Bag‑and‑Whisker plot: il nuovo modo di visualizzare dati bivariati?

Immagina di voler riassumere due variabili contemporaneamente, come altezza e peso di una classe. Il classico boxplot funziona solo per una variabile; per due, gli statistici hanno creato il bagplot, una specie di “scatola con sacchetto”. Però il bagplot ha due difetti: usa un fattore di espansione fisso per individuare outlier, che non si adatta al numero di osservazioni, e disegna una “cintura” (il bolster) con un involucro convesso che può cambiare forma in modo imprevedibile.

Il nuovo bag‑and‑whisker plot risolve entrambi i problemi. Prima, la ricerca degli outlier è trattata come un test multiplo: il programma decide automaticamente quanto “larghe” devono essere le barriere, controllando gli errori statistici. Così, se il campione è piccolo, la soglia è più permissiva; se è grande, diventa più stringente.

Secondo, la visualizzazione abbandona il bolster. Invece di un involucro convesso, il grafico mostra direttamente la “fence” (la recinzione statistica) e aggiunge dei whisker sottili che indicano la dispersione dei dati. Il risultato è un’immagine più stabile e più facile da leggere.

Simulazioni e casi reali dimostrano che il bag‑and‑whisker è più adattivo e robusto del bagplot tradizionale. Per chi lavora con dati bivariati, è ora un’opzione consigliata per analisi e presentazioni.

Il bag‑and‑whisker plot nasce da una riformulazione formale del problema di identificazione degli outlier in dati bivariati. Tradizionalmente, il bagplot utilizza un fattore di inflazione costante \(c\) per costruire la recinzione (fence) intorno al bag, definendo gli outlier come punti al di fuori di \(c\) volte l’intervallo interquartile bivariato. Questo approccio ignora la variabilità del campione: con pochi dati, \(c\) può risultare troppo restrittivo, mentre con molti dati può diventare troppo permissivo.

Nel nuovo approccio, la costruzione della fence è trattata come un problema di test multiplo. Si considerano tutti i punti come ipotesi nulle di appartenenza al “core” bivariato. Applicando procedure di controllo del tasso di falsi scoperti (FDR) o del tasso di errore di famiglia (FWER), il metodo determina un valore di soglia adattivo \(c_{ad}\) che varia con la dimensione del campione e con la distribuzione osservata. In pratica, si calcolano p‑value per la distanza di Mahalanobis di ciascun punto rispetto al centro del bag; poi si applica, ad esempio, il procedimento di Benjamini–Hochberg per fissare una soglia di significatività. Questo garantisce che la probabilità complessiva di etichettare erroneamente un punto come outlier rimanga sotto controllo.

Dal punto di vista grafico, il bag‑and‑whisker elimina il bolster, cioè l’involucro convesso che avvolge il bag. Il bolster è noto per la sua instabilità: piccole variazioni nei dati possono produrre grandi cambiamenti nella forma dell’hull, confondendo l’interprete. Al suo posto, la fence è tracciata come una curva chiusa basata sui quantili della distanza di Mahalanobis, mentre i whisker sono segmenti che partono dal centro del bag verso i punti più estremi lungo le direzioni principali di varianza (autovettori della matrice di covarianza). Questi whisker forniscono una rappresentazione più intuitiva della dispersione, simile a quella dei boxplot univariati, ma estesa al caso bivariato.

Le simulazioni mostrano che, rispetto al bagplot classico, il nuovo metodo mantiene una potenza di rilevamento degli outlier superiore del 15‑20% in scenari con campioni piccoli (n<50) e riduce il tasso di falsi positivi del 10% in campioni grandi (n>200). Applicazioni a dataset reali – ad esempio, misurazioni di spettrometri astronomici e dati di espressione genica – confermano una maggiore coerenza nella identificazione di punti anomali e una visualizzazione più stabile, facilitando l’interpretazione da parte di ricercatori e analisti.

In sintesi, il bag‑and‑whisker plot combina una rigorosa correzione statistica per il rilevamento degli outlier con una rappresentazione grafica più affidabile, rendendolo uno strumento ideale per l’analisi esplorativa di dati bivariati.