本文關(guān)鍵詞：大數(shù)據(jù)與統(tǒng)計新思維，由筆耕文化傳播整理發(fā)布。

大數(shù)據(jù)與統(tǒng)計新思維 大數(shù)據(jù)與統(tǒng)計新思維

2016-06-12 11:26:18  來源：36大數(shù)據(jù)  

2016-06-12 11:26:18  來源：36大數(shù)據(jù)  

摘要：在計算機(jī)科學(xué)、電子商務(wù)等領(lǐng)域已率先在大數(shù)據(jù)技術(shù)開發(fā)與應(yīng)用方面做出不俗成就的時候，以數(shù)據(jù)為研究對象的統(tǒng)計學(xué)該如何應(yīng)對? 無動于衷還是盲目追從? 正確的態(tài)度應(yīng)該是理性對待、積極跟進(jìn)、改變思維、謀求發(fā)展。
關(guān)鍵詞：

　　譯著《大數(shù)據(jù)時代》( 英國 ViktorMayer-Schǒnberger，Kenneth Cukier 著) 和《駕馭大數(shù)據(jù)》( 美國 Bill Franks 著) ，以及我國學(xué)者涂子沛、郭曉科的《大數(shù)據(jù)》等幾本書引起了廣泛的關(guān)注，其他各種媒體關(guān)于大數(shù)據(jù)的討論也層出不窮，大數(shù)據(jù)已成為流行語。有人認(rèn)為，大數(shù)據(jù)是一場新的革命，將橫掃一切領(lǐng)域，重構(gòu)世界。不少國家已將大數(shù)據(jù)作為國家發(fā)展戰(zhàn)略，而商業(yè)領(lǐng)域更是將其視為下一個投資的寶庫。毫無疑問，大數(shù)據(jù)時代已經(jīng)來臨，它正在悄悄地改變著人們的行為與思維，難以阻擋，無法抗拒。在計算機(jī)科學(xué)、電子商務(wù)等領(lǐng)域已率先在大數(shù)據(jù)技術(shù)開發(fā)與應(yīng)用方面做出不俗成就的時候，以數(shù)據(jù)為研究對象的統(tǒng)計學(xué)該如何應(yīng)對? 無動于衷還是盲目追從? 正確的態(tài)度應(yīng)該是理性對待、積極跟進(jìn)、改變思維、謀求發(fā)展。

　
    　一  對大數(shù)據(jù)的初步認(rèn)識

　　到底什么是大數(shù)據(jù)，不同的學(xué)科領(lǐng)域、不同行業(yè)的從業(yè)人員肯定會有不同的理解。與傳統(tǒng)意義上的數(shù)據(jù)相比，大數(shù)據(jù)的“大”與“數(shù)據(jù)”都有了新的含義，絕不僅僅是體量的問題，更重要的是數(shù)據(jù)的內(nèi)涵問題。或許，“大”與“數(shù)據(jù)”根本就不能分開，只有把“大數(shù)據(jù)”當(dāng)作一個整體概念來理解才有意義。那么從統(tǒng)計學(xué)的角度，我們該如何來理解大數(shù)據(jù)?筆者認(rèn)為大數(shù)據(jù)不是基于人工設(shè)計、借助傳統(tǒng)方法而獲得的有限、固定、不連續(xù)、不可擴(kuò)充的結(jié)構(gòu)型數(shù)據(jù)，而是基于現(xiàn)代信息技術(shù)與工具可以自動記錄、儲存和連續(xù)擴(kuò)充的、大大超出傳統(tǒng)統(tǒng)計記錄與儲存能力的一切類型 的 數(shù) 據(jù)。有 人 用 4V( Volume，Variety、Velocity 和 Value) 來形容大數(shù)據(jù)的特征，最根本之處就是數(shù)字化基礎(chǔ)上的數(shù)據(jù)化。通俗地說，大數(shù)據(jù)就是一切可記錄信號的集合。

　　如果說，傳統(tǒng)統(tǒng)計研究的數(shù)據(jù)是有意收集的結(jié)構(gòu)化的樣本數(shù)據(jù)，那么現(xiàn)在我們面對的數(shù)據(jù)則是一切可以記錄和存儲、源源不斷擴(kuò)充、超大容量的各種類型的數(shù)據(jù)。樣本數(shù)據(jù)與大數(shù)據(jù)的這種區(qū)別，具有什么樣的統(tǒng)計學(xué)意義? 我們知道，樣本數(shù)據(jù)是按照特定研究目的、依據(jù)抽樣方案獲得的格式化的數(shù)據(jù)，不僅數(shù)據(jù)量有限，而且如果過程偏離方案，數(shù)據(jù)就不能滿足要求�；跇颖緮�(shù)據(jù)所進(jìn)行的分析，其空間十分有限———通常無法滿足多層次、多角度的需要，若遇到抽樣方案事先未曾考慮到的問題，數(shù)據(jù)的不可擴(kuò)充性缺點(diǎn)就暴露無疑。而大數(shù)據(jù)是一切可以通過現(xiàn)代信息技術(shù)記錄和量化的數(shù)據(jù)，不僅所蘊(yùn)含的信息量巨大，而且不受各種框框的限制———任何種類的數(shù)據(jù)都來者不拒、也無法抵拒。不難發(fā)現(xiàn)，大數(shù)據(jù)相比于樣本數(shù)據(jù)的最大優(yōu)點(diǎn)是，具有巨大的數(shù)據(jù)選擇空間，可以進(jìn)行多維、多角度的數(shù)據(jù)分析。更為重要的是，由于大數(shù)據(jù)的大體量與多樣性，樣本不足以呈現(xiàn)的某些規(guī)律，大數(shù)據(jù)可以體現(xiàn); 樣本不足以捕捉的某些弱小信息，大數(shù)據(jù)可以覆蓋; 樣本中被認(rèn)為異常的值，大數(shù)據(jù)得以認(rèn)可。這將極大地提高我們認(rèn)識現(xiàn)象的能力，避免丟失很多重要的信息，避免失去很多決策選擇的機(jī)會。

　　這里，我們自然就想到了大量觀察與大數(shù)據(jù)這兩個概念中的“大”的區(qū)別。對于傳統(tǒng)的統(tǒng)計研究方法而言，大量觀察法是基礎(chǔ)，是收集數(shù)據(jù)的基本理論依據(jù)，其主要思想是要對足夠量的個體進(jìn)行調(diào)查觀察，以確保有足夠的微觀基礎(chǔ)來消除或削弱個體差異對整體特征的影響，足以歸納出關(guān)于總體的數(shù)量規(guī)律。所以，這里的“大”是足夠的意思。大量觀察法的極端情況就是普查，但限于各種因素不能經(jīng)常進(jìn)行，所以一般情況下只能進(jìn)行抽樣調(diào)查，這就需要精確計算最小的樣本量�；诖罅坑^察法獲得的樣本數(shù)據(jù)才符合大數(shù)法則或大數(shù)定律，才能用以推斷總體。而大數(shù)據(jù)則指不限量的數(shù)據(jù)，是基于現(xiàn)代信息技術(shù)的一切可以記錄的全體數(shù)據(jù)，其特征之一就是盡量多地包含數(shù)據(jù)，它與樣本容量無關(guān)，只與信息來源的數(shù)量與儲存容量有關(guān)。因此，這里的“大”是全體的意思。

　　可見，統(tǒng)計學(xué)的研究對象沒有變，變的是數(shù)據(jù)的來源、體量、類型、速度與量化的方式。這種變化對統(tǒng)計研究帶來了什么樣的挑戰(zhàn)? 《大數(shù)據(jù)時代》提出了三個最顯著的變化: 一是樣本等于總體，二是不再追求精確性，三是相關(guān)分析比因果分析更重要。這些觀點(diǎn)具有很強(qiáng)的震撼力，迫使我們對現(xiàn)有的統(tǒng)計研究思維進(jìn)行反思。盡管這些觀點(diǎn)值得進(jìn)一步商榷，但至少告訴我們這樣一個道理: 統(tǒng)計研究對象的基礎(chǔ)變了，統(tǒng)計思維也要跟著變化，否則統(tǒng)計研究的對象只是全部數(shù)據(jù)的 5%，而且越來越少，那又怎么能說統(tǒng)計學(xué)是一門關(guān)于數(shù)據(jù)的科學(xué)呢? 又怎么去完善和發(fā)展開展數(shù)據(jù)分析研究的統(tǒng)計方法論呢?

　　二  統(tǒng)計思維的變化

　　改變統(tǒng)計思維，是大數(shù)據(jù)時代的必然要求。否則，統(tǒng)計學(xué)科就有可能被大數(shù)據(jù)的潮流所吞沒，至少會被邊緣化，失去一次重要的參與推動歷史變革的機(jī)遇。當(dāng)然，統(tǒng)計思維的變化應(yīng)該以一個永恒不變的主題為前提，那就是通過數(shù)據(jù)分析去揭示事物的真相，這個真相就是事物的生存規(guī)律、聯(lián)系規(guī)律和發(fā)展規(guī)律。也就是說，數(shù)據(jù)分析要以數(shù)據(jù)背后的數(shù)據(jù)去還原事物的本來面目，以達(dá)到求真的目的。如果說，我們原來限于各種條件只能根據(jù)有限的樣本數(shù)據(jù)去實(shí)現(xiàn)這個目的，那么現(xiàn)在我們則可以在很多方面借助大數(shù)據(jù)去實(shí)現(xiàn)這個目的，關(guān)鍵就看我們開展數(shù)據(jù)分析的能力有多大，或者說利用大數(shù)據(jù)、從一切數(shù)據(jù)中提取有價值信息的能力有多大———因為大數(shù)據(jù)無疑增加了統(tǒng)計分析的難度，而這又首先取決于我們統(tǒng)計思維能否適應(yīng)大數(shù)據(jù)時代的變化。正如邁爾 – 舍恩伯格所說: 大數(shù)據(jù)發(fā)展的核心動力就是人類測量、記錄和分析世界的渴望。

　　那么，統(tǒng)計思維應(yīng)該發(fā)生怎樣的變化? 筆者認(rèn)為主要要有如下三大變化:

　　( 一) 認(rèn)識數(shù)據(jù)的思維要變化

　　前面已經(jīng)提到，與傳統(tǒng)數(shù)據(jù)相比，大數(shù)據(jù)不僅體量大、變化快，而且其來源、類型和量化方式都發(fā)生了根本性的變化，使得數(shù)據(jù)雜亂、多樣、不規(guī)整。

　　首先，從來源上看，傳統(tǒng)的數(shù)據(jù)收集因為具有很強(qiáng)的針對性，因此數(shù)據(jù)的提供者大多是確定的，身份特征是可識別的，有的還可以進(jìn)行事后核對。但大數(shù)據(jù)通常來源于物聯(lián)網(wǎng)，不是為了特定的數(shù)據(jù)收集目的而產(chǎn)生，而是人們一切可記錄的信號( 當(dāng)然，任何信號的產(chǎn)生都有其目的，但它們是發(fā)散的) ，并且身份識別十分困難。從某種意義上講，大數(shù)據(jù)來源的微觀基礎(chǔ)是很難追溯的。

　　其次，從類型上看，傳統(tǒng)數(shù)據(jù)基本上是結(jié)構(gòu)型數(shù)據(jù)，即定量數(shù)據(jù)加上少量專門設(shè)計的定性數(shù)據(jù)，格式化，有標(biāo)準(zhǔn)，可以用常規(guī)的統(tǒng)計指標(biāo)或統(tǒng)計圖表加以表現(xiàn)。但大數(shù)據(jù)更多的是非結(jié)構(gòu)型數(shù)據(jù)、半結(jié)構(gòu)型數(shù)據(jù)或異構(gòu)數(shù)據(jù)，包括了一切可記錄、可存儲的信號，多樣化、無標(biāo)準(zhǔn)、難以用傳統(tǒng)的統(tǒng)計指標(biāo)或統(tǒng)計圖表加以表現(xiàn)。同時，不同的網(wǎng)絡(luò)信息系統(tǒng)有不同的數(shù)據(jù)識別方式，相互之間也沒用統(tǒng)一的數(shù)據(jù)分類標(biāo)準(zhǔn)。再者，現(xiàn)在有的數(shù)據(jù)庫是非關(guān)系型的數(shù)據(jù)庫，不需要預(yù)先設(shè)定記錄結(jié)構(gòu)即可自動包容大量各種各樣的數(shù)據(jù)。

　　第三，從量化方式上看，傳統(tǒng)數(shù)據(jù)的量化處理已經(jīng)有一整套較為完整的方式與過程，量化的結(jié)果可直接用于各種運(yùn)算與分析。但大數(shù)據(jù)中大量的非結(jié)構(gòu)化數(shù)據(jù)如何量化( 結(jié)構(gòu)化) 、如何從中提取信息、如何與結(jié)構(gòu)化數(shù)據(jù)對接是一個嶄新的問題。正如Franks 所說: “幾乎沒有哪種分析過程能夠直接對非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行分析，也無法直接從非結(jié)構(gòu)化的數(shù)據(jù)中得出結(jié)論。”更為重要的是，“量化”的含義恐怕也不一樣了，即此“量化”不一定等同于彼“量化”，量化結(jié)果的表現(xiàn)形式自然也不相同。顯然，我們不能套用已有的方式去量化非結(jié)構(gòu)化數(shù)據(jù)。

　　可以說，大數(shù)據(jù)是雜亂、不規(guī)整、良莠不齊的，但我們不能因此而回避它、拒絕它，只能接納它、包容它。我們需要將統(tǒng)計研究的對象范圍從結(jié)構(gòu)型數(shù)據(jù)擴(kuò)展到一切數(shù)據(jù)，需要重新思考數(shù)據(jù)的定義和分類方法，并以此為基礎(chǔ)發(fā)展和創(chuàng)新統(tǒng)計分析方法。從某種意義上講，沒有無用的數(shù)據(jù)，只有未被欣賞的數(shù)據(jù)，關(guān)鍵是我們從哪個角度看數(shù)據(jù)。

　　( 二) 收集數(shù)據(jù)的思維要變化

　　收集數(shù)據(jù)是開展統(tǒng)計分析的前提，“沒有黏土，如何做磚?”以往，收集統(tǒng)計數(shù)據(jù)的思維是先確定統(tǒng)計分析研究的目的，然后需要什么數(shù)據(jù)就收集什么數(shù)據(jù)，所以要精心設(shè)計調(diào)查方案，嚴(yán)格執(zhí)行每個流程，但往往是投入大而數(shù)據(jù)量有限。現(xiàn)在，我們擁有了大數(shù)據(jù)，就等于擁有了超大量可選擇的數(shù)據(jù)———備選“黏土”的體量與種類都極大地增加了，所要做的最重要的工作就是比較與選擇，因此我們的思維應(yīng)該是如何充分利用大數(shù)據(jù)，凡是大數(shù)據(jù)源中能找到的數(shù)據(jù)就不再需要進(jìn)行專門的調(diào)查。

　　但是，由于大數(shù)據(jù)來源與種類的多樣性，以及數(shù)據(jù)增加的快速性，我們在享受數(shù)據(jù)的豐富性的同時也不得不面臨這樣一些困境: 存儲能力夠不夠，分析能力夠不夠( 是否及時、充分) ，如何甄別數(shù)據(jù)的真?zhèn)危绾芜x擇關(guān)聯(lián)物，如何提煉和利用數(shù)據(jù)，如何確定分析節(jié)點(diǎn)? 現(xiàn)在 TB 級的數(shù)據(jù)庫已經(jīng)很多，PB 級的數(shù)據(jù)庫也不少見，以后還會出現(xiàn) EB、甚至 ZB、YB級的數(shù)據(jù)庫。今天的大數(shù)據(jù)，明天就不再是大數(shù)據(jù)。這樣一來，電子存儲能力能否跟得上數(shù)據(jù)增加的速度就成為首要的問題。如果讓數(shù)據(jù)庫自動更新就有可能失去一些寶貴的數(shù)據(jù)信息，而到了一定級別以后擴(kuò)充存儲容量或?qū)?shù)據(jù)進(jìn)行拷貝，其代價是十分巨大的，因此我們不得不對數(shù)據(jù)進(jìn)行分類、篩選，有針對地刪除那些垃圾數(shù)據(jù)、不重要或次重要的數(shù)據(jù)。如果說以前有針對地獲得數(shù)據(jù)叫做收集，那么今后有選擇地刪除數(shù)據(jù)就意味著收集。也就是說，大數(shù)據(jù)時代的數(shù)據(jù)收集將更多的是從已有的超大量數(shù)據(jù)中進(jìn)行再過濾、再選擇。因此，我們要做好丟棄一部分?jǐn)?shù)據(jù)的準(zhǔn)備。

　　當(dāng)然，并不是任何數(shù)據(jù)都可以從現(xiàn)成的大數(shù)據(jù)中獲得，這里存在一個針對性、安全性和成本比較問題。因此，我們既要繼續(xù)采用傳統(tǒng)的方式方法去收集特定需要的數(shù)據(jù)，又要善于利用現(xiàn)代網(wǎng)絡(luò)信息技術(shù)和各種數(shù)據(jù)源去收集一切相關(guān)的數(shù)據(jù)，并善于從大數(shù)據(jù)中進(jìn)行再過濾、再選擇。問題在于什么是無用的或不重要的數(shù)據(jù)? 該如何過濾與選擇數(shù)據(jù)? 這就需要對已經(jīng)存在的數(shù)據(jù)進(jìn)行重要性分析、真?zhèn)蝿e和關(guān)聯(lián)物定位。

　　此外，大的數(shù)據(jù)庫可能需要將信息分散在不同的硬盤或電腦上，這樣一來，在不能同步更新數(shù)據(jù)信息的情況下如何選擇、調(diào)用和匹配數(shù)據(jù)又是一個問題。因此從某種意義上講，從大數(shù)據(jù)中收集數(shù)據(jù)就是識別、整理、提煉、汲取( 刪除) 、分配和存儲元數(shù)據(jù)的過程。

　　( 三) 分析數(shù)據(jù)的思維要變化

　　基于上述兩個變化，數(shù)據(jù)分析的思維必然要跟著變化，那就是要主動利用現(xiàn)代信息技術(shù)與各種軟件工具從大數(shù)據(jù)中挖掘出有價值的信息，并在這個過程中豐富和發(fā)展統(tǒng)計分析方法。

　　關(guān)于數(shù)據(jù)分析思維的變化，特別需要強(qiáng)調(diào)三點(diǎn):

　　第一，傳統(tǒng)的統(tǒng)計分析過程是“定性—定量—再定性”，第一個定性是為了找準(zhǔn)定量分析的方向，主要靠經(jīng)驗判斷，這在數(shù)據(jù)短缺、分析運(yùn)算手段有限的情況下很重要�，F(xiàn)在我們是在大數(shù)據(jù)中找礦，直接依賴數(shù)據(jù)分析做出判斷，因此基礎(chǔ)性的工作就是找到“定量的回應(yīng)”，這在存儲能力大為增強(qiáng)、分析技術(shù)與分析速度大為提高的今天，探測“定量的回應(yīng)”變得越來越簡單，所要做的就是直接從各種“定量的回應(yīng)”中找出那些真正的、重要的數(shù)量特征和數(shù)量關(guān)系，得出可以作為判斷或決策依據(jù)的結(jié)論，因此統(tǒng)計分析的過程可以簡化為“定量—定性”，從而大大提高得到新的定性結(jié)論的可能性。

　　第二，傳統(tǒng)的統(tǒng)計實(shí)證分析，一般都要先根據(jù)研究目的提出某種假設(shè)，然后通過數(shù)據(jù)的收集與分析去驗證該假設(shè)是否成立，其分析思路是“假設(shè)—驗證”，但這種驗證往往由于受到假設(shè)的局限、指標(biāo)選擇的失當(dāng)、所需數(shù)據(jù)的缺失而得不出真正的結(jié)論。特別是，一旦假設(shè)本身不科學(xué)、不符合實(shí)際，那么分析結(jié)論就毫無用處、甚至扭曲事實(shí)真相。事實(shí)證明，很多這樣的實(shí)證分析純粹是為了湊合假設(shè)�，F(xiàn)在，我們有了大數(shù)據(jù)，可以不受任何假設(shè)的限制而從中去尋找關(guān)系、發(fā)現(xiàn)規(guī)律，然后再加以總結(jié)、形成結(jié)論。也就是說，分析的思路是“發(fā)現(xiàn)—總結(jié)”。這將極大地豐富統(tǒng)計分析的資源與空間，有助于發(fā)現(xiàn)更多意外的“發(fā)現(xiàn)”。

　　第三，傳統(tǒng)的統(tǒng)計推斷分析，通常是基于分布理論，以一定的概率為保證，根據(jù)樣本特征去推斷總體特征，其邏輯關(guān)系是“分布理論—概率保證—總體推斷”，推斷的評判標(biāo)準(zhǔn)與具體樣本無關(guān)，但推斷是否正確卻取決于樣本的好壞�，F(xiàn)在，大數(shù)據(jù)強(qiáng)調(diào)的是全體數(shù)據(jù)，總體特征不再需要根據(jù)分布理論進(jìn)行推斷，只需進(jìn)行計數(shù)或計量處理即可。不僅如此，還可以根據(jù)全面數(shù)據(jù)和實(shí)際分布來判斷其中出現(xiàn)某類情況的可能性有多大，其邏輯關(guān)系變成了“實(shí)際分布—總體特征—概率判斷”，也即概率不再是事先預(yù)設(shè)，而是基于實(shí)際分布得出的判斷。按照邁爾 -舍恩伯格的觀點(diǎn)，這個概率判斷就可用于預(yù)測了。

　　伴隨著上述三大變化，統(tǒng)計分析評價的標(biāo)準(zhǔn)又該如何變化? 傳統(tǒng)統(tǒng)計分析的評價標(biāo)準(zhǔn)無非兩個方面，一是可靠性評價，二是有效性評價，而這兩種評價都因抽樣而生。所謂可靠性評價是指用樣本去推斷總體有多大的把握程度，，是以概率來度量的———有時表現(xiàn)為置信水平，有時表現(xiàn)為顯著性水平。特別是在假設(shè)檢驗和模型擬合度評價中，顯著性水平怎么定是一個難題，一直存在爭議，因為所參照的分布類型不同其統(tǒng)計量就不同，顯著性評價的臨界值就不同，而臨界值又與顯著性水平的高低直接相關(guān)。然而在大數(shù)據(jù)的背景下，大數(shù)據(jù)在一定程度上就是全體數(shù)據(jù)，我們可以對全體數(shù)據(jù)進(jìn)行計數(shù)或計量分析，這就不存在以樣本推斷總體的問題了，那么這時還有沒有可靠性的問題? 還要不要確定置信水平?怎么確定? 依據(jù)是什么? 如何比較來自不同容量數(shù)據(jù)庫的分析結(jié)論的可靠性?

　　所謂有效性評價指的是真實(shí)性，即誤差大小。這里又有兩個相關(guān)的概念: 準(zhǔn)確性與精確性。準(zhǔn)確性一般是指一個觀察值與真實(shí)值的吻合程度，通常情況下是無法做出測度的; 而精確性一般指樣本統(tǒng)計量分布的離散程度，以抽樣分布的標(biāo)準(zhǔn)差來衡量。很顯然，精確性是針對樣本數(shù)據(jù)而言的。也就是說樣本數(shù)據(jù)既有精確性問題又有準(zhǔn)確性問題，樣本數(shù)據(jù)中的誤差既包括抽樣誤差也可能包括非抽樣誤差。抽樣誤差可以基于抽樣分布理論進(jìn)行計算和控制，而非抽樣誤差只能通過各種方式加以識別或判斷，但多數(shù)情況下由于樣本量不是太大而可以得到較好的防范。但對于大數(shù)據(jù)，由于它是全體數(shù)據(jù)，因而不再有抽樣誤差問題，只有非抽樣誤差問題，也就是說大數(shù)據(jù)的真實(shí)性只表現(xiàn)為準(zhǔn)確性而非精確性。然而由于大數(shù)據(jù)是超大量數(shù)據(jù)，再加上混雜性與多樣性，因此其非抽樣誤差很難防范與控制，這就使得準(zhǔn)確性評價問題變得更為困難———如何測度? 標(biāo)準(zhǔn)怎樣?

責(zé)編：pingxiaoli

  本文關(guān)鍵詞：大數(shù)據(jù)與統(tǒng)計新思維，由筆耕文化傳播整理發(fā)布。