对数据的解释:基础知识
当您拥有有关您的业务或项目的所有这些信息时,您会用它做什么?这就是数据解释进入的地方。它旨在帮助统计或编程技能有限的人迅速成熟在越来越多的数字化工作场所。
数据分析和解释是为收集的信息分配意义并确定结果的结论,意义和含义的过程。数据分析中涉及的步骤是收集的信息类型的函数,但是,返回评估的目的,评估问题将为数据组织和分析的重点提供结构。
数值与叙事 - 定量与定性
数值(定量)数据分析以数学术语表示。最常见的统计条款包括:
- 平均值 - 平均分数表示一组响应的数值平均值。对于数据集,术语算术平均值,数学期望,以及有时平均值是同义地用于指的是离散的数字集的中心值:具体地,值的总和除以值数。如果数据集基于通过从统计群取样获得的一系列观察,则算术平均值被称为样本意味着将其与人口区分开。
- 标准偏差 - 标准偏差表示围绕平均值的响应的分布。它表示响应之间的一致性程度。标准偏差与平均值结合,提供了更好地了解数据。例如,如果平均值为3.3,标准偏差(STD)为0.4,则响应的三分之二在2.9(3.3 - 0.4)和3.7之间(3.3 + 0.4)。
- 频率分配 - 频率分布表示每个响应的频率。例如,如果受访者使用同意/不同意规模回答问题,则会指出选择对规模上的每个响应的受访者的百分比。频率分布提供超出平均值的附加信息,因为它允许检查数据之间的共识水平。
- 可以在数据上进行更高水平的统计分析(例如,T检验,因子分析,回归,ANOVA),但在大多数计划/项目评估中,这些都不会经常使用。
通过将数据组织成共同主题或类别来进行叙述(定性)数据的分析。解释叙事数据通常更难以解释,因为它缺乏在数值数据中发现的内置结构。最初,叙述数据似乎是一个随机的未连接语句的集合。评估目的和问题可以帮助指导数据组织的重点。在分析叙述数据时,以下策略也可能有用。
- 焦点小组和访谈:
读取并分别从每个问题组织数据。这种方法允许一次关注一个问题(例如,辅导服务的经验,导师的教师的特征,辅导过程中的学生责任)。通过主题,主题或类别进行评论。这种方法允许一次聚焦在一个区域(例如,导师的特征 - 准备水平,内容区域的知识,可用性)。
- 文件
文档的代码内容和特征分为各类类别(例如,培训手册 - 政策和程序,沟通,职责)。此方法可让您的信息组织,并在您时可以轻松访问
- 观察
从观察的重点(例如,行为模式 - 从事/不参与活动,参与类型,通信,人际关系技巧的时间量。
数据解释与分析技术
分析数据通过统计措施和/或叙述主题应提供评估问题的答案。从适当的透视中解释分析的数据允许确定评估的重要性和含义。
数据分析是一种检测,清理,转换和建模数据的过程,其目标是发现有用的信息,建议结论和支持决策。数据分析具有多个方面和方法,包括不同商业,科学和社会科学域名的各种名称下的多样化技术。
数据挖掘是一种特定的数据分析技术,专注于对预测而不是纯粹描述性目的的建模和知识发现。商业智能涵盖了依赖于聚合的数据分析,重点是商业信息。在统计应用中,一些人将数据分析分为描述性统计,探索性数据分析(EDA)和确认数据分析(CDA)。EDA侧重于发现数据和CDA中的新功能,确认或伪造现有假设。预测分析侧重于应用统计或结构模型的预测预测或分类,而文本分析适用于统计,语言和结构技术来提取和分类文本源的信息,这是一个非结构化数据的物种。所有这些都是数据分析的品种。
一些数据解释和分析提示
- 考虑来自各种观点的数据。无论您的项目可能是什么,无论您从您的业务中收集的任何数据,它总是最好地询问各种行动者或参与者的数据意味着什么。
- 思考超越数据,但不会偏远地偏远。注意你没有做出太多的数据或太少。使数据与解释之间的链接清楚。基于您的研究中的解释。
- 可以看到影响您解释的假设和信仰或心理模型。我们每个人都携带图像,假设和故事,了解我们自己,其他人,我们工作的组织等作为综合,他们代表了我们对我们世界的看法。因为这些模型通常是不明测的,即,低于我们的认识水平,如果留下未审查,这些假设和信仰可能会导致错误的解释。反思自己的思考和推理。单独和/或集体列出您关于查询重点的假设。
- 注意不要忽视似乎是例外的偏远数据或数据。
- 令人惊讶,矛盾或令人费解的数据可能导致有用的见解(Insites.org)