经验分享：如何有效地分析一份数据-NG28南宫28NG相信品牌力量检测

资源中心: 测试申请表; 技术期刊; 培训中心; 南宫28NG相信品牌力量学堂南宫28NG相信品牌力量学堂

陈诉查验

加入我们: 人才政策; 招贤纳士

新闻资讯

首页 > 关于南宫28NG相信品牌力量 > 新闻资讯 > 行业快讯 > 新闻详情

经验分享：如何有效地分析一份数据

宣布时间：2019-01-07 浏览次数：1651

文章来源：“小白学统计”公众号。
如何有效地分析一份数据。这个题目很大，然而也正是很多非统计学专业（可能也包罗一些统计学专业人员）不知如何下手的问题。当拿到一份数据，到底从哪儿入手开始分析。什么是第一步？有没有牢固步骤？或者说，数据分析到底有没有什么宝典？我们就来谈谈这个问题。

首先，数据分析绝对没有一个牢固的步骤，一定要先干什么，再干什么，等等。没有这回事。具体在软件操作上，我们可能并无差异，我会用SAS做t检验，你会用SPSS做t检验，本质上并无差异。真正差异的，不是软件操作，而是软件操作之前的思路。

我下面要说的内容，只是个人的十多年分析经验总结，但你千万不要把它看做是一个放之四海而皆准的分析套路。所谓思路，那就是没有什么牢固套路，只是参考和借鉴。而且，我介绍的这些，肯定也不全，几乎不行能一篇文章面面俱到，把所有的分析思路都介绍清楚。只希望能对列位朋友在差异角度上有所资助。

第一步要考虑的，我个人认为，一定是研究目的。

所有的统计分析都是围绕目的而执行，偏离了研究目的，分析的要领再高级，那也是南辕北辙。差异的目的，需要考虑差异的要领。

例如，你要做两组比力（例如，两种药物的血糖变化值有无差异），还是要做两个变量有无关联（好比血糖值和血压值的关联），或者想做综合评价（如凭据多个指标评价哪家医院更好）。这都需要选择纷歧样的要领，组间比力可能最简单的方差分析就可以，综合评价可能需要用到主身分分析等更为庞大的要领。

第二步，要考虑指标的类型。

这里的指标包罗分析指标因变量，也包罗影响因素自变量。虽然，并非所有分析都这么划分为因变量和自变量。有的可能只有分析指标，而无影响因素。

如果你有明确的结局，然后有一个或多个可能跟结局有关的指标，那就可以按因变量和自变量的要领来分析。大多数的这种情形都可以考虑广义线性模型。它包罗了几乎绝大多数的有结局和影响因素的分析场景。例如，结局是连续资料，可以考虑线性回归等；结局是分类资料，可以考虑logistics回归等。

可能有人会说，那t检验、卡方检验这些在哪儿呢？其实这些都可以看做是单因素分析而已。t检验，只是一个自变量是二分类、因变量是连续变量的回归模型而已。好比比力男女之间身高有无差异，身高就是因变量（结局），性别就是自变量（因素），所谓比力男女之间有无差异，实际上就是说，性别对身高有无影响。其实一回事�？ǚ郊煅橐嗍侨绱�。

所以，几乎所有的统计分析要领，都跟变量类型有关，都需要凭据变量的类型来选择差异的要领。好比，如果结局指标是连续变量，那可以考虑的要领包罗（但不限于）：t检验、方差分析、协方差分析、线性回归、秩和检验、中位数回归等等，凭据自变量的类型、因变量是否听从正态漫衍等多个因素来考虑选择。

但是还有一些分析数据，是不区分所谓的因变量和自变量的，都是分析指标，比力常见的如主身分分析、聚类分析、相关分析、因子分析等等。这些分析要领不是为了研究某些因素对结局的影响，而只是针对分析指标凭据差异目的进行一定的分析。
例如，主身分分析通常是为了把多个分析指标综合成较少的几个指标；聚类分析通常是为了凭据几个指标把人群归为几类；因子分析通常是为了寻找支配外貌指标的背后因素。这些要领一般称为多元要领，“元”一般是指因变量，这些都是多因变量的要领。
而前面说的线性回归、logistics回归等，通常都是单个因变量，多个自变量，因此算不上多元要领，更确切地说是多因素的分析要领。

第三步，具体问题具体分析。

可能你会说，这算什么步骤。然而，实际的情况是，真正到了数据分析过程中，往往就是具体问题具体分析。

凭据前面提到的目的和数据类型，你基本上可以确定一定范围的几种要领。有时可能就确定了某一种要领了。然而再利用这种要领进行分析的时候，仍需要一些思路的指导。

凭据我个人的分析领域和分析经验，在医学统计学中，大多数的分析要领（并非全部）可以归为两大类：一是有结局也有影响因素的；二是只有结局没有影响因素的。这里面又以有结局有影响因素的更为常见。

对于有结局有影响因素的这类数据，大多数的目的都是为了寻找结局主要受哪些因素影响。因此这里主要是基于这种目的再来说一下分析思路。

想要说明某一自变量是否对结局有影响，至少需要回答三个问题：

（1）是不是有影响？

（2）有什么样的影响？（线性影响，还是非线性的）

（3）影响有多大？

某一自变量是不是对结局有影响（例如，收缩压的崎岖是不是对血糖值有影响），这是个定性问题，要回答这个问题，基本上P值可以说明一些问题。P值可以告诉我们，这种影响是不是偶然造成的，还是一种真实存在的现象。

然而，仅回答“是不是有影响”，这是远远不够的。好比，你可以说，吸烟有害健康，这是定性问题。然而，吸烟对健康的危害到底有多大，这是个定量问题。这才是各人更体贴的。因此还需要考虑这种影响到底有多大。

影响有多大，可以通过统计软件中的“参数预计值”来说明。好比，我们常说的回归系数、两组比力的均值差值，这都是参数预计值，他们可以说明这种影响有多大。例如，体重对收缩压的参数预计值是0.1，说明体重每增加一公斤，收缩压增加0.1；男女的身高差值是0.2，说明性别从女到男之间的差异是0.2。这可以定量说明影响有多大。

现在看来，似乎定性和定量都回答完了。事实上，很多人也就做到这一步就完了。然而，其实还有更重要的一个要回答的问题是：“有什么样的影响”。

回答影响因素的模型，大多数是回归模型，而回归模型中，大多数又都是基于这样一个假设：自变量和因变量（或者因变量的变形）是线性关系。不得不说，很多人基础无视这个假设，从而导致很多分析结果其实都是错误的。究竟，现实中有几多关系是线性的呢？其实很多可能都是非线性的。这就是要回答的重要问题“有什么样的影响”，到底是线性的影响，还是非线性的影响。

遗憾的是，关于这个至关重要的问题，却只有少数人能回答。凭据我个人的经历，大多数人（包罗很多统计学家）是不考虑这个问题的。也许，不是不考虑，而是没有考虑到，或者，不知道该怎么考虑。

关于“有什么样的影响”，有些可以通过简单的散点图就可以发现，有的则更为庞大，一眼看不出来，可能需要像广义可加模型、样条回归、核平滑等多种技术协助探索。这可能需要专业的统计学家才气完成。然而，这也是体现专业和非专业的非常要害的一点：能不能真正帮你找到数据规律。

总的来说，要真正形成自己的分析体系，一定要先掌握种种要领，然后把这些要领之间的关系搞清楚，抽丝剥茧，提炼升华。这是一个由粗到细，再到粗的一个过程。只有细致深入，真正理解，才气掌握重点，提炼出大略的枝干。
只有了解足够多的要领，在考虑要领选择的时候才气做到“胸有成竹”，从多种要领中选择最合适的，否则你只会一种要领，就只能局限于这种要领，无法进行选择。虽然可能最后的结果都一样，都用了同一种要领，但是过程却差异。你可能是不会此外要领，只能用这种；而我是考虑了多种要领后，认为这种最为合适，主动选择了这种要领。

返回列表