Q-Q 圖（Quantile-Quantile Plot，分位數對照圖）是一種探索性數據分析（EDA）的診斷工具，而非判斷常態性的「非黑即白」合格證書。當數據點緊貼著對角參考線時，代表觀測數據大致符合所選的理論分佈；而偏離參考線則可能反映出偏態（Skewness）、重尾（Heavy tails）、離群值（Outliers）、相依性（Dependence）、數值捨入誤差，或單純只是樣本數不足。在實際研究中，我們該問的實用問題並非「所有點是否完美排成一直線」，而是「這些偏離程度是否會影響後續擬採用的統計分析方法」。
SciDraw 的 Q-Q 圖產生器（Q-Q Plot Maker） 能直接讀取 CSV 或 Excel 資料生成診斷圖，並自動匯入 SciVis 進行視覺化細節微調。內建範例涵蓋了近似常態擬合、重尾分佈、右偏分佈、殘差分析、雙樣本對照以及信賴帶展示。
繪製 Q-Q 圖的常見誤區
- 將尾部的輕微雜訊視為決定性證據： 在小樣本中，極端值的變異性本來就非常大。
- 套用錯誤的理論分佈： 若您的統計模型假設的是其他分佈，那麼一張完美的「常態」Q-Q 圖便毫無參考價值。
- 忽略參考線的定義差異： 通過四分位數的參考線，與依據擬合位置及尺度參數（Location-Scale）繪製的參考線，兩者定義並不相同。
- 直接將孤立的數據點判定為錯誤值： 在剔除任何異常數據前，應先調查其數據來源背景與對模型的影響力。
- 將圖表當作絕對的假設檢定： Q-Q 圖是輔助診斷的工具，能與統計檢定相輔相成，但無法取代模型診斷與領域專業知識的綜合判斷。
Q-Q 圖需要什麼格式的資料？
本工具提供的範例採用了明確的分位數欄位結構：
| 欄位名稱 | 用途說明 | 範例數值 |
|---|---|---|
quantile_rank | 排序後的順序位置 | 1 |
theoretical_quantile | 理論分佈下的預期分位數 | -2.394 |
observed_quantile | 排序後的實際觀測值 | -2.1098 |
sample | 選擇性的數據系列標籤 | Sample A |
lower_95, upper_95 | 選擇性的 95% 信賴區間包絡線邊界 | -3.036, -1.7519 |
您可以參考我們的 常態擬合範例 CSV 或 信賴帶範例 CSV。請確保您的理論分位數與您分析中所採用的機率慣例及參考分佈完全一致。
步驟一：明確您的診斷目的
若要比較單一組觀測值（或模型殘差）與特定理論分佈的契合度，請使用「單樣本 Q-Q 圖」；若要比較兩個實際觀測樣本的分佈特徵，則使用「雙樣本 Q-Q 圖」。如果您正在驗證線性迴歸的模型假設，請繪製擬合模型後產生的「殘差（Residuals）」，而非直接繪製原始的反應變數。
步驟二：上傳 CSV 或 Excel 數據
開啟 Q-Q 圖產生器（Q-Q Plot Maker），選擇內建範例，或直接上傳您的 CSV、TSV、TXT、XLSX 或 XLS 檔案。若使用 Excel 檔案，系統會自動匯入第一個工作表（Worksheet）。請確認分位數欄位皆為數值格式、排序方向一致，且未夾雜任何單位標記或註釋文字。
步驟三：生成圖表並解讀分佈圖形
解讀時，請先觀察圖表中央的觀測點，再看兩側尾部。如果中央點大致對齊參考線，但兩端點逐漸向外偏離，通常代表數據的尾部比理論分佈更重（Heavy-tailed）或更輕（Light-tailed）。若數據點呈現系統性的單側彎曲，則通常代表數據具有偏態。
請注意，切勿單憑圖形外觀就斷定因果關係。離群值、混合群體、數據相依性或模型設定錯誤，都可能呈現出極為相似的幾何軌跡。
步驟四：添加信賴區間包絡線與上下文資訊
信賴區間包絡線（Confidence envelope）能提供在特定參考模型下，因隨機抽樣變異所產生的視覺容許範圍。落在信賴帶之外的點確實值得留意，但信賴帶並非萬能：其寬度會受到樣本大小、參數估計方法以及設定的信賴水準深切影響。
接著，您可以在 SciVis 中繼續編輯，標註理論分佈名稱、樣本數、殘差來源、信賴水準及關鍵觀測點。若在同一張圖中呈現多個組別，請保持相同的座標軸比例，並使用圖例清楚標示每個數據系列。
常見 Q-Q 圖形狀的判讀指南
- 數據點緊鄰直線： 樣本在該區間內與所選的理論參考分佈高度相符。
- S 形尾部偏離： 依偏離方向不同，代表樣本分佈可能比理論分佈擁有更重或更輕的尾部。
- 持續朝上或朝下彎曲的弧線： 顯示樣本數據可能具有偏態（不對稱性）。
- 出現一兩個遠離群體的孤立點： 需進一步調查是否為潛在的極端值、輸入錯誤或具高影響力的觀測值。
- 斜率或截距不同： 代表兩者的位置參數（Location）或尺度參數（Scale）存在差異；在雙樣本 Q-Q 圖中，這意味著兩個樣本的分佈形狀相似，但中心點或離散程度不同。
解讀圖表時，務必將樣本大小、實驗設計、數據轉換方式、模型殘差診斷以及預計採用的統計方法一併納入考量。
該看 Q-Q 圖還是常態性檢定？
Q-Q 圖能直觀呈現數據在何處、以何種方式偏離理論分佈。相較之下，傳統的假設檢定（如 Shapiro-Wilk 檢定）會將所有資訊簡化為單一統計量與 p 值，這往往導致在小樣本時檢定力不足，在大樣本時又過於敏感。最理想的作法是兩者結合使用，並評估您採用的分析方法對於該偏離程度是否具有足夠的穩健性（Robustness）。
若想觀察原始數據的分佈型態，配合使用 直方圖產生器（Histogram Maker）、核密度估計圖產生器（Density Plot Maker） 或 經驗累積分佈函數圖產生器（ECDF Plot Generator） 能提供更完整的互補視角。
常見問題
Q-Q 圖呈現直線，就能證明我的數據絕對符合常態分佈嗎？
不行。這僅代表在目前的樣本規模下，數據與常態分佈在視覺上是相容的，並無法直接證明母體絕對是完美的常態分佈。
我應該直接刪除落在信賴帶之外的數據點嗎？
不應該。您應該先調查這些點的來源與對分析的影響力。剔除數據必須基於合理的學術規則或有記錄的數據品質問題，而非單純因為它們在圖表上顯得不美觀。
Q-Q 圖可以用於模型殘差分析嗎？
可以。殘差 Q-Q 圖是迴歸診斷的常用工具。然而，常態性只是模型假設的其中一環，您仍需視情況檢視殘差的圖形分佈、變異數同質性、獨立性、槓桿值（Leverage）以及模型設定是否正確。
我可以直接比較兩個不同的樣本嗎？
可以。雙樣本 Q-Q 圖能直接對照兩個經驗樣本的對應分位數。若數據點接近直線，表示兩者的分佈形狀相似，而直線的斜率與截距則反映了兩者在尺度與位置上的差異。
開始繪製您的診斷圖
立即使用 Q-Q 圖產生器（Q-Q Plot Maker） 開始分析，明確標示您的參考分佈，並參考我們的 科學數據視覺化指南 來搭配其他分佈圖表，讓您的學術圖表呈現更臻完美。
