研究背景
某大学学生处想了解学生的屏幕使用时间分布情况，随机调查了30名学生，记录每人每日的手机+电脑总使用时间（小时）。这些数据将用于后续的差异分析（如男女差异）。
研究问题
大学生每日屏幕时间的集中趋势、离散程度和分布形态如何？是否存在异常值？
数据说明
30名大学生的每日屏幕使用时间（小时），包含一个异常值（15小时）以演示异常值对均值和标准差的影响。
示例数据
- 屏幕时间(h)：3.5, 4.2, 5.0, 5.5, 6.0, 6.2, 6.5, 6.8, 7.0, 7.2, 7.5, 7.8, 8.0, 8.0, 8.2, 8.5, 8.8, 9.0, 9.2, 9.5, 10.0, 10.2, 10.5, 11.0, 11.5, 12.0, 12.5, 13.0, 13.5, 15.0
分析步骤
步骤 1：为什么先做描述统计
在做任何假设检验之前，必须先了解数据的基本特征。描述统计提供了数据的"全貌"：中心在哪里（均值/中位数）、分散程度如何（标准差/IQR）、分布是否对称（偏度/峰度）。
提示：均值对异常值敏感，中位数更稳健。当两者差距大时，说明数据偏态或有异常值。
步骤 2：识别偏态和异常值
本案例均值=8.67，中位数=8.10，均值>中位数，说明数据右偏。偏度=0.82（>0.5为中等偏态）。15小时可能是异常值（箱线图中标记为红点）。
步骤 3：选择合适的集中趋势指标
由于数据右偏且有异常值，中位数（8.10小时）比均值（8.67小时）更能代表"典型"屏幕时间。后续做差异检验时，如果偏态严重，可能需要非参数方法。
结果解读
结论
描述统计显示，30名大学生每日屏幕时间均值为8.67小时（SD=2.85），中位数为8.10小时（IQR=6.80-10.38）。数据呈中等右偏（偏度=0.82），存在一个可能的异常值（15小时）。
为什么这样解读？
描述统计是所有分析的第一步。它帮助你理解数据的基本特征，发现异常值，判断后续应使用参数还是非参数方法。如果只看均值会高估"典型"屏幕时间，因为异常值拉高了均值。
如何在论文中报告
对30名大学生的每日屏幕时间进行了描述性统计分析。结果显示，日均屏幕时间为8.67小时（SD=2.85），中位数为8.10小时（IQR=6.80-10.38）。数据呈右偏分布（偏度=0.82，峰度=0.15），存在一个异常值（15小时）。鉴于数据偏态，后续分析将同时报告均值和中位数。
常见错误
只看均值不看分布形态
均值不能反映数据分布。两组数据可能有相同均值但完全不同的分布（一组正态、一组双峰）。必须同时看标准差、偏度和直方图。
忽略异常值的影响
异常值会大幅拉高/拉低均值和标准差。应在箱线图中识别异常值，并决定是保留（真实极端值）还是剔除（录入错误）。
偏态数据仍报告均值±标准差
偏态数据应同时报告中位数和四分位距（IQR），因为它们不受极端值影响。仅报告均值±标准差会误导读者。