大數(shù)據(jù)與統(tǒng)計新思維
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),以及我國學者涂子沛、郭曉科的《大數(shù)據(jù)》等幾本書引起了廣泛的關注,其他各種媒體關于大數(shù)據(jù)的討論也層出不窮,大數(shù)據(jù)已成為流行語。有人認為,大數(shù)據(jù)是一場新的革命,將橫掃一切領域,重構世界。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。在計算機科學、電子商務等領域已率先在大數(shù)據(jù)技術開發(fā)與應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)計學該如何應對?無動于衷還是盲目追從?正確的態(tài)度應該是理性對待、積極跟進、改變思維、謀求發(fā)展。
一、對大數(shù)據(jù)的初步認識
到底什么是大數(shù)據(jù),不同的學科領域、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;蛟S,“大”與“數(shù)據(jù)”根本就不能分開,只有把“大數(shù)據(jù)”當作一個整體概念來理解才有意義。那么從統(tǒng)計學的角度,我們該如何來理解大數(shù)據(jù)?筆者認為大數(shù)據(jù)不是基于人工設計、借助傳統(tǒng)方法而獲得的有限、固定、不連續(xù)、不可擴充的結構型數(shù)據(jù),而是基于現(xiàn)代信息技術與工具可以自動記錄、儲存和連續(xù)擴充的、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)是有意收集的結構化的樣本數(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)的不可擴充性缺點就暴露無疑。而大數(shù)據(jù)是一切可以通過現(xiàn)代信息技術記錄和量化的數(shù)據(jù),不僅所蘊含的信息量巨大,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)點是,具有巨大的數(shù)據(jù)選擇空間,可以進行多維、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; 樣本中被認為異常的值,大數(shù)據(jù)得以認可。這將極大地提高我們認識現(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,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行調(diào)查觀察,以確保有足夠的微觀基礎來消除或削弱個體差異對整體特征的影響,足以歸納出關于總體的數(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)常進行,所以一般情況下只能進行抽樣調(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,只與信息來源的數(shù)量與儲存容量有關。因此,這里的“大”是全體的意思。
可見,統(tǒng)計學的研究對象沒有變,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,三是相關分析比因果分析更重要。這些觀點具有很強的震撼力,迫使我們對現(xiàn)有的統(tǒng)計研究思維進行反思。盡管這些觀點值得進一步商榷,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)計學是一門關于數(shù)據(jù)的科學呢? 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遇。當然,統(tǒng)計思維的變化應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)去實現(xiàn)這個目的,關鍵就看我們開展數(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)計思維應該發(fā)生怎樣的變化? 筆者認為主要要有如下三大變化:
(一) 認識數(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)基本上是結構型數(shù)據(jù),即定量數(shù)據(jù)加上少量專門設計的定性數(shù)據(jù),格式化,有標準,可以用常規(guī)的統(tǒng)計指標或統(tǒng)計圖表加以表現(xiàn)。但大數(shù)據(jù)更多的是非結構型數(shù)據(jù)、半結構型數(shù)據(jù)或異構數(shù)據(jù),包括了一切可記錄、可存儲的信號,多樣化、無標準、難以用傳統(tǒng)的統(tǒng)計指標或統(tǒng)計圖表加以表現(xiàn)。同時,不同的網(wǎng)絡信息系統(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)分類標準。再者,現(xiàn)在有的數(shù)據(jù)庫是非關系型的數(shù)據(jù)庫,不需要預先設定記錄結構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,量化的結果可直接用于各種運算與分析。但大數(shù)據(jù)中大量的非結構化數(shù)據(jù)如何量化( 結構化) 、如何從中提取信息、如何與結構化數(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構化數(shù)據(jù)進行分析,也無法直接從非結構化的數(shù)據(jù)中得出結論!备鼮橹匾氖,“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構化數(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構型數(shù)據(jù)擴展到一切數(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),所以要精心設計調(diào)查方案,嚴格執(zhí)行每個流程,但往往是投入大而數(shù)據(jù)量有限,F(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),如何選擇關聯(lián)物,如何提煉和利用數(shù)據(jù),如何確定分析節(jié)點? 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充存儲容量或?qū)?shù)據(jù)進行拷貝,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)中進行再過濾、再選擇。因此,我們要做好丟棄一部分數(shù)據(jù)的準備。
當然,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)絡信息技術和各種數(shù)據(jù)源去收集一切相關的數(shù)據(jù),并善于從大數(shù)據(jù)中進行再過濾、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)進行重要性分析、真?zhèn)蝿e和關聯(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。
關于數(shù)據(jù)分析思維的變化,特別需要強調(diào)三點:
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,因此基礎性的工作就是找到“定量的回應”,這在存儲能力大為增強、分析技術與分析速度大為提高的今天,探測“定量的回應”變得越來越簡單,所要做的就是直接從各種“定量的回應”中找出那些真正的、重要的數(shù)量特征和數(shù)量關系,得出可以作為判斷或決策依據(jù)的結論,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論的可能性。
第二,傳統(tǒng)的統(tǒng)計實證分析,一般都要先根據(jù)研究目的提出某種假設,然后通過數(shù)據(jù)的收集與分析去驗證該假設是否成立,其分析思路是“假設—驗證”,但這種驗證往往由于受到假設的局限、指標選擇的失當、所需數(shù)據(jù)的缺失而得不出真正的結論。特別是,一旦假設本身不科學、不符合實際,那么分析結論就毫無用處、甚至扭曲事實真相。事實證明,很多這樣的實證分析純粹是為了湊合假設,F(xiàn)在,我們有了大數(shù)據(jù),可以不受任何假設的限制而從中去尋找關系、發(fā)現(xiàn)規(guī)律,然后再加以總結、形成結論。也就是說,分析的思路是“發(fā)現(xiàn)—總結”。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,其邏輯關系是“分布理論—概率保證—總體推斷”,推斷的評判標準與具體樣本無關,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)分布理論進行推斷,只需進行計數(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,其邏輯關系變成了“實際分布—總體特征—概率判斷”,也即概率不再是事先預設,而是基于實際分布得出的判斷。按照邁爾 -舍恩伯格的觀點,這個概率判斷就可用于預測了。
伴隨著上述三大變化,統(tǒng)計分析評價的標準又該如何變化? 傳統(tǒng)統(tǒng)計分析的評價標準無非兩個方面,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。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)庫的分析結論的可靠性?
所謂有效性評價指的是真實性,即誤差大小。這里又有兩個相關的概念: 準確性與精確性。準確性一般是指一個觀察值與真實值的吻合程度,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,以抽樣分布的標準差來衡量。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)的真實性只表現(xiàn)為準確性而非精確性。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,這就使得準確性評價問題變得更為困難———如何測度?標準怎樣?
三、積極應對大數(shù)據(jù)
面對大數(shù)據(jù),我們唯有積極應對,別無選擇。如何應對,需要考慮以下幾個方面:
(一) 需要改變總體、個體乃至樣本的定義方式
傳統(tǒng)的統(tǒng)計分析,是先有總體,再有數(shù)據(jù),即必須先確定總體范圍和個體單位,再收集個體數(shù)據(jù),分析總體。但對大數(shù)據(jù)來說,情況完全不同了,是先有數(shù)據(jù),再有總體。從某種意義上說,大數(shù)據(jù)的產(chǎn)生系統(tǒng)多數(shù)是非總體式的,即無事先定義的目標總體,只有與各個時點相對應的事后總體,原因就在于個體是不確定的,是變化著的,是無法事先編制名錄庫的,這與傳統(tǒng)的總體與個體有很大的不同。更為復雜的是,事后個體的識別也很困難,因為同一個個體可能有多個不同的網(wǎng)絡符號或稱謂,而不同網(wǎng)絡系統(tǒng)的相同符號( 稱謂) 也未必就是同一個個體,而且還經(jīng)常存在個體異位的情況( 即某一個體利用另一個體的符號完成某種行為) ,因此我們對于大數(shù)據(jù)往往是只見“數(shù)據(jù)”的外形而不見“個體”的真容。但對大數(shù)據(jù)的分析,仍然有一個總體口徑問題,依然需要識別個體身份。這就需要我們改變總體與個體的定義方式———盡管它們的內(nèi)涵沒有變。與此對應,如果要從大數(shù)據(jù)庫中提取樣本數(shù)據(jù),那么樣本的定義方式也需要改變。當然,考慮到大數(shù)據(jù)的流動變化性,任何時點的總體都可以被理解為一個截面樣本。
(二) 需要改變對不確定性的認識
眾所周知,統(tǒng)計學是為了認識和研究事物的不確定性而產(chǎn)生的,因為無論是自然現(xiàn)象還是社會經(jīng)濟現(xiàn)象,都時時處處充滿著因個體的差異性而引起的不確定性,因為在大多數(shù)情況下我們?nèi)狈ψ銐虻男畔⒒蛉狈ψ銐虻闹R去利用有效信息,而人們總是期望通過量化事物的不確定性去發(fā)現(xiàn)規(guī)律、揭示真相,認識不確定性背后的必然性。要研究不確定性就需要收集數(shù)據(jù),在只能進行抽樣觀測的情況下,這種不確定性就表現(xiàn)為如何獲得樣本、如何推斷總體( 包括估計與檢驗) 和如何構建模型等方面。對于大數(shù)據(jù),仍然存在著個體的差異性,區(qū)別只在于它包括了一定條件下的所有個體,而不是隨機獲得的一個樣本。這樣,大數(shù)據(jù)的不確定性就不再是樣本的獲取與總體的推斷,而是數(shù)據(jù)的來源、個體的識別、信息的量化、數(shù)據(jù)的分類、關聯(lián)物的選擇、節(jié)點的確定,以及結論的可能性判斷等方面。可以說,大數(shù)據(jù)的不確定性只來自于其來源的多樣性與混雜性,以及由于個體的可變性所引起的總體多變性,而不是同類個體之間的差異性———因為我們已經(jīng)掌握了一定條件下的完全信息。
(三) 需要建立新的數(shù)據(jù)梳理與分類方法
大數(shù)據(jù)的多樣性與混雜性,以及先有數(shù)據(jù)、后有總體的特點,原有的數(shù)據(jù)梳理與分類方法將受到諸多的限制。傳統(tǒng)的數(shù)據(jù)梳理與分類是按照預先設定的方案進行的,標志與指標的關系、分類標識與分組規(guī)則等都是結構化的,既是對有針對性地收集的數(shù)據(jù)的加工,也是統(tǒng)計分析的組成部分。但對于大數(shù)據(jù),由于新的網(wǎng)絡語言、新的信息內(nèi)容、新的數(shù)據(jù)表現(xiàn)形式不斷出現(xiàn),使得會產(chǎn)生哪些種類的信息、有哪些可以利用的分類標識、不同標識之間是什么關系、類與類之間的識別度有多大、信息與個體之間的對應關系如何等,都無法事先加以嚴格設定或控制,往往需要事后進行補充或完善。面對超大量的數(shù)據(jù),我們從何下手? 只能從數(shù)據(jù)本身入手,從觀察數(shù)據(jù)分布特征入手。這就需要采用不同的數(shù)據(jù)梳理與分類方法。否則,要想尋找到能有效開展數(shù)據(jù)分析的路徑是不可能的。因此根據(jù)大數(shù)據(jù)的特點,創(chuàng)新與發(fā)展數(shù)據(jù)的梳理與分類方法,是有效開展大數(shù)據(jù)分析的重要前提。這里需要強調(diào)的是,能否建立起能自動進行初步的數(shù)據(jù)梳理與分類的簡單模型? 因為從技術上講,我們已經(jīng)具備了一定的對大數(shù)據(jù)進行多次迭代建模的算法。
(四) 需要強化結構化數(shù)據(jù)與非結構化數(shù)據(jù)的對接研究
有效實現(xiàn)結構化數(shù)據(jù)與非結構化數(shù)據(jù)的對接,是數(shù)據(jù)概念拓展的必然結果。盡管大數(shù)據(jù)是超大量數(shù)據(jù),但大數(shù)據(jù)不能涵蓋所有的數(shù)據(jù),因此傳統(tǒng)意義上的結構化數(shù)據(jù)與大數(shù)據(jù)中的非結構化數(shù)據(jù)必將長期并存。大數(shù)據(jù)時代的來臨,使得數(shù)據(jù)收集、存儲與分析的能力大為增強,而且步伐越來越快,但出于針對性與安全性考慮,總有一些結構化數(shù)據(jù)要通過專門的方式去收集而不能依賴于公共網(wǎng)絡系統(tǒng)( 例如政府統(tǒng)計數(shù)據(jù),專題研究數(shù)據(jù)) 。這樣,如何既能有針對性地收集所需的結構化數(shù)據(jù),又能從大量非結構化數(shù)據(jù)中挖掘出有價值的信息,使兩者相輔相成、有機結合,就成了一個新的課題,值得探討的問題包括非結構化數(shù)據(jù)如何結構化或結構化數(shù)據(jù)能否采用非結構化的表現(xiàn)形式等。通過特定的方法,實現(xiàn)結構化數(shù)據(jù)與非結構化數(shù)據(jù)的轉(zhuǎn)化與對接是完全可能的。但要實現(xiàn)這種對接,必須要增強對各種類型數(shù)據(jù)進行測度與描述的能力,否則大數(shù)據(jù)分析就沒有全面牢固的基礎。如果說傳統(tǒng)的基于樣本數(shù)據(jù)的統(tǒng)計分析側(cè)重于推斷,那么基于大數(shù)據(jù)的統(tǒng)計分析需要更加關注描述。
(五) 需要轉(zhuǎn)變抽樣調(diào)查的功能
對于傳統(tǒng)的數(shù)據(jù)收集而言,抽樣調(diào)查是最重要的方式。盡管樣本只是總體中的很小一部分,但由于依據(jù)科學的抽樣理論,科學設計的抽樣調(diào)查能夠確保數(shù)據(jù)的精確度和可靠性。但抽樣調(diào)查畢竟存在著信息量有限、不可連續(xù)擴充、前期準備工作要求高等缺陷,很難滿足日益增長的數(shù)據(jù)需求。現(xiàn)在有了大數(shù)據(jù),我們應該利用一切可以利用的、盡量多的數(shù)據(jù)來進行分析而不是僅局限于樣本數(shù)據(jù)。但這是否意味著抽樣調(diào)查可以退出歷史舞臺呢? 筆者認為還為時過早,在信息化、數(shù)字化、物聯(lián)網(wǎng)還不能全覆蓋的情況下,仍然還有很多數(shù)據(jù)信息需要通過抽樣調(diào)查的方式去獲取。與此同時,盡管我們可以對大數(shù)據(jù)進行全體分析,但考慮到成本與效率因素,在很多情況下抽樣分析仍然是不錯的或明智的選擇。當然,抽樣調(diào)查也要適當轉(zhuǎn)變其功能以便進一步拓展其應用空間: 一是可以把抽樣調(diào)查獲得的數(shù)據(jù)作為大數(shù)據(jù)分析的對照基礎與驗證依據(jù); 二是可以把抽樣調(diào)查作為數(shù)據(jù)挖掘、快速進行探測性分析的工具———從混雜的數(shù)據(jù)中尋找規(guī)律或關系的線索。
(六) 需要歸納推斷法與演繹推理法并用
哲人培根說過“知識就是力量”。統(tǒng)計研究的任務就是為了發(fā)現(xiàn)新的知識,歸納法則是發(fā)現(xiàn)新知識的基本方法。因此,歸納推斷法成為最主要的統(tǒng)計研究方法,使得我們能夠從足夠多的個體信息中歸納出關于總體的特征。當然,歸納推斷的依據(jù)通常是樣本數(shù)據(jù),即在歸納出樣本特征的基礎上再推斷總體。對于大數(shù)據(jù),我們依然要從中去發(fā)現(xiàn)新的知識,依然要通過具體的個體信息去歸納出一般的總體特征,因此歸納法依然是大數(shù)據(jù)分析的主要方法。正如 C. R. 勞指出: “‘從數(shù)據(jù)中提取一切信息’或者‘歸納和揭示’作為統(tǒng)計分析的目的一直沒有改變!钡,大數(shù)據(jù)是一個信息寶庫,光重視一般特征的歸納與概括是不夠的,還需要分析研究子類信息乃至個體信息,以及某些特殊的、異常的信息———或許它( 們) 代表著一種新生事物或未來的發(fā)展方向,還需要通過已掌握的分布特征和相關知識與經(jīng)驗去推理分析其他更多、更具體的規(guī)律,去發(fā)現(xiàn)更深層次的關聯(lián)關系,去對某些結論做出判斷,這就需要運用演繹推理法。演繹法可以幫助我們充分利用已有的知識去認識更具體、細小的特征,形成更多有用的結論。只要歸納法與演繹法結合得好,我們就既可以從大數(shù)據(jù)的偶然性中發(fā)現(xiàn)必然性,又可以利用全面數(shù)據(jù)的必然性去觀察偶然性、認識偶然性、甚至利用偶然性,從而提高駕馭偶然性的能力。
(七) 需要相關分析與因果分析并重
《大數(shù)據(jù)時代》認為,我們只須從大數(shù)據(jù)中知道“是什么”就夠了,沒必要知道“為什么”,并且指出“通過給我們找到一個現(xiàn)象的良好的關聯(lián)物,相關關系可以幫助我們捕捉現(xiàn)在和預測未來”以及“建立在相關關系分析法基礎上的預測是大數(shù)據(jù)的核心”。毫無疑問,從超大量數(shù)據(jù)中發(fā)現(xiàn)各種真實存在的相關關系,是人們認識和掌控事物、繼而做出預測判斷的重要途徑,而大數(shù)據(jù)時代新的分析工具和思路可以讓我們發(fā)現(xiàn)很多以前難以發(fā)現(xiàn)或不曾注意的事物之間的聯(lián)系,因此大力開展相關分析是大數(shù)據(jù)時代的重要任務。但是,我們僅僅停留于知道“是什么”是不夠的,還必須知道“為什么”,正所謂“既要知其然,更要知其所以然”,只有這樣才能更好地理解“是什么”———為什么需要把手電筒與蛋撻放在一起。只有知道原因、背景的數(shù)據(jù)才是真正的數(shù)據(jù)。因此探求“是什么”背后的原因始終是人類探索世界的動力,因果分析是人類永恒的使命。哲學家德謨克利特早就指出: “與其做波斯國王,還不如找到一種因果關系!比绻覀冎恢老嚓P關系而不知道因果關系,那么數(shù)據(jù)分析的深度只有一半,一旦出現(xiàn)問題或疑問就無從下手。而如果我們知道了因果關系,就可以更好地利用相關關系,就可以更好地掌握預測未來的主動權,就可以幫助我們更科學地進行決策。當然,因果分析是困難的,正因為困難,所以要以相關分析為基礎,要更進一步利用好大數(shù)據(jù)。相關分析與因果分析不是互相對立的,而是互補的,兩者必須并重。
(八) 需要統(tǒng)計技術與云計算技術融合
盡管用于收集和分析數(shù)據(jù)的統(tǒng)計技術已相對成熟、自成體系,但其所能處理的數(shù)據(jù)量是有限的,面對不可同日而語的大數(shù)據(jù)、特別是其中大量的非結構化數(shù)據(jù),恐怕單憑一己之力是難以勝任的,只能望“數(shù)”興嘆。首先遇到的問題就是計算能力問題,這就要求我們在不斷創(chuàng)新與發(fā)展統(tǒng)計技術的同時,還要緊緊依靠現(xiàn)代信息技術、特別是云計算技術。云計算技術主要包括虛擬化、分布式處理、云終端、云管理、云安全等技術,或者說以編程模型、數(shù)據(jù)存儲、數(shù)據(jù)管理、虛擬化、云計算平臺管理等技術最為關鍵。借助云計算技術可以將網(wǎng)格計算、分布式計算、并行計算、效用計算、網(wǎng)絡存儲、虛擬化、負載均衡等傳統(tǒng)計算機技術與現(xiàn)代網(wǎng)絡技術融合起來,把多個計算實體整合成一個具有強大計算能力的系統(tǒng),并借助 SaaS、PaaS、IaaS、MSP 等商業(yè)模式把它分布到終端用戶手中。云計算的核心理念就是不斷提高“云”處理能力來減少用戶終端的處理負擔,使用戶終端簡化成一個單純的輸入輸出設備,并能按需享受強大的“云”計算處理能力?梢,統(tǒng)計技術與云計算技術的融合是一種優(yōu)勢互補,只有這樣統(tǒng)計技術才能在大數(shù)據(jù)時代一展身手、有所作為,才能真正把統(tǒng)計思想在數(shù)據(jù)分析中得到體現(xiàn),實現(xiàn)統(tǒng)計分析研究的目的。
數(shù)據(jù)創(chuàng)造統(tǒng)計,流量創(chuàng)新分析。由于各個應用領域的不斷變化,特別是數(shù)據(jù)來源與類型的不斷變化,使得統(tǒng)計學還難以成為一門真正成熟的科學。因此,在數(shù)據(jù)分析的世界里,不斷提高駕馭數(shù)據(jù)的能力是統(tǒng)計學發(fā)展的終身動力。
文章熱詞: 大數(shù)據(jù)管理專題; ·大數(shù)據(jù) ·統(tǒng)計新思維作者:不詳;上傳用戶:minghao;上傳時間:2016-6-17;來源:360大數(shù)據(jù)