მონაცემთა ანალიზში აღწერითი სტატისტიკის გაგება და ძირითადი კონცეფციები
აღწერითი სტატისტიკა მონაცემთა ანალიზის პროცესის ერთ-ერთი უმნიშვნელოვანესი საფუძველია. სანამ ვინმე დასკვნებს გამოიტანს, პროგნოზებს გააკეთებს ან მონაცემებზე დაყრდნობით გადაწყვეტილებებს მიიღებს, პირველი ნაბიჯი თითქმის ყოველთვის თავად „მონაცემების გაგებაა“. სწორედ აქ ერთვება საქმეში აღწერითი სტატისტიკა: ის ეხმარება მონაცემების შეჯამებას, ორგანიზებასა და წარმოდგენას ისე, რომ მისი ნიმუშები, მახასიათებლები და ტენდენციები ნათლად ჩანს. ეს სტატია განიხილავს აღწერითი სტატისტიკის განმარტებას და მის ძირითად კონცეფციებს, რომლებიც ფართოდ გამოიყენება მონაცემთა ანალიზში.
აღწერითი სტატისტიკის გაგება
ზოგადად, აღწერითი სტატისტიკა სტატისტიკის დარგია, რომელიც ფოკუსირებულია მონაცემების შეგროვებაზე, შეჯამებაზე, ორგანიზებასა და წარდგენაზე, რათა უზრუნველყოს მათი მდგომარეობის მკაფიო სურათი. მისი მთავარი მიზანი არ არის ჰიპოთეზების შემოწმება ან უფრო ფართო პოპულაციაზე განზოგადება (ეს არის ინფერენციული სტატისტიკის სფერო), არამედ იმის ახსნა, თუ რა ხდება ხელთ არსებულ მონაცემებში.
მაგალითად, თუ სკოლა აგროვებს მათემატიკის ტესტის ქულებს 200 მოსწავლისგან, აღწერითი სტატისტიკის გამოყენება შესაძლებელია ისეთ კითხვებზე პასუხის გასაცემად, როგორიცაა: რა არის საშუალო ქულა? რამდენად დიდი ვარიაციაა ქულებში? რა არის ყველაზე მაღალი და ყველაზე დაბალი ქულები? დაჯგუფებულია თუ არა ქულების უმეტესობა გარკვეულ დიაპაზონში? ეს კითხვები მნიშვნელოვანია შეფასების საფუძვლად, სხვა სკოლების მოსწავლეებთან დაკავშირებით დასკვნების გამოტანის გარეშე.
აღწერითი სტატისტიკის როლი მონაცემთა ანალიზში
მონაცემთა ანალიზის პრაქტიკაში, აღწერითი სტატისტიკა, როგორც წესი, საწყისი ნაბიჯია, რომელიც განსაზღვრავს შემდგომი ანალიზის მიმართულებას. მისი როლები მოიცავს:
1. ნედლი მონაცემები უფრო ლაკონურ და ადვილად გასაგებ ფორმატში შეაჯამეთ.
2. ისეთი ნიმუშების იდენტიფიცირება, როგორიცაა ტენდენციები, დომინანტური მონაცემთა ჯგუფები ან ანომალიები.
3. მონაცემთა შეცდომების აღმოჩენა, როგორიცაა დაუსაბუთებელი მნიშვნელობები, დაკარგული მონაცემები ან დუბლირება.
4. ინფორმაციის კომუნიკაციურად წარმოჩენა ცხრილების, გრაფიკებისა და სტატისტიკური შეჯამებების საშუალებით.
5. ხელს უწყობს ადრეული გადაწყვეტილების მიღებას, მაგალითად, მარკეტინგული სტრატეგიების განსაზღვრას მომხმარებლის მონაცემების შეჯამების საფუძველზე.
აღწერითი ნაბიჯების გარეშე, შემდგომი ანალიზი შეიძლება არაზუსტი იყოს, რადგან მონაცემები სრულად არ არის გაგებული.
მონაცემთა ტიპები და გაზომვის შკალები
აღწერითი სტატისტიკის ძირითადი კონცეფცია არ შეიძლება გამოეყოს მონაცემთა ტიპებისა და გაზომვის შკალების გაგებისგან, რადგან ორივე განსაზღვრავს შესაბამის შეჯამების მეთოდს.
1. თვისებრივი და რაოდენობრივი მონაცემები
– თვისებრივი მონაცემები (კატეგორიები): მონაცემები კატეგორიების ან ეტიკეტების სახით, მაგალითად, სქესი, დასაქმების სტატუსი, პროდუქტის კატეგორია.
– რაოდენობრივი (რიცხვითი) მონაცემები: მონაცემები რიცხვების სახით, რომელთა დათვლა ან გაზომვა შესაძლებელია, მაგალითად, ასაკი, შემოსავალი, სიმაღლე.
2. გაზომვის შკალა
– ნომინალური: მხოლოდ კატეგორიების დიფერენცირებას ახდენს (მაგალითად: სისხლის ჯგუფი).
– რიგითი: არსებობს თანმიმდევრობა, მაგრამ კატეგორიებს შორის მანძილი გაურკვეველია (მაგალითად: კმაყოფილების დონე: დაბალი–საშუალო–მაღალი).
– ინტერვალი: მნიშვნელობებს შორის მანძილი იგივეა, მაგრამ არ აქვს აბსოლუტური ნული (მაგალითად: ცელსიუსის ტემპერატურა).
– თანაფარდობა: მანძილი იგივეა და აქვს აბსოლუტური ნული (მაგალითად: სხეულის წონა, შემოსავალი).
მონაცემთა მასშტაბის განსაზღვრა მნიშვნელოვანია ცენტრალური ტენდენციის შესაბამისი საზომების, დისპერსიის საზომებისა და ვიზუალიზაციის შესარჩევად.
მონაცემთა პრეზენტაცია: ცხრილები და გრაფიკები
აღწერითი სტატისტიკა ხშირად დაკავშირებულია მონაცემების ისე წარდგენასთან, რომ მათი წაკითხვა და ინტერპრეტაცია მარტივი იყოს.
1. სიხშირის განაწილების ცხრილი
სიხშირის განაწილების ცხრილი აჩვენებს, თუ რამდენად ხშირად გვხვდება მნიშვნელობა ან კატეგორია. ეს სასარგებლოა მონაცემთა დიდი ნაკრებებისთვის, რაც საშუალებას იძლევა ლაკონურობისა. რიცხვითი მონაცემებისთვის სიხშირეები ხშირად კლასის ინტერვალებით არის დალაგებული (მაგ., 0–10, 11–20 და ა.შ.).
2. გრაფიკები და დიაგრამები
ვიზუალიზაციის რამდენიმე გავრცელებული ფორმა:
– სვეტოვანი დიაგრამა: შესაფერისია კატეგორიული მონაცემებისთვის.
– წრიული დიაგრამა: აჩვენებს თითოეული კატეგორიის პროპორციას (თუმცა ბევრი კატეგორიისთვის ეს, როგორც წესი, ნაკლებად ეფექტურია).
– ჰისტოგრამა: სვეტოვანი დიაგრამის მსგავსია, მაგრამ დაჯგუფებული რიცხვითი მონაცემებისთვის; ხელს უწყობს განაწილების ფორმის დანახვას.
– სიხშირის პოლიგონი: ხაზი, რომელიც აკავშირებს თითოეული კლასის სიხშირის წერტილებს.
– ყუთების დიაგრამა (ყუთების დიაგრამა): აჩვენებს მედიანას, კვარტილებს, განაწილებას და პოტენციურ გამონაკლის მნიშვნელობებს.
ვიზუალიზაცია ხელს უწყობს მონაცემებში ტენდენციების ან ანომალიების დანახვას, რომლებიც ზოგჯერ მხოლოდ ციფრების დათვალიერებისას არ ჩანს ნათელი.
ცენტრალური ტენდენციის საზომები
ცენტრალური ტენდენციის საზომები აღწერს „საშუალო“ მნიშვნელობას ან მნიშვნელობას, რომელიც საუკეთესოდ წარმოადგენს მონაცემთა ერთობლიობას.
1. საშუალო (საშუალო)
საშუალო მნიშვნელობა არის ყველა მნიშვნელობის ჯამი გაყოფილი მონაცემთა წერტილების რაოდენობაზე. საშუალო მნიშვნელობა პოპულარულია, რადგან მისი გაგება მარტივია, მაგრამ მგრძნობიარეა გამონაკლისების მიმართ. მაგალითად, შემოსავლის მონაცემებში, ერთ ძალიან მდიდარ ადამიანს შეუძლია მნიშვნელოვნად დაამახინჯოს საშუალო მნიშვნელობა.
2. მედიანა (საშუალო მნიშვნელობა)
მედიანა არის საშუალო მნიშვნელობა მონაცემების დახარისხების შემდეგ. თუ მონაცემთა წერტილების რაოდენობა ლუწია, მედიანა არის ორი საშუალო მნიშვნელობის საშუალო. მედიანა უფრო მდგრადია გამონაკლისების მიმართ, ამიტომ ის ხშირად გამოიყენება ასიმეტრიული განაწილების მქონე მონაცემებისთვის.
3. რეჟიმი (ყველაზე ხშირად გამოჩენილი მნიშვნელობა)
რეჟიმი ყველაზე ხშირად გამოჩენილი მნიშვნელობაა და სასარგებლოა კატეგორიული მონაცემებისთვის. მაგალითად, ყველაზე ხშირად შეძენილი პროდუქტის ტიპების რეჟიმი მიუთითებს ძირითად უპირატესობაზე.
დისპერსიის საზომები
ცენტრალური მნიშვნელობის ცოდნის გარდა, ასევე მნიშვნელოვანია იმის ცოდნა, თუ რამდენად გავრცელებულია მონაცემები ცენტრიდან.
1. დიაპაზონი
დიაპაზონი არის მაქსიმალურ და მინიმალურ მნიშვნელობებს შორის სხვაობა. ეს საზომი მარტივია, მაგრამ მასზე მნიშვნელოვნად მოქმედებს გამონაკლისები.
2. ვარიაცია და სტანდარტული გადახრა
– ვარიაცია ზომავს მნიშვნელობების საშუალო კვადრატულ გადახრას საშუალო მნიშვნელობიდან.
– სტანდარტული გადახრა არის დისპერსიის კვადრატული ფესვი, რომელიც ხშირად გამოიყენება, რადგან მისი ერთეულები იგივეა, რაც ორიგინალური მონაცემები.
რაც უფრო დიდია სტანდარტული გადახრა, მით უფრო ცვალებადია მონაცემები; რაც უფრო პატარაა ის, მით უფრო მეტად ჯგუფდება მონაცემები საშუალო მნიშვნელობის გარშემო.
3. კვარტილები და კვარტილთაშორისი დიაპაზონი (IQR)
კვარტილები მონაცემებს ოთხ თანაბარ ნაწილად ყოფს:
– Q1 (ქვედა კვარტილი), Q2 (მედიანა), Q3 (ზედა კვარტილი).
IQR = Q3 − Q1 აჩვენებს მონაცემების შუა 50%-ის განაწილებას და შედარებით მდგრადია გამონაკლისების მიმართ.
განაწილების ფორმა და გამონაკლისები
აღწერითი სტატისტიკა ასევე ყურადღებას აქცევს მონაცემთა განაწილების ფორმას:
– სიმეტრიული: მონაცემები თანაბრად არის განაწილებული საშუალო/მედიანის მარცხნივ და მარჯვნივ.
– მარჯვნივ გადახრილი: ბევრი პატარა მნიშვნელობა, ცოტა დიდი მნიშვნელობა.
– მარცხნივ გადახრილი: ბევრი დიდი მნიშვნელობა, რამდენიმე პატარა მნიშვნელობა.
ამასობაში, გამონაკლისი არის მნიშვნელობა, რომელიც მნიშვნელოვნად განსხვავდება მონაცემების უმრავლესობისგან. გამონაკლისი შეიძლება წარმოიშვას ჩანაწერის შეცდომების ან მნიშვნელოვანი რეალური მოვლენების გამო (მაგ., უკიდურესად დიდი ტრანზაქციები). გამონაკლისი მნიშვნელობების იდენტიფიცირება მნიშვნელოვანია, რადგან მათ შეუძლიათ გავლენა მოახდინონ საშუალოზე, ვარიაციასა და საერთო ინტერპრეტაციაზე.
დასკვნა
აღწერითი სტატისტიკა მონაცემთა ანალიზის აუცილებელი პირველი ნაბიჯია, რადგან ის ხელს უწყობს ნედლი მონაცემების მნიშვნელოვან ინფორმაციად გარდაქმნას. რიცხვითი შეჯამებების (საშუალო, მედიანა, მოდა), დისპერსიის საზომების (დიაპაზონი, სტანდარტული გადახრა, ინტერაქტიული ინტერვალის მაჩვენებელი) და მონაცემთა ცხრილებსა და გრაფიკებში წარმოდგენის გზით, ანალიტიკოსებს შეუძლიათ სწრაფად და ზუსტად გაიგონ მონაცემთა მახასიათებლები. მონაცემთა ტიპისა და გაზომვის შკალის გაგება ასევე განსაზღვრავს შესაბამის აღწერით მეთოდს. ამ საფუძვლით, შემდგომი ანალიზი, მათ შორის ინფერენციული ანალიზი და გადაწყვეტილების მიღება, შეიძლება ჩატარდეს უფრო ფოკუსირებული და ანგარიშვალდებული მანერით.
თუ გსურთ, შემიძლია ეს სტატია უფრო აკადემიური (ციტირებებით) თემატიკის მიხედვით მოვარგო, ბლოგისთვის უფრო მოსახერხებელი გავხადო ან მარტივი გამოთვლების მაგალითები და ცხრილების/გრაფიკების ილუსტრაციები ჩავრთო.
