监测预警基础60-指数加权移动平均控制图里的√[λ/(2−λ)]到底是什么来头？|信号|基线|平均值|方差|移动平均控制

系列简介

这是我们一系列原创技术贴，从易到难，每天学习一点。所有内容均为疾控数据分析、科研论文相关，或者说很多和现在的热门监测预警相关，所以我们这个系列就叫“监测预警基础”。

我们这个系列不强求，宁缺毋滥，不为了发推文而发推文，有实用的，好用的内容了我们再发。

今天算是对我们很早之前的一节内容，→的补充说明！

我们之前讲过EWMA 控制图，也见过下面这个控制上限公式：

有一些老师反馈说看不懂这个公式，尤其是λ/(2−λ) 是怎么冒出来的？为什么要开根号？它在公式里到底起什么作用？

这篇推文就专门把这件事讲透。不用高深理论，从"为什么要用它"讲起，一步一步把这个系数的来历算给你看。

经典的休哈特控制图做法很简单：每天的发病数画一个点，超过 μ±3σ 就报警。

它判断每个点时只看今天，完全不管昨天。这对"暴发式"的异常很好用——某天病例数突然翻几倍，一眼就能看出来。

但它对一种情况很迟钝：缓慢的小幅抬升。

举个例子：某地手足口病的日常基线悄悄抬升了一点点，每天都比平时高几例，但每天都够不着报警线。休哈特图可能拖上几十天都不报警——等它终于报警时，疫情已经起来了。

而恰恰是这种"温水煮青蛙"式的基线漂移，才是监测预警最需要抓的信号。

一个很自然的补救思路：多看几天，不看单天，把最近几天的平均值画出来——平均值比单日数据稳定，小漂移会在平均中"积少成多"，更容易越过报警线，这就是移动平均的思想。

但简单的算术移动平均有两个小毛病：

第一是窗口内 10 天的数据权重一样——10 天前的老数据和今天的数据同等重要，不太合理，第二是数据一更新就要重新算一遍窗口。

EWMA 的聪明做法就是越近的数据，话语权越大：按时间远近分配权重，最近的数据权重最大，越久远的数据权重越小，而且是按指数方式衰减的

翻译成大白话就是：

今天的 EWMA 值 = λ × 今天的观测值 + (1−λ) × 昨天算好的 EWMA 值

其中 λ就是"新数据的话语权"：λ 大（如 0.8）很看重新数据，记忆短，反应快，但曲线毛刺多；λ 小（如 0.1）意味着新数据只占 10%，剩下 90% 交给历史，记忆长，曲线非常平滑。

这个式子最妙的地方是：不用存任何历史数据，只要记住上一个 EWMA 值，每天递推一步就行。一个数，就把整个加权历史"打包"进去了。

这个指数加权的公式看着抽象，我们把它一层层展开来看，

昨天的指数加权病例数是怎么来的：

代会今天的公式

我们继续一天一天展开看看，最终就得到

看清楚了吗？EWMA 值其实就是所有历史数据的加权平均，各天的权重是：

今天的权重是 λ，最大；昨天的多乘一个 (1−λ)，小一截；前天的再乘一个 (1−λ)，更小……

权重像台阶一样一级级等比往下衰减，这就是"指数加权"四个字的来历。而且这些权重加起来恰好等于 1（等比数列求和的结果），所以它是个名副其实的"平均值"，不会系统性偏大或偏小。

先记住控制图的"万能套路"，不管什么控制图，控制限都是同一个思路：

休哈特图里，画的统计量就是原始观测值 X，它的标准差是 σ，所以控制限是 μ ± kσ。

现在统计量换成了 EWMA 值 Z——那就得回答一个问题：Z 自己的标准差是多少？

平滑之后，波动肯定变小了，先不用算，先直觉想：单日发病数上蹿下跳，波动是 σ；把它平滑成 EWMA 曲线后，毛刺被抹掉了，波动必然缩小。问题是——缩小到多少？

其实这个√[λ/(2−λ)] 就是这个"缩小比例"。下面我们把它算出来。

关键一步：加权和的方差

概率论里有一条很基本的性质：一堆相互独立的数做加权求和，总和的方差 = 各权重平方 × 各自的方差，再相加。

设正常情况下每天发病数相互独立、方差都是 σ²。EWMA 的权重是 λ, λ(1−λ), λ(1−λ)², …，于是：

把 λ² 提出来，括号里是一个公比为 (1−λ)² 的等比数列，求无穷和（首项 ÷ (1 − 公比)）：

把分母展开化简：

所以我们得到：

开根号，就得到了 EWMA 统计量自己的标准差：

代回控制限的万能套路，就是我们前面进的不理解的那个公式：

λ/(2−λ) 没有任何人为拼凑的成分——它就是 EWMA 所有权重的平方之和，是平滑操作在数学上的必然结果。

补充一句：上面求的是"无穷历史"的极限。图刚启动时（前十几二十个点），历史还没攒够，实际波动更小一点，严格来说控制限应乘上一个修正项，但是作为疾控分析的数据，日常用稳态公式即可。

理解一：它是"平滑折扣"——波动还剩几成

这是最直白的理解：λ 越小，平滑越狠，EWMA 曲线的波动越小，控制限就越窄，我们用具体的数字举例看一下：

理解二：它是灵敏度的来源——为什么 EWMA 能抓住小漂移

这是最有实际意义的一层理解。

假设某地发病基线悄悄抬升了一个小量 δ（比如 0.5 个 σ），在休哈特图上：信号 δ 不变，门槛是 3σ——δ 相对门槛太小，迟迟不报警；在 EWMA 图上：EWMA 曲线会慢慢爬到 μ+δ 的新高度，而控制限宽度只有原来的 √[λ/(2−λ)] 倍——信号没变，门槛变矮了，自然就迈过去了。

举个具体例子来看：λ = 0.1、k = 3 时，控制限离中心线的距离是 3σ×0.229 ≈ 0.69σ。也就是说，一个 0.7σ 大小的持续漂移，在休哈特图上可能石沉大海，在 EWMA 图上却足以触发报警。

这就是 EWMA 对小漂移（0.5σ～2σ 量级）特别敏感的机理。代价也有：对突发性的大暴发，它的反应反而不如休哈特图快——因为平滑会"拖后腿"。所以实际工作中，EWMA 适合盯"基线缓慢抬升"这种最隐蔽的危险信号，两者配合使用。

指数加权移动平均控制图控制限的公式如下：

我们每一项理解一下

λ 与 k 必须配对使用：λ 决定"记忆多长、对小漂移多敏感"，k 决定"控制限多宽、误报率多高"，两者共同决定预警性能，不能只调一个。

1. 公式的经典假设是"各天独立、波动恒定"，传染病数据往往不满足。发病数常有自相关（今天高、明天也高）和明显的季节性。如果对原始序列直接套公式，算出的控制限往往偏窄、误报偏多。规范做法是先对数据做去季节、去趋势处理，对残差建 EWMA 图；或采用针对计数资料的 Poisson EWMA 等修正版本。

2. λ 不是越小越好。λ 太小，记忆太长，曲线太平滑——对真正的疫情信号反应会慢半拍，而且历史暴发期一旦混进"记忆"里，会把 EWMA 值长期抬高，造成连锁误判。文献中 λ 常取 0.05～0.3，0.2 是常用起点，具体取值应结合回测（看平均报警延迟、误报率）来定。

3. 这张图的本质是"统计假设检验"，不是"疫情判断标准"。EWMA 图回答的问题是："当前的发病水平，和'正常波动'相比，异常吗？"它帮你发现统计上的异常信号，但信号是否指向真实疫情，仍需结合现场流调、病原学检测等专业判断——图是筛子，不是判决书。