4. Z-score的计算实战

上一节我们已经理解了Z-score的判定逻辑，但真正拿到一份能力验证数据集时，很多人会卡在“从哪一步开始算”。本节用一个完整的模拟数据集，把中位值、NIQR、Z-score的计算过程逐步走一遍，并解释每一步在统计上到底在做什么。需要说明的是，以下数据为教学用模拟数据，用于演示计算流程，不代表任何真实能力验证计划的实际结果。

一、数据集与计算目标

假设某能力验证计划中，共有15家实验室对同一样品中某目标物含量进行测定，结果单位为 mg/kg，按实验室编号排列如下：

实验室编号	结果 (mg/kg)	实验室编号	结果 (mg/kg)
L01	10.2	L09	10.8
L02	10.5	L10	11.0
L03	10.6	L11	11.2
L04	10.7	L12	11.5
L05	10.8	L13	12.0
L06	10.8	L14	12.6
L07	10.8	L15	13.5
L08	10.8

我们的目标是：先求这组数据的中位值作为指定值，再求NIQR作为标准化尺度，最后对每个实验室结果计算Z-score，判断其是否满意。

二、第一步：排序并求中位值

计算中位值前必须先排序。将15个结果从小到大排列：

10.2, 10.5, 10.6, 10.7, 10.8, 10.8, 10.8,
10.8, 10.8, 11.0, 11.2, 11.5, 12.0, 12.6, 13.5

数据个数 n = 15，为奇数，中位值就是第 (n+1)/2 = 第8个数据。数到第8个位置，对应值为 10.8 mg/kg。因此：

中位值 = 10.8 mg/kg

统计含义：中位值是把数据一分为二的位置值，一半结果比它小，一半比它大。与平均值相比，中位值对极端值不敏感。本例中 L15 的 13.5 明显偏高，如果算平均值会被拉高，而中位值仍稳定在 10.8，这正是能力验证中常用中位值作为指定值的原因。

三、第二步：计算NIQR

NIQR 是标准化四分位距，定义为 IQR 乘以 0.7413。IQR 是上四分位数 Q3 与下四分位数 Q1 之差。对于 n = 15 的数据，常用位置法确定四分位数：

• Q1 位置 = (n+1)/4 = 4，对应第4个数据，Q1 = 10.7
• Q3 位置 = 3(n+1)/4 = 12，对应第12个数据，Q3 = 11.5

于是：

IQR = Q3 − Q1 = 11.5 − 10.7 = 0.8
NIQR = 0.7413 × IQR = 0.7413 × 0.8 = 0.5930 mg/kg

统计含义：IQR 覆盖了中间50%的数据，反映数据的集中程度；乘以 0.7413 是为了让 NIQR 在正态分布下与标准差具有可比性。换句话说，NIQR 是一个“稳健版标准差”，它不会被个别离群值放大。本例中 NIQR ≈ 0.593，说明中间半数实验室的结果集中在约 0.6 mg/kg 的波动范围内。

四、第三步：计算各实验室的Z-score

Z-score 的计算公式为：

Z = (x − 中位值) / NIQR

其中 x 为某实验室的结果。以 L01 为例：

Z(L01) = (10.2 − 10.8) / 0.5930 = −1.01

再以 L15 为例：

Z(L15) = (13.5 − 10.8) / 0.5930 = +4.55

按同样方法计算全部15家实验室的Z-score，结果如下：

实验室	结果	Z-score	判定
L01	10.2	−1.01	满意
L02	10.5	−0.51	满意
L03	10.6	−0.34	满意
L04	10.7	−0.17	满意
L05	10.8	0.00	满意
L06	10.8	0.00	满意
L07	10.8	0.00	满意
L08	10.8	0.00	满意
L09	10.8	0.00	满意
L10	11.0	+0.34	满意
L11	11.2	+0.67	满意
L12	11.5	+1.18	满意
L13	12.0	+2.02	有问题
L14	12.6	+3.04	不满意
L15	13.5	+4.55	不满意

统计含义：Z-score 把每个结果与中位值的偏差，用 NIQR 进行了标准化。Z = 0 表示结果正好等于中位值；Z = +1 表示结果比中位值高出一个 NIQR；Z = −1 表示低一个 NIQR。这样不同项目、不同量级的数据就可以用同一把“尺子”来衡量。

五、结果判读与常见误区

按照常用判定准则：|Z| ≤ 2 为满意，2 < |Z| < 3 为有问题，|Z| ≥ 3 为不满意。本例中 L13 的 Z = +2.02，属于“有问题”；L14 和 L15 的 |Z| 均大于3，属于“不满意”。

这里有两个常见误区需要提醒。第一，Z-score 的符号只表示方向，不表示好坏。Z = −1.01 和 Z = +1.18 都是满意结果，只是前者偏低、后者偏高。第二，Z-score 不是准确度本身，而是相对于本组数据分布的位置。如果整组数据整体偏移，中位值也会跟着偏移，Z-score 可能仍然很小，因此能力验证通常还需要结合指定值的溯源性来综合判断。