波动的影响，表现不如大样本时稳定。某些方法虽然理论上稳健，但在样本很少时可能较难体现优势。因此，小样本应用通常需要谨慎选择统计量，并结合经验判断。
6.5 大样本性质
随着样本量增加，稳健统计量通常会逐渐显示出其理论优势。大样本下，它们不仅更接近真实参数，也更容易形成稳定的抽样分布。对于需要长期监测或批量处理的数据系统而言，这种性质尤其重要。
7 计算与实现
7.1 直接计算方法
部分稳健统计量可以通过排序、分位数计算和绝对偏差汇总直接得到。中位数、四分位距和MAD等都具有较明确的计算步骤，易于手工或程序实现。对于数据量不大的情形，直接法通常简单可靠。
7.2 迭代算法
更复杂的稳健估计方法往往需要迭代算法实现，例如加权更新、重加权最小二乘或基于优化的求解过程。迭代法能够处理多参数模型和非线性损失，但对初值、收敛准则和停止条件较敏感。实际实现中常需兼顾稳定性与计算效率。
7.3 软件中的常见实现
现代统计软件和编程语言通常都提供稳健统计量的相关函数或扩展包，可直接计算中位数、截尾均值、MAD、稳健回归等结果。不同软件在默认参数、标准化常数和异常处理方式上可能略有差异，因此使用时需要核对具体定义。对于严肃分析，最好明确记录采用的实现版本与参数设置。
7.4 计算复杂度
多数基础稳健统计量的复杂度主要取决于排序步骤，通常为较低到中等水平。对于需要反复迭代的估计方法，计算成本会随样本量和模型复杂度上升。随着算法和硬件的改进，稳健方法在大规模数据分析中的应用也越来越常见。
8 应用领域
8.1 数据清洗与异常检测
在数据清洗阶段，稳健统计量常被用来识别明显偏离主体分布的观测值。比如利用中位数和MAD构造稳健标准化指标，可以更有效地区分正常数据与异常数据。它们常作为自动化预处理流程中的基础组件。
8.2 金融数据分析
金融数据经常呈现厚尾、波动较大和偶发极端值等特征，传统均值与方差容易受到影响。稳健统计量可用于收益率描述、风险指标估计和异常交易识别等任务。由于其对极端波动更稳健，因而在风险管理中具有较高实用价值。
8.3 工业质量控制
工业生产中，测量误差、设备波动和偶发故障都可能引入异常观测。稳健统计量可帮助更准确地监测产品质量水平，避免少数异常批次对整体判断造成误导。它们常用于过程控制图、偏差分析和质量波动评估。
8.4 生物统计与医学研究
医学和生物实验数据常受个体差异、样本污染或记录误差影响，分布也可能不对称。稳健统计量在这类研究中可用于描述检验指标、比较组间差异和处理异常测量。它们有助于提高结论的可信度，尤其是在样本量有限时。
8.5 机器学习中的稳健建模
在机器学习中，输入特征、标签噪声和异常样本都可能影响模型训练。稳健统计量可用于特征标准化、损失函数设计、异常值处理和模型评估。对于希望提高泛化能力的系统而言，稳健思想常与正则化、裁剪和重加权等技术结合使用。
9 相关概念
9.1 鲁棒统计
鲁棒统计与稳健统计在很多语境下接近，通常都强调方法对异常和模型偏离的抵抗能力。两者在术语使用上有时并无严格区分，但“鲁棒”更常见于工程和机器学习语境，“稳健”则更常见于统计学语境。
9.2 非参数统计
非参数统计强调不预先限定严格的分布形式，方法往往依赖排序、分位数或秩信息。稳健统计量与非参数方法有较大交集，但并不完全等同。前者重点在抗异常，后者重点在弱化分布假设。
9.3 异常值处理
异常值处理是数据分析中的基础环节，包括识别、标记、修正、删除或单独建模等策略。稳健统计量常作为异常值处理的工具或前提，因为它们能在异常存在时先给出较可靠的总体概括。
9.4 抗噪声估计
抗噪声估计关注在观测数据受随机扰动或系统误差影响时，仍能恢复真实信号或参数。稳健统计量与抗噪声估计密切相关，尤其适用于噪声分布不理想、尾部较重或存在脉冲干扰的情形。