箱ひげ図
中身を見せずに中身を語れるのは、箱だけだ。
〜 箱ひげ図 について、ある倉庫番
箱ひげ図(はこひげず、英: box plot)は、集めたデータを五つの数に要約し、要約し終えたデータそのものを箱に詰めて保管するための統計学の図である。図の左右に伸びる二本の線は「ひげ」と呼ばれるが、実際には箱を持ち運ぶための取っ手で、毛ではない。毛と取り違えられることが多いため、教科書では長らく「ひげ(取っ手)」と併記されてきた[要出典]。

箱ひげ図を描くには、まずデータを小さい順に並べ、最小値・第1四分位数・中央値・第3四分位数・最大値の五か所に釘を打つ。第1四分位数と第3四分位数の釘のあいだに板を渡すと箱の底ができ、中央値の釘には仕切り板を立てる。こうしてデータのちょうど半分が箱の中に入り、残りの半分は取っ手の上に並んで、運ばれるのを待つ。
箱に入れるのが半分であるのには理由がある。全部を入れると蓋が閉まらず、一つも入れなければ箱を描く意味がない。四分の一や四分の三も試されたが、四分の一では箱が軽すぎて風に飛ばされ、四分の三では仕切りが真ん中に立たなかった。仕切りが真ん中に立たない箱は、統計学では箱と認められない。
箱ひげ図は、1970年代にアメリカの統計学者ジョン・テューキーが広めた。テューキーは探索的データ解析を唱えたことで知られるが、その「探索」とは、研究室の棚に積まれたまま中身の分からなくなった箱を、一つずつ開けていく作業のことだった。1973年の秋、研究所の前の歩道には片方だけの手袋が三週間落ちていた。開けた箱の外側に中身の五つの数を書いておけば二度と開けずに済む、という思いつきが、のちの箱ひげ図になった。
日本では明治のころ、引っ越しの荷札に似たものが使われていた。荷札には「いちばん軽い物」「いちばん重い物」と、そのあいだの三つの物の名前が書かれ、運送屋はそれを見て、どちらの取っ手を持つかを決めた。この荷札は昭和の初めに郵便の規格から外され、今は一枚も残っていない。どの荷札も、荷物と一緒に届けられてしまったからである。
箱の中は、中央値の仕切りで二つの部屋に分かれる。左の部屋には第1四分位数から中央値までの値が、右の部屋には中央値から第3四分位数までの値が住む。二つの部屋に住む値の数は必ず同じで、どちらかの部屋で値が一つ増えると、仕切り板がその分だけ反対側へ押される。そのため、二つの部屋の広さが違って見える箱ひげ図はいくらでもあるが、住んでいる値の数が違う箱ひげ図は一枚も無い。
箱は揺らしてはいけない。揺らすと中の値が混ざって並び順が崩れ、中央値が分からなくなる。中央値の分からなくなった箱は、すべての値を取り出して並べ直すしかなく、それには箱を描いたときの二倍の時間がかかる。統計の試験で「箱ひげ図をかけ」とは問われても「運べ」とは問われないのは、このためである。
ときどき、中央値が箱のどちらかの壁にぴったり付いていることがある。仕切り板が壁と重なって部屋が一つしか無くなった状態で、左右の値はみなその一部屋で暮らす。釣り合いが取れているかどうかは、外からは分からない。
取っ手の長さには決まりがあり、箱の幅(四分位範囲)の1.5倍までとされている。両手で箱を運ぶ人が無理なく腕を伸ばせる長さを、テューキーが自分の腕で測ったものと考えられている。テューキーの腕は左右で長さが同じだったので、取っ手の上限も左右で同じになった。
取っ手には、箱に入らなかった値が根元から順に並べられ、いちばん遠い値のところで取っ手が終わる。取っ手の先に値が一つも無いということはない。値の無いところまで伸ばすと、持った人の指が何もつかめないからである。
1.5倍より先に値があっても、取っ手は伸ばさない。その値は運ぶ途中で取っ手から落ちたものとして扱われ、図の上には点で描かれる。これが外れ値である。
外れ値は、箱にも取っ手にも乗れなかった値である。箱が運ばれていくと、外れ値は点のまま、取っ手の先から同じ距離を保ってあとをついてくる。どれだけ運んでも距離は縮まらないので、外れ値が箱に追いつくことは無い。
ところが、ほかのデータが増えて箱が大きくなると取っ手も伸び、ある朝とつぜん、外れ値が取っ手の上に乗っていることがある。統計学ではこれを「外れ値でなくなった」と言う。その値自身は、何もしていない。
外れ値を図から一つずつ消してしまう人もいる。消された値がどこへ行ったのかは、分かっていない。
この記事も、節の長さで箱ひげ図に描ける。いちばん短い節を最小値、いちばん長い節を最大値として並べると、「箱の中」の節は最大値に、「ひげ」の節は中央値のあたりに来る。この節は箱の中に入っているので、揺らさないように読んでほしい。
記事の終わりから少し離れたところに、点が一つ描かれている。
この文は、この記事のどの節にも入りきらなかった。