Interquartilabstand
Der Interquartilabstand (auch Interquartilbereich oder Inter-Quartile-Range; IQR) ist ein Mass für die Beschreibung des Ausmasses der gefundenen Variation innerhalb eines Datensatzes. Häufig begegnet man im Rahmen der Beurteilung der Variabilität von Datensätzen dem Problem von starken Verzerrungen, welche durch extreme Ausreisserwerte entstehen können. Daher kann es sinnvoll sein, die Extremwerte am oberen und unteren Ende der Stichprobenverteilung nicht zu berücksichtigen, um eine klare Sicht auf den Grossteil der gemessenen Einheiten zu erlangen. Der Grundgedanke ist also folgender: Es werden extreme Werte am Ende des Spektrums ausgeschlossen und lediglich die mittleren Werte der Verteilung betrachtet.
Eine Methode, um eine solche Trimmung der Daten zu erreichen ist der Interquartilabstand. Hier werden die mittleren 50% der Werte einer Stichprobe betrachtet. Die oberen und unteren 25% der Verteilung werden hingegen nicht berücksichtigt. Damit ergibt sich ein von Extremwerten bereinigtes Bild der Stichprobe. Dies wird erreicht, indem zwei entscheidende Ankerpunkte berechnet werden: das erste und das dritte Quartil. Es ergibt sich daraus folgende Formel:
IQR = Q3 – Q1
Dabei muss der Datensatz zur Bestimmung der Quartile in einem ersten Schritt der Grösse nach geordnet werden. Es ergibt sich eine geordnete Reihe vom kleinsten zum grössten Wert, was folgendermassen dargestellt werden kann:
x(1), x(2), x(3), …x(n)
Die Berechnung des ersten Quartils Q1 erfolgt, indem aus den sortierten Werten eine neue Stichprobe x(1), x(2), x(3), …x(m) gebildet wird. Beginnend beim kleinsten Wert reicht die neue Stichprobe bis zum Ankerpunkt m = n/2 (bei geradem n) bzw. m = (n + 1)/2 (bei ungeradem n). Aus der neuen Stichprobe wird nun der Median gebildet, welcher das erste Quartil Q1 ergibt: Q1 = m/2 (bei geradem m) bzw. Q1 = (m + 1)/2 (bei ungeradem m).
Die Berechnung von Q3 erfolgt ganz analog, indem aus den sortierten Werten und dem oben bestimmten Ankerpunkt eine neue Stichprobe x(m), x(m+1), x(m+2), …x(n) gebildet wird. Aus der neuen Stichprobe wird nun der Median gebildet, welcher das dritte Quartil Q3 darstellt: Q3 = n/2 (bei geradem m) bzw. Q3 = (n + 1)/2 (bei ungeradem m). Nun muss lediglich die Differenz aus Q3 und Q1 gebildet werden, um den Interquartilabstand zu bestimmen.
Häufig gestellte Fragen
Was ist der Interquartilabstand in der medizinischen Statistik?
Der Interquartilabstand (IQR) ist ein Mass für die Streuung von Daten in einem Datensatz. In der medizinischen Statistik wird der IQR oft zur Beschreibung der Variabilität von Messungen verwendet, insbesondere in Zusammenhang mit Boxplots und der Berechnung von Outliern.
Wie berechne ich den Interquartilabstand?
Um den IQR zu berechnen, müssen Sie zuerst die Werte des 25. und 75. Perzentils im Datensatz finden. Subtrahieren Sie dann den Wert des 25. Perzentils vom 75. Perzentil, um den IQR zu erhalten.
Wofür wird der Interquartilabstand in der medizinischen Statistik verwendet?
In der medizinischen Statistik wird der IQR verwendet, um die Variabilität von Messungen zu beschreiben und zu vergleichen. Er ist ein nützliches Mass, um Unterschiede in der Streuung zwischen Gruppen oder Populationen zu identifizieren.
Was ist der Unterschied zwischen dem Interquartilabstand und der Standardabweichung?
Der IQR und die Standardabweichung (SD) sind beide Masse für die Streuung von Daten in einem Datensatz. Der IQR ist jedoch robuster gegenüber Ausreissern, da er auf den mittleren 50% der Daten basiert, während die SD alle Daten einbezieht. Der IQR ist auch einfacher zu interpretieren, da er die Spanne der mittleren 50% der Daten angibt.
Was sind die Vorteile der Verwendung des Interquartilabstands in der medizinischen Statistik?
Die Verwendung des Interquartilabstands in der medizinischen Statistik bietet mehrere Vorteile. Er ist robust gegenüber Ausreissern und ermöglicht eine bessere Beschreibung der Variabilität von Daten im Vergleich zur Standardabweichung. Darüber hinaus ist er einfach zu interpretieren und eignet sich gut für die grafische Darstellung von Daten mit Boxplots.
Streuungen robust beschreiben und richtig vergleichen.
