Słownik metodologiczny · Statystyka opisowa

Transformacja Yeo–Johnsona: Box–Cox także dla zer i wartości ujemnych

Transformacja Yeo–Johnsona zmniejsza skośność zmiennych, które przyjmują zera i wartości ujemne, np. wyników różnicowych. Pokazujemy wzór, rolę parametru λ, przykład i kod w R.

Strona główna / Słownik / Transformacja Yeo–Johnsona
W skrócie: Transformacja Yeo–Johnsona to przekształcenie potęgowe z parametrem λ, określone dla wszystkich liczb rzeczywistych. Działa jak Box–Cox, ale przyjmuje też zera i wartości ujemne, więc nadaje się np. do skośnych wyników różnicowych.

Co to jest transformacja Yeo–Johnsona?

Transformacja Yeo–Johnsona (ang. Yeo–Johnson transformation) to rodzina przekształceń potęgowych z jednym parametrem λ, określona dla wszystkich liczb rzeczywistych – także zera i wartości ujemnych. Yeo i Johnson (2000) zaproponowali ją do zmniejszania skośności i przybliżania rozkładu normalnego; dla wartości dodatnich ma własności podobne do transformacji Boxa–Coxa, która wymaga danych dodatnich. Przydaje się więc przy wynikach różnicowych (po − przed), saldach czy zmianach wyniku.

Wzór

Dla y ≥ 0: [(y + 1)λ − 1]/λ, a przy λ = 0: ln(y + 1).
Dla y < 0: −[(1 − y)2 − λ − 1]/(2 − λ), a przy λ = 2: −ln(1 − y).

λ = 1 nie zmienia danych. λ < 1 ściska prawy ogon i rozciąga lewy, a λ > 1 działa odwrotnie. Parametr dobiera się zwykle, podobnie jak u Boxa i Coxa (1964), metodą największej wiarygodności przy założeniu normalności przekształconych danych.

Przykład

Symulowana zmiana wyniku 60 osób wynosiła od −3.9 do 10.8 pkt (połowa wartości ujemnych), więc Box–Cox i logarytm nie wchodzą w grę. Oszacowane λ = 0.685. Wartość 10 zamieniła się w 6.08, a −3 w −3.95, więc prawy ogon się skrócił. Skośność spadła z 0.78 do 0.03, a test Shapiro–Wilka przestał wskazywać odchylenie od normalności (p = .001 przed, .149 po).

Na rysunku

Dwa wykresy krzywych transformacji dla λ = 0 (niebieska ciągła), 0.685 (pomarańczowa długie kreski), 1 (szara kropkowana) i 1.5 (zielona kreska-kropka). A: Yeo–Johnson dla y od −4 do 11; wszystkie krzywe przechodzą przez punkt (0, 0); przy λ poniżej 1 prawa strona jest spłaszczona, a lewa wydłużona w dół do −12 przy λ = 0; przy λ = 1.5 odwrotnie; pod osią kreski 60 zmian wyniku z przykładu, połowa ujemnych. B: Box–Cox dla tych samych λ; obszar y ≤ 0 zacieniowany jako nieokreślony, krzywe przecinają zero przy y = 1
Rysunek 1. Krzywe transformacji Yeo–Johnsona (A) i Boxa–Coxa (B) dla czterech wartości λ. Obliczenia: R, pakiety bestNormalize, ggplot2 i patchwork (dane symulowane, set.seed(644)).

Co widać. Każda krzywa to przepis, który zamienia wynik z osi poziomej na wynik z osi pionowej. λ = 1 to linia prosta – dane bez zmian. Przy λ < 1 (np. oszacowanym 0.685) prawa strona się spłaszcza, a lewa wydłuża: zmiana 8 pkt staje się 5.12, a −4 pkt staje się −5.55. Przy λ = 1.5 jest odwrotnie (8 → 17.33, −4 → −2.47). Wszystkie krzywe Yeo–Johnsona przechodzą przez zero, więc zero zostaje zerem, a znak wyniku się nie zmienia. Kreski pod osią w panelu A to 60 zmian z przykładu – połowa leży po stronie ujemnej, gdzie Box–Cox (B) nie działa.

Na co uważać. Dla wartości dodatnich Yeo–Johnson to Box–Cox zastosowany do y + 1 (w kodzie różnica wynosi 0.000), stąd przesunięcie krzywych B o jedną jednostkę. Ta stała „+1” sprawia, że λ zależy od jednostek pomiaru. Dla wartości ujemnych działa lustro z parametrem 2 − λ, więc jedno λ jednocześnie ściska jeden ogon i rozciąga drugi – przy skośności w lewo i w prawo naraz transformacja nie pomoże obu. Rysunek nie pokazuje też, czy przekształcone reszty będą normalne; to trzeba sprawdzić osobno (zob. kiedy transformować zmienną).

Podpis do pracy:

Rysunek 1. Funkcje transformacji Yeo–Johnsona (A) i Boxa–Coxa (B) dla λ = 0, 0.685, 1 i 1.5. Uwaga. λ = 0.685 – wartość oszacowana metodą największej wiarygodności dla zmiany wyniku (n = 60); λ = 1 – brak transformacji. Kreski pod osią w panelu A – obserwowane zmiany wyniku. Zacieniowany obszar w panelu B – wartości, dla których transformacja Boxa–Coxa jest nieokreślona.

Kod losuje te same dane co przykład wyżej, z tym samym ziarnem set.seed(644), ustalonym raz; λ = 0, 1 i 1.5 oraz zakres osi wybrano ręcznie dla porównania. Rysunek na stronie różni się od wyniku kodu tylko motywem serwisu.

Kod R rysunku 1
# Rysunek 1. Krzywe transformacji Yeo–Johnsona (A) i Boxa–Coxa (B) dla kilku λ; kreski pod osią – dane z przykładu
library(ggplot2)
library(patchwork)
suppressMessages(library(bestNormalize))

motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        panel.grid.minor = element_blank(), panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        legend.position = "bottom", plot.background = element_rect(fill = "white", colour = NA))

yj <- function(y, l) {                               # wzór Yeo i Johnsona (2000)
  p <- pmax(y, 0); n <- pmin(y, 0)                   # część dodatnia i ujemna (bez NaN w ifelse)
  ifelse(y >= 0, if (abs(l) > 1e-8) ((p + 1)^l - 1) / l else log(p + 1),
         if (abs(l - 2) > 1e-8) -((1 - n)^(2 - l) - 1) / (2 - l) else -log(1 - n))
}
bc <- function(y, l) if (abs(l) > 1e-8) (y^l - 1) / l else log(y)   # Box–Cox, tylko y > 0

set.seed(644)                                        # te same dane co w przykładzie wyżej
zmiana <- round(rgamma(60, shape = 1.5, rate = 0.25) - 4, 1)
l_hat <- yeojohnson(zmiana, standardize = FALSE)$lambda
lambdy <- c(0, round(l_hat, 3), 1, 1.5)
nazwy <- factor(sprintf("λ = %s", lambdy), levels = sprintf("λ = %s", lambdy))
kol <- setNames(c("#0072B2", "#D55E00", "grey30", "#009E73"), levels(nazwy))
typy <- setNames(c("solid", "longdash", "dotted", "dotdash"), levels(nazwy))

y_yj <- seq(-4, 11, by = 0.05); y_bc <- seq(0.05, 11, by = 0.05)
dA <- do.call(rbind, lapply(seq_along(lambdy), function(i) data.frame(y = y_yj, t = yj(y_yj, lambdy[i]), lam = nazwy[i])))
dB <- do.call(rbind, lapply(seq_along(lambdy), function(i) data.frame(y = y_bc, t = bc(y_bc, lambdy[i]), lam = nazwy[i])))

# Sprawdzenia: dla y ≥ 0 Yeo–Johnson = Box–Cox(y + 1); dla y < 0 lustro z parametrem 2 − λ
y0 <- seq(0, 8, by = 0.5)
round(c(lambda_oszacowane = l_hat,
        roznica_YJ_vs_BC_y_plus_1 = max(sapply(lambdy, function(l) max(abs(yj(y0, l) - bc(y0 + 1, l))))),
        roznica_lustro = max(sapply(lambdy, function(l) max(abs(yj(-y0, l) + yj(y0, 2 - l)))))), 3)
y_pr <- c(-4, -1, 0, 1, 4, 8)
tab <- sapply(setNames(lambdy, levels(nazwy)), function(l) yj(y_pr, l)); rownames(tab) <- paste("y =", y_pr)
round(tab, 2)

rysuj <- function(d, tytul, xlim) {
  ggplot(d, aes(y, t, colour = lam, linetype = lam)) +
    geom_hline(yintercept = 0, colour = "grey60") + geom_vline(xintercept = 0, colour = "grey60") +
    geom_line(linewidth = 1.1) +
    scale_colour_manual(values = kol, name = NULL) + scale_linetype_manual(values = typy, name = NULL) +
    coord_cartesian(xlim = xlim, ylim = c(-12, 28)) +
    labs(title = tytul, x = "Wartość oryginalna y", y = "Wartość po transformacji") + motyw
}
pA <- rysuj(dA, "A. Yeo–Johnson: także zero i wartości ujemne", c(-4, 11)) +
  geom_rug(data = data.frame(y = zmiana), aes(x = y), inherit.aes = FALSE, sides = "b", colour = "grey35", alpha = 0.6)
pB <- rysuj(dB, "B. Box–Cox: tylko y > 0", c(-4, 11)) +
  annotate("rect", xmin = -4.5, xmax = 0, ymin = -Inf, ymax = Inf, fill = "grey85", alpha = 0.6) +
  annotate("text", x = -2, y = 15, label = "nieokreślona\ndla y ≤ 0", size = 4, colour = "grey30")
p1 <- pA / pB + plot_layout(guides = "collect") & theme(legend.position = "bottom")
p1
Wynik w R
        lambda_oszacowane roznica_YJ_vs_BC_y_plus_1            roznica_lustro 
                    0.685                     0.000                     0.000 
        λ = 0 λ = 0.685 λ = 1 λ = 1.5
y = -4 -12.00     -5.55    -4   -2.47
y = -1  -1.50     -1.13    -1   -0.83
y = 0    0.00      0.00     0    0.00
y = 1    0.69      0.89     1    1.22
y = 4    1.61      2.94     4    6.79
y = 8    2.20      5.12     8   17.33

Jak opisać w pracy

Zmiana wyniku przyjmowała wartości ujemne i była prawostronnie skośna (skośność = 0.78), dlatego przekształcono ją transformacją Yeo–Johnsona (λ = 0.685, estymacja metodą największej wiarygodności). Po transformacji skośność wyniosła 0.03.

Na co uważać

  • λ zależy od jednostek. Stała „+1” we wzorze nie skaluje się z danymi: te same zmiany zapisane w dziesiątych częściach punktu dały λ = 0.869. Podaj jednostkę razem z λ.
  • Interpretacja jest trudna. Wyniki opisuj medianami w oryginalnej skali albo po przekształceniu odwrotnym.
  • Normalności zmiennej nie zawsze trzeba. Zanim przekształcisz dane, sprawdź reszty modelu i rozważ model z innym rozkładem (zob. kiedy transformować zmienną). Przy ciężkich ogonach lub wielu wiązaniach przekształcenie potęgowe może nie wystarczyć – alternatywą jest odwrotna transformacja normalna rang.
Przykład reprodukowalny

Transformacja Yeo–Johnsona w R

Kod szacuje λ funkcją yeojohnson() z pakietu bestNormalize (maksymalizacja profilu log-wiarygodności), porównuje wynik z ręcznie zapisanym wzorem i liczy skośność pakietem moments. Liczby w tekście pochodzą z tego kodu.

λ, skośność przed i po oraz sprawdzenie wzoru

Dane wejściowe: 60 symulowanych zmian wyniku (set.seed(644)), od −3.9 do 10.8 pkt, 30 wartości ujemnych.

Co odczytać: lambda = 0.685, skośność 0.784 → 0.033, p Shapiro–Wilka .001 → .149; zgodnosc_ze_wzorem = 0 potwierdza, że ręczny wzór daje to samo co pakiet; ostatni wiersz – λ dla danych w innych jednostkach.

R
suppressMessages(library(bestNormalize)); library(moments)
set.seed(644)                                       # dane symulowane: zmiana wyniku (po − przed), n = 60
zmiana <- round(rgamma(60, shape = 1.5, rate = 0.25) - 4, 1)
yj_wzor <- function(y, l) {                         # wzór Yeo i Johnsona (2000)
  out <- numeric(length(y)); p <- y >= 0
  out[p]  <- if (abs(l) > 1e-8) ((y[p] + 1)^l - 1) / l else log(y[p] + 1)
  out[!p] <- if (abs(l - 2) > 1e-8) -((1 - y[!p])^(2 - l) - 1) / (2 - l) else -log(1 - y[!p])
  out
}
yj <- yeojohnson(zmiana, standardize = FALSE)       # λ metodą największej wiarygodności
l <- yj$lambda
c(min = min(zmiana), max = max(zmiana), ujemne = sum(zmiana < 0), lambda = round(l, 3))
round(c(skosnosc_przed = skewness(zmiana), skosnosc_po = skewness(yj$x.t),
        SW_p_przed = shapiro.test(zmiana)$p.value, SW_p_po = shapiro.test(yj$x.t)$p.value,
        zgodnosc_ze_wzorem = max(abs(yj$x.t - yj_wzor(zmiana, l)))), 3)
round(yj_wzor(c(-3, -1, 0, 1, 5, 10), l), 3)      # przekształcone wartości przykładowe
round(c(lambda_dane_x10 = yeojohnson(zmiana * 10)$lambda), 3)   # ta sama zmienna w innych jednostkach
Wynik w R
   min    max ujemne lambda 
-3.900 10.800 30.000  0.685 
    skosnosc_przed        skosnosc_po         SW_p_przed            SW_p_po 
             0.784              0.033              0.001              0.149 
zgodnosc_ze_wzorem 
             0.000 
[1] -3.948 -1.132  0.000  0.887  3.521  6.083
lambda_dane_x10 
          0.869 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietami bestNormalize 1.9.2 i moments 0.14.1. Rysunek 1 wykonano w pakiecie ggplot2, panele złożono pakietem patchwork, a plik SVG zapisano pakietem svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. bestNormalize (wersja 1.9.2): Peterson, R. A. (2021). Finding optimal normalizing transformations via bestNormalize. The R Journal, 13(1), 310–329. https://doi.org/10.32614/RJ-2021-041
  3. moments (wersja 0.14.1): Komsta, L., & Novomestky, F. (2022). moments: Moments, cumulants, skewness, kurtosis and related tests (R package version 0.14.1) [Computer software]. https://doi.org/10.32614/CRAN.package.moments
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  6. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze pytania

Czym transformacja Yeo–Johnsona różni się od Boxa–Coxa?

Box–Cox wymaga wartości dodatnich, a Yeo–Johnson działa też dla zera i liczb ujemnych, bez dodawania arbitralnej stałej. Dla danych dodatnich obie transformacje zachowują się podobnie.

Czy po transformacji Yeo–Johnsona można porównywać średnie w punktach?

Nie bezpośrednio, bo przekształcona skala nie ma jednostek. Testy wykonuj na danych przekształconych, a wyniki opisuj medianami w oryginalnych punktach albo wartościami po przekształceniu odwrotnym.

Jak wykonać transformację Yeo–Johnsona w R?

Na przykład funkcją yeojohnson() z pakietu bestNormalize; argument standardize = FALSE wyłącza dodatkową standaryzację. Funkcja predict() z inverse = TRUE przelicza wartości z powrotem na oryginalną skalę.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Box, G. E. P., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211–243. https://doi.org/10.1111/j.2517-6161.1964.tb00553.x
  2. Yeo, I.-K., & Johnson, R. A. (2000). A new family of power transformations to improve normality or symmetry. Biometrika, 87(4), 954–959. https://doi.org/10.1093/biomet/87.4.954

Cytowania BibTeX

@article{box1964analysis, author={Box, George E. P. and Cox, David R.}, title={{An analysis of transformations}}, journal={Journal of the Royal Statistical Society: Series B (Methodological)}, year={1964}, volume={26}, number={2}, pages={211--243}, doi={10.1111/j.2517-6161.1964.tb00553.x}}
@article{yeo2000new, author={Yeo, In-Kwon and Johnson, Richard A.}, title={{A new family of power transformations to improve normality or symmetry}}, journal={Biometrika}, year={2000}, volume={87}, number={4}, pages={954--959}, doi={10.1093/biomet/87.4.954}}
R