סטיית תקן גאומטרית: מדריך מקיף

מתי להשתמש בסטיית תקן גאומטרית

סטיית תקן גאומטרית (GSD) היא מדד הפיזור המתאים לנתונים כפליים ולא חיבוריים — כמו שיעורי צמיחה, יחסים, ריכוזים, או כל מדידה המתפלגת לוג-נורמלית.

חשבו על תשואות מניות: רווח של 10% ואחריו הפסד של 10% אינו מחזיר אתכם לנקודת הפתיחה (תישארו עם 99% מהסכום המקורי). יחסים כפליים אלה דורשים סטטיסטיקה גאומטרית במקום אריתמטית.

תובנה מרכזית

אם הנתונים שלכם משתרעים על פני מספר סדרי גודל, תמיד חיוביים, ונראים מוטים ימינה בגרף רגיל אך סימטריים בגרף לוגריתמי — אתם מתמודדים עם נתונים לוג-נורמליים הדורשים סטטיסטיקה גאומטרית.

הבנת נתונים לוג-נורמליים

נתונים הם מתפלגים לוג-נורמלית כאשר הלוגריתם הטבעי שלהם מתפלג נורמלית. דוגמאות נפוצות כוללות:

מחירי מניות ותשואות השקעה לאורך זמן
התפלגויות הכנסה ועושר
גדלי חלקיקים באירוסולים ובתכשירים פרמצבטיים
ספירת מושבות חיידקים ועומסים ויראליים
ריכוזי מזהמים סביבתיים
טיטרים של נוגדנים וריכוזי תרופות

המאפיין המרכזי: תהליכים הכוללים כפל חוזר מייצרים התפלגויות לוג-נורמליות, בדיוק כפי שחיבור חוזר מייצר התפלגויות נורמליות.

נוסחה וחישוב

Geometric Standard Deviation

GSD = exp(√[Σ(ln xᵢ - ln x̄ₘ)² / (n-1)])

או בפשטות: קחו את הלוגריתם הטבעי של כל הערכים, חשבו סטיית תקן רגילה, ואז החזירו בעזרת אקספוננט.

טרנספורמציה של הנתונים

חשבו את הלוגריתם הטבעי של כל ערך: yᵢ = ln(xᵢ)

חישוב ממוצע

מצאו את הממוצע האריתמטי של הערכים הלוגריתמיים: ȳ = Σyᵢ/n

חישוב סט“ת

מצאו את סטיית התקן של הערכים הלוגריתמיים: s = √[Σ(yᵢ-ȳ)²/(n-1)]

טרנספורמציה חוזרת

העלו בחזקת e כדי לקבל GSD: GSD = eˢ

Python

import numpy as np
from scipy import stats

def geometric_sd(data):
    """Calculate geometric standard deviation"""
    log_data = np.log(data)
    sd_log = np.std(log_data, ddof=1)
    return np.exp(sd_log)

def geometric_mean(data):
    """Calculate geometric mean"""
    return stats.gmean(data)

# Example: Antibody titers (highly variable, log-normal)
titers = [64, 128, 256, 128, 512, 64, 256]
gm = geometric_mean(titers)
gsd = geometric_sd(titers)
print(f"Geometric Mean: {gm:.1f}")
print(f"Geometric SD: {gsd:.2f}")

פרשנות ערכי GSD

בניגוד לסטיית תקן אריתמטית שנמדדת באותן יחידות כמו הנתונים, GSD הוא גורם כפלי — יחס. GSD של 2.0 פירושו שהנתונים משתנים בדרך כלל בגורם של 2.

GSD = 1.0:אין שונות (בלתי אפשרי בפועל)
GSD ≈ 1.2:שונות נמוכה (±20% אופייניים)
GSD ≈ 2.0:שונות בינונית (הנתונים מוכפלים/מחצים)
GSD ≈ 3.0:שונות גבוהה (משתרעים על פני סדר גודל)

רווחי סמך

לנתונים לוג-נורמליים, טווח 95% הוא בקירוב: ממוצע גאומטרי ÷ GSD² עד ממוצע גאומטרי × GSD². עבור GM=100 ו-GSD=2, הטווח הוא 25 עד 400.

יישומים בעולם האמיתי

מדעי הרוקחות

התפלגות גודל חלקיקים (D50, GSD) · שונות ריכוז תרופות · מחקרי זמינות ביולוגית · אפיון אירוסולים

פיננסים וכלכלה

תנודתיות תשואות השקעה · ניתוח שיעורי צמיחה · מחקרי התפלגות הכנסה · מודלים של מחירי נכסים

GSD לעומת סט“ת רגילה

שימוש בסטיית תקן אריתמטית על נתונים לוג-נורמליים מניב תוצאות מטעות:

דוגמה: נתוני עומס ויראלי

ערכים: 1,000; 5,000; 10,000; 50,000; 100,000 עותקים/מ“ל ממוצע אריתמטי ± סט“ת: 33,200 ± 41,424 ממוצע גאומטרי × GSD: 10,000 × 4.5 → טווח: 2,222 עד 45,000 סטיית התקן האריתמטית תרמוז שערכים שליליים אפשריים — דבר בלתי אפשרי עבור עומסים ויראליים!

בדקו תמיד את ההתפלגות

לפני חישוב כל מדד פיזור, הציגו את הנתונים באופן חזותי. אם הם מוטים ימינה עם זנב ארוך, נסו טרנספורמציה לוגריתמית. אם זה הופך אותם לסימטריים, השתמשו בסטטיסטיקה גאומטרית.

← מרכז למידה