二维散点图中置信区间与置信椭圆的差异及合理呈现方式

我们需要在散点图中可视化多样本的两个参数，研究组通常会在x、y方向添加置信区间（比如生物学重复的汇总结果）。我尝试用R语言的stat_ellipse函数绘制置信椭圆，却发现就算经过严格的Bonferroni校正，椭圆范围仍远大于常规置信区间。是我对置信椭圆的含义有误解，还是常规置信区间计算有误？在二维可视化中添加置信区间的最合适方式是什么？

可复现示例 #

以iris数据集的Sepal.Length和Petal.Length参数为例，下方代码生成同时包含置信椭圆和基于t检验、Bonferroni校正的常规置信区间的图表。我原本预期椭圆会被置信区间包围，但实际情况并非如此。

n_comparisons = 6 # 2*3 comparisons

# 生成Bonferroni校正的置信区间
# 使用t.test函数，设置conf.level为Bonferroni校正后的值，然后提取$conf.int中的置信区间
metrics = iris |>
  pivot_longer(Sepal.Length:Petal.Length) |>
  group_by(Species, name) |>
  summarise(mean = mean(value),
            upper_ci = t.test(value, conf.level = 1-(0.05/n_comparisons))$conf.int[2],
            lower_ci = t.test(value, conf.level = 1-(0.05/n_comparisons))$conf.int[1]) |>
  pivot_wider(values_from = mean:lower_ci)


ggplot(iris,
       aes(x = Sepal.Length,
           y = Petal.Length,
           color = Species)) + 
  theme_classic() + 
  geom_point() + 
  stat_ellipse(level = 0.95,
               type = "t") + 
  geom_errorbar(data = metrics,
                aes(x = mean_Sepal.Length,
                    y = mean_Petal.Length,
                    ymin = lower_ci_Petal.Length,
                    ymax = upper_ci_Petal.Length),
                width = 0.2) +
  geom_errorbarh(data = metrics,
                aes(x = mean_Sepal.Length,
                    y = mean_Petal.Length,
                    xmin = lower_ci_Sepal.Length,
                    xmax = upper_ci_Sepal.Length),
                height = 0.2)

问题解答 #

1. 核心误解：置信椭圆与单变量置信区间的本质差异 #

你看到的差异完全是正常现象，因为两者的统计含义完全不同：

• 单变量置信区间：你计算的是每个变量（x或y）单独的均值置信区间，Bonferroni校正只是调整了单变量检验的置信水平，控制多变量比较的整体Type I错误，但本质上还是对单个维度的估计范围。
• 置信椭圆：stat_ellipse(type = "t", level = 0.95)绘制的是二维均值的联合置信区域——它描述的是“真实的二维均值落在这个椭圆内的概率为95%”，考虑了两个变量之间的相关性。这个区域的边界不是单变量区间的简单组合，因为相关性会让联合区域的范围在某些方向上超出单变量区间，某些方向上更窄。

比如当x和y高度正相关时，x高于均值时y也大概率高于均值，联合置信椭圆会沿着相关方向延伸，自然会超出x或y单独的置信区间范围。

2. 你的置信区间计算是否正确？ #

你的Bonferroni校正逻辑存在小偏差：你设置1-(0.05/n_comparisons)作为置信水平，其中n_comparisons=6对应“2个变量×3个物种”，但如果只是要展示每个物种两个变量的均值置信区间，Bonferroni校正的对比次数应该是每个物种内的2个变量，或是整体6个单变量区间——这个校正本身逻辑通顺，但要明确：校正后的单变量区间依然是单维度的，和二维椭圆没有直接的包含关系。

3. 二维可视化中添加置信区间的合适方式 #

根据你展示生物学重复汇总结果的需求，可选择以下几种方式：

方式一：保留单变量置信区间（误差棒）+ 补充置信椭圆

如果核心需求是展示每个变量的均值波动，误差棒（x/y方向的单变量置信区间）更直观，置信椭圆可作为补充，用于展示变量间的相关性和联合波动范围。无需追求椭圆被误差棒包围，因为两者统计含义完全不同。

方式二：正确使用二维均值的联合置信椭圆

如果想展示二维均值的联合置信区域，确保stat_ellipse参数正确：

• type = "t"：适用于小样本，基于t分布计算，和你用的t检验单变量区间逻辑匹配；
• level：若要做Bonferroni校正的联合置信区间，需调整联合检验的置信水平。比如针对k个变量，联合置信水平可设为1 - α/k，但二维联合区间的校正逻辑和单变量不同，更准确的是使用Hotelling's T²检验计算联合置信区域，而stat_ellipse(type="t")已经封装了这个逻辑。

方式三：使用标准差/标准误椭圆（而非置信椭圆）

如果想展示数据的分布范围（而非均值的置信区间），可将stat_ellipse的type设为"norm"（基于正态分布的标准差范围）或type="euclid"（欧式距离的椭圆），此时椭圆描述的是数据离散程度，和均值置信区间是不同统计量。

修正后的代码示例（可选） #

如果想让联合置信椭圆和单变量置信区间的置信水平匹配，无需对单变量做Bonferroni校正（除非要同时做多个单变量假设检验），直接使用0.95的置信水平即可：

metrics = iris |>
  pivot_longer(Sepal.Length:Petal.Length) |>
  group_by(Species, name) |>
  summarise(mean = mean(value),
            upper_ci = t.test(value, conf.level = 0.95)$conf.int[2],
            lower_ci = t.test(value, conf.level = 0.95)$conf.int[1]) |>
  pivot_wider(values_from = mean:lower_ci)

ggplot(iris,
       aes(x = Sepal.Length, y = Petal.Length, color = Species)) + 
  theme_classic() + 
  geom_point() + 
  stat_ellipse(level = 0.95, type = "t") + 
  geom_errorbar(data = metrics,
                aes(x = mean_Sepal.Length, y = mean_Petal.Length,
                    ymin = lower_ci_Petal.Length, ymax = upper_ci_Petal.Length),
                width = 0.2) +
  geom_errorbarh(data = metrics,
                 aes(x = mean_Sepal.Length, y = mean_Petal.Length,
                     xmin = lower_ci_Sepal.Length, xmax = upper_ci_Sepal.Length),
                 height = 0.2)

这样两者的置信水平均为95%，虽然椭圆还是不会被误差棒包围，但统计含义一致：误差棒是单变量均值的95%置信区间，椭圆是二维均值的95%联合置信区间。

内容的提问来源于stack exchange，提问作者Michiel Schreurs