Aprašomosios statistikos duomenų analizėje supratimas ir pagrindinės sąvokos
Aprašomoji statistika yra vienas svarbiausių duomenų analizės proceso pagrindų. Prieš darant išvadas, prognozes ar priimant sprendimus remiantis duomenimis, pirmas žingsnis beveik visada yra „suprasti pačius duomenis“. Čia ir praverčia aprašomoji statistika: ji padeda apibendrinti, susisteminti ir pateikti duomenis taip, kad būtų aiškiai matomi jų modeliai, charakteristikos ir tendencijos. Šiame straipsnyje aptariamas aprašomosios statistikos apibrėžimas ir pagrindinės jos sąvokos, plačiai naudojamos duomenų analizėje.
Aprašomosios statistikos supratimas
Apskritai aprašomoji statistika yra statistikos šaka, kuri daugiausia dėmesio skiria duomenų rinkimui, apibendrinimui, organizavimui ir pateikimui, siekiant aiškiai suprasti jų būklę. Jos pagrindinis tikslas nėra tikrinti hipotezes ar apibendrinti platesnei populiacijai (tai yra išvadinės statistikos sritis), o paaiškinti, kas vyksta su nagrinėjamais duomenimis.
Pavyzdžiui, jei mokykla surenka 200 mokinių matematikos testų rezultatus, aprašomoji statistika gali būti naudojama atsakyti į tokius klausimus: koks yra vidutinis rezultatas? Kiek balų skiriasi? Kokie yra didžiausi ir mažiausi balai? Ar dauguma balų yra tam tikrame diapazone? Šie klausimai yra svarbūs kaip vertinimo pagrindas, nereikalaujant daryti išvadų apie kitų mokyklų mokinius.
Aprašomosios statistikos vaidmuo duomenų analizėje
Duomenų analizės praktikoje aprašomoji statistika paprastai yra pradinis žingsnis, kuris lemia tolesnės analizės kryptį. Jos vaidmenys apima:
1. Apibendrinkite neapdorotus duomenis glaustesniu ir lengviau suprantamu pavidalu.
2. Nustatykite tokius modelius kaip tendencijos, dominuojančios duomenų grupės arba anomalijos.
3. Aptikti duomenų klaidas, tokias kaip nepagrįstos vertės, trūkstami duomenys arba dubliavimas.
4. Pateikti informaciją komunikabiliai lentelėse, grafikuose ir statistinėse santraukose.
5. Padeda ankstyvam sprendimų priėmimui, pavyzdžiui, nustatant rinkodaros strategijas remiantis klientų duomenų santraukomis.
Be aprašomųjų žingsnių tolesnė analizė gali būti netiksli, nes duomenys nėra iki galo suprasti.
Duomenų tipai ir matavimo skalės
Pagrindinės aprašomosios statistikos sąvokos negalima atskirti nuo duomenų tipų ir matavimo skalių supratimo, nes abu lemia tinkamą santraukos metodą.
1. Kokybiniai ir kiekybiniai duomenys
– Kokybiniai duomenys (kategorijos): duomenys kategorijų arba etikečių pavidalu, pavyzdžiui, lytis, užimtumo statusas, produkto kategorija.
– Kiekybiniai (skaitmeniniai) duomenys: skaičių pavidalo duomenys, kuriuos galima suskaičiuoti arba išmatuoti, pavyzdžiui, amžius, pajamos, ūgis.
2. Matavimo skalė
– Nominalinė: skiria tik kategorijas (pavyzdys: kraujo grupė).
– Kelintinė: yra seka, bet atstumas tarp kategorijų yra neaiškus (pavyzdys: pasitenkinimo lygis: žemas–vidutinis–aukštas).
– Intervalas: atstumas tarp reikšmių yra vienodas, bet neturi absoliutaus nulio (pavyzdys: Celsijaus temperatūra).
– Santykis: atstumas yra toks pat ir turi absoliutų nulį (pavyzdys: kūno svoris, pajamos).
Duomenų masto nustatymas yra svarbus norint pasirinkti tinkamus centrinės tendencijos, sklaidos ir vizualizacijų matavimus.
Duomenų pateikimas: lentelės ir grafikai
Aprašomoji statistika dažnai siejama su duomenų pateikimu taip, kad juos būtų lengva skaityti ir interpretuoti.
1. Dažnių pasiskirstymo lentelė
Dažnių pasiskirstymo lentelė rodo, kaip dažnai pasitaiko reikšmė arba kategorija. Tai naudinga dideliems duomenų rinkiniams, nes leidžia užtikrinti glaustumą. Skaitmeninių duomenų dažniai dažnai išdėstomi klasių intervalais (pvz., 0–10, 11–20 ir pan.).
2. Grafikai ir diagramos
Kai kurios įprastos vizualizacijos formos:
– Juostinė diagrama: tinka kategoriniams duomenims.
– Skritulinė diagrama: rodo kiekvienos kategorijos dalį (nors daugelio kategorijų atveju ji paprastai yra mažiau veiksminga).
– Histograma: panaši į juostinę diagramą, bet skirta sugrupuotiems skaitiniams duomenims; padeda matyti pasiskirstymo formą.
– Dažnio poligonas: linija, jungianti kiekvienos klasės dažnio taškus.
– Dėžutė (langinė diagrama): rodoma mediana, kvartiliai, skirstinys ir galimos išskirtis.
Vizualizacija padeda pamatyti duomenų tendencijas ar anomalijas, kurios kartais nėra aiškios, jei žiūrite tik į skaičius.
Centrinės tendencijos matai
Centrinės tendencijos matai apibūdina „vidurinę“ reikšmę arba reikšmę, kuri geriausiai atspindi duomenų rinkinį.
1. Vidurkis (vidurkis)
Vidurkis yra visų verčių suma, padalyta iš duomenų taškų skaičiaus. Vidurkis yra populiarus, nes jį lengva suprasti, tačiau jis jautrus išskirtinėms reikšmėms. Pavyzdžiui, pajamų duomenyse vienas labai turtingas asmuo gali reikšmingai iškreipti vidurkį.
2. Mediana (vidurinė vertė)
Mediana yra vidurinė reikšmė po duomenų rūšiavimo. Jei duomenų taškų skaičius yra lyginis, mediana yra dviejų vidurinių reikšmių vidurkis. Mediana yra atsparesnė išskirtims, todėl ji dažnai naudojama duomenims su asimetriniu pasiskirstymu.
3. Režimas (dažniausiai pasirodanti reikšmė)
Režimas yra dažniausiai pasitaikanti reikšmė ir yra naudinga kategoriniams duomenims. Pavyzdžiui, dažniausiai perkamų produktų tipų režimas rodo pagrindinį pageidavimą.
Dispersijos matai
Be centrinės vertės žinojimo, taip pat svarbu žinoti, kaip duomenys yra pasklidę nuo centro.
1. Diapazonas
Diapazonas yra skirtumas tarp didžiausios ir mažiausios verčių. Šis matas yra paprastas, tačiau jam didelę įtaką daro išskirtinės vertės.
2. Dispersija ir standartinis nuokrypis
– Dispersija matuoja vidutinį kvadratinį reikšmių nuokrypį nuo vidurkio.
– Standartinis nuokrypis yra dispersijos kvadratinė šaknis, dažnai naudojama, nes jos vienetai yra tokie patys kaip ir pradinių duomenų.
Kuo didesnis standartinis nuokrypis, tuo labiau kintami duomenys; kuo jis mažesnis, tuo labiau duomenys linkę kauptis aplink vidurkį.
3. Kvartiliai ir IQR (tarpkvartilinis diapazonas)
Kvartiliai padalija duomenis į keturias lygias dalis:
– Q1 (apatinis kvartilis), Q2 (mediana), Q3 (viršutinis kvartilis).
IQR = Q3 − Q1 rodo viduriniųjų 50 % duomenų pasiskirstymą ir yra gana atsparus išskirtims.
Pasiskirstymo forma ir išskirtinės vertės
Aprašomoji statistika taip pat atkreipia dėmesį į duomenų paskirstymo formą:
– Simetriška: duomenys tolygiai pasiskirsto kairėje ir dešinėje nuo vidurkio / medianos.
– Dešininis pakreipimas: daug mažų reikšmių, mažai didelių reikšmių.
– Pakreipta į kairę: daug didelių reikšmių, mažai mažų reikšmių.
Tuo tarpu išskirtinė reikšmė yra reikšmė, kuri reikšmingai skiriasi nuo daugumos duomenų. Išskirtinės reikšmės gali atsirasti dėl įrašymo klaidų arba reikšmingų realaus pasaulio reiškinių (pvz., itin didelių sandorių). Išskirtinių reikšmių nustatymas yra svarbus, nes jos gali turėti įtakos vidurkiui, dispersijai ir bendrai interpretacijai.
Išvada
Aprašomoji statistika yra esminis pirmasis duomenų analizės žingsnis, nes ji padeda neapdorotus duomenis paversti prasminga informacija. Naudodamiesi skaitinėmis santraukomis (vidurkiu, mediana, moda), sklaidos matais (diapazonu, standartiniu nuokrypiu, IQR) ir duomenų pateikimu lentelėse bei grafikuose, analitikai gali greitai ir tiksliai suprasti duomenų charakteristikas. Duomenų tipo ir matavimo skalės supratimas taip pat lemia tinkamą aprašomąjį metodą. Remiantis šiuo pagrindu, vėlesnė analizė, įskaitant išvadų analizę ir sprendimų priėmimą, gali būti atliekama labiau sutelktu ir atskaitingu būdu.
Jei pageidaujate, galiu pritaikyti šį straipsnį, kad jis būtų labiau akademinis (su citatomis), labiau pritaikytas tinklaraščiui arba įtrauktų paprastų skaičiavimo pavyzdžių ir lentelių / grafikų iliustracijų.
