漏斗图是一个散点图，显示从各种样本大小（X 轴）收集的测量比例（Y 轴）。 漏斗图的目的是帮助区分数据中的随机变化和非随机变化。 极限曲线内的点更可能基于随机性而不同，而曲线外的点更可能是某些非随机性引起的特殊情况的结果。
此示例向您展示如何使用漏斗图插件创建一个漏斗图，该漏斗图具有基于样本大小列和出现次数列的 z 分数分布。 应设置这些列，以便当 Occurrence 列中的任何给定值除以 Sample Size 列中的相应值时，生成的绘制比例值介于 0 和 1 之间（含）。
首先，打开一个数据表，其中包含要使用漏斗图进行分析的出现次数和样本量。 打开数据表，选择加载项 > 漏斗图生成器. 在启动窗口中，将 Sample Size 和 Occurrences 分配给各自的角色。 见下图：
图 1.1 启动窗口
使用显示图例和显示直方图选项来控制图上显示的内容。
单击“确定”后，您的图形类似于图 1.2。
图 1.2 比例与样本量
落在 95% 限制曲线之外的点表示只能在 5% 的时间内归因于随机性的数据。 同样，落在 99.8% 极限曲线之外的点代表的数据只能归因于 0.2% 的时间随机性（这是极其罕见的）。
图 1.3
如果您查看漏斗图中圈出的点，您可能会认为红色圈出的点比绿色圈出的点具有更高的重要性；然而，这种情况并非如此。 事实上，绿色圈出的点代表了一个更极端的值。 由于红色圈出的值的样本量非常小，因此更有可能是随机性的结果。 而对于绿色圈出的点的数据，该比例相对于其余值要显着得多，因此不能归因于随机性。 相反，该比例的极值更有可能是某些重大情况或特殊原因的结果。 （有关更多信息，请参阅下面的链接。）
右侧的直方图是根据数据计算得出的 z 分数分布。 鉴于原始数据样本并非来自同一分布，Z 分数用于对数据进行归一化。 通过使用 z 分数，这些点现在的平均值为 0，标准差为 1，遵循正态分布。
统计细节
潜在问题
确保没有事件大于其相应的样本量，因为这会破坏用于生成图和分布的计算。
有关漏斗图及其用途的更多信息，请查看以下链接：
http://www.perceptualedge.com/articles/visual_business_intelligence/variation_and_its_discontents.pdf
http://understandinguncertainty.org/fertility
图表改头换面：同性伴侣在美国的居住地
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />另一个问题：
如何计算 z 值？因为，当我使用样本均值和标准差对数据进行编码，并与漏斗图的 z 分数统计结果进行比较时，它们是不同的。我的结果给出了平均值的预期 0 和标准差的 1，但是漏斗图的平均值是 -0.466405，其标准差是 7.6169797 ......而且诊断图也完全不同......？
有没有计划添加一个“选项”来解决过度分散的问题？这通常发生在分母相对较大时，导致许多点（错误地）位于漏斗图的控制限之外……这在医疗保健指标中并不少见。
感谢漏斗图插件！如果您有标签列，有没有办法标记超出限制的点？
谢谢！
