导言：从数据中挖掘故事

欢迎！在精算学的世界里，我们经常会面对庞大的数据集，它们看起来就像一堆毫无意义的数字。在深入进行复杂的模型构建之前，我们需要先进行探索性数据分析 (Exploratory Data Analysis, EDA)。在这个阶段，我们会利用“探索性图表”来将数据可视化，并通过“相关系数”来观察变量之间的关系。

在你的卷 B (CS1B) 考试中，题目不只要求你生成这些图表，还会要求你进行解释。请把自己想象成一名正在寻找线索的侦探——数据是否偏斜？有没有奇特的离群值？两个变量是否共同变动？让我们一起学习如何利用 R 来找出这些答案。


1. 单变量数据可视化：观察单一变量

在研究变量间的关系之前，我们需要先了解个别变量。课程大纲强调使用探索性可视化工具来理解数据的分布情况。

直方图 (Histogram)：hist()

直方图能帮助我们观察数据的“形状”。它将数据分成不同的“组距”(bins)，并显示落入每个组距的观测值数量。这对于检查数据是对称还是偏斜非常有用。

R 语法：
hist(data_vector, main = "标题", xlab = "标签", col = "blue")

精算类比：想象你正在整理索赔金额。如果大部分的索赔金额都很小，但有少数几宗金额巨大，你的直方图就会向右延伸出一条“长尾巴”。这被称为正偏态 (positive skew)，在保险领域中非常常见！

箱线图 (Boxplot)：boxplot()

箱线图（又称盒须图）能直观地呈现五数概括法 (five-number summary)：最小值、第一四分位数 (\(Q1\))、中位数、第三四分位数 (\(Q3\)) 以及最大值。

解读重点：
- “箱子”部分：代表四分位距 (IQR)，包含了中间 50% 的数据。
- 粗线：这代表中位数。
- “须线”：延伸至不被视为离群值的最极端数据点。
- 点点/圆圈：须线之外的点就是离群值 (outliers)。对精算师来说，这些点至关重要，因为它们可能代表“灾难性”的索赔个案。

R 语法：
boxplot(data_vector, horizontal = TRUE)


2. 双变量数据可视化：散点图

当我们想观察两个变量之间是否存在关系时（例如“投保人年龄”与“索赔次数”），我们会使用散点图 (scatter plot)。

绘图函数：plot()

在 R 中，plot(x, y) 会创建一个散点图，其中 \(x\) 是解释变量（通常在水平轴），而 \(y\) 是响应变量（通常在垂直轴）。

观察重点：
- 方向：点的分布是从左下往右上（正相关）还是从左上往右下（负相关）？
- 形态：点的分布看起来像直线（线性）还是曲线？
- 强度：点与点之间靠得有多近？分布越密集代表关系越强。

小贴士：在卷 B 考试中，记得一定要为坐标轴标注标签！使用 xlab = "..." 和 ylab = "..."，确保不会在这些简单的地方丢分。


3. 相关性：衡量变量间的联系

虽然图表给了我们视觉上的“感觉”，但相关系数则为关系的强度和方向提供了一个数值。CS1 课程要求你掌握三种特定的衡量指标。

相关性三剑客

1. 皮尔逊积差相关系数 (Pearson’s Product-Moment Correlation, \(r\))
衡量两个变量之间线性关系的强度。它假设数据大致呈正态分布。
- 数值为 \(+1\)：完美的正线性关系。
- 数值为 \(-1\)：完美的负线性关系。
- 数值为 \(0\)：无线性关系。

2. 斯皮尔曼等级相关系数 (Spearman’s Rank Correlation, \(\rho\))
这是一种“非参数”衡量指标。它不使用原始数值，而是使用数据的排名 (ranks)。它非常适合检测单调 (monotonic) 关系（即变量朝相同方向移动，但不一定是直线）。相比皮尔逊系数，它对离群值的敏感度较低。

3. 肯德尔等级相关系数 (Kendall’s Tau, \(\tau\))
与斯皮尔曼类似，这也是基于排名的指标。它观察的是“一致对”(concordant) 与“不一致对”(discordant)。通常用于样本量较小或存在大量相同排名（平秩）的情况。

相关性的 R 代码

cor() 函数是你的好帮手，你只需要指定“方法”(method)：

cor(x, y, method = "pearson")
cor(x, y, method = "spearman")
cor(x, y, method = "kendall")

快速复习：该用哪一个？
- 如果关系看起来像一条直线：Pearson。
- 如果关系是曲线但始终递增/递减：Spearman。
- 如果数据中有极端离群值，可能会“拉偏”直线：Spearman 或 Kendall。


4. 常见陷阱与解读建议

如果起初觉得这有点难，请不要担心；解读输出结果是一项随着练习而增长的技能。以下是你在考试作答时需要留意的事项：

相关不代表因果 (Correlation \(\neq\) Causation)
仅仅因为两个变量具有很高的相关系数（例如 \(0.95\)），并不代表其中一个变量导致了另一个。在考试评论中，请使用像“……之间存在强烈的正线性关联”之类的字眼，而不要说“变量 X 导致变量 Y”。

离群值的影响
单一离群值就可能显著地降低（或增加！）Pearson 相关系数。如果你在散点图中看到离群值，但 Spearman 相关系数很高，这表示潜在关系其实很强，只是 Pearson 数值被扭曲了。

检查非线性关系
如果 cor(x, y) 接近 \(0\)，并不代表变量之间完全没有关系。两者可能存在二次函数（U 型）关系。这就是为什么我们在计算数值之前，务必要先绘制图表！


卷 B 核心重点回顾

  • hist()：观察单一变量的分布和偏斜度。
  • boxplot()：识别中位数、四分位数和离群值。
  • plot(x, y)：将两个变量之间的关系可视化。
  • cor(..., method = "...")：量化关系。
    • Pearson：线性关系。
    • Spearman/Kendall：单调关系（基于排名）。
  • 解读：在信任相关系数之前，一定要先看图表！

注：关于如何将这些结果应用于正式检验的详情，请参阅“利用软件输出进行检验与置信区间”章节。若要在模型中使用这些变量，请参阅“线性回归输出的拟合与解读”。