数据分析之统计学（贾俊平）学习笔记二

2.1 数据的来源

2.1.1 数据的间接来源

如果与研究内容有关的原信息已经存在，我们只是对这些原信息重新加工，整理，使之成为我们进行统计分析可以使用的数据，则把它们称为间接来源的数据。如统计部门和各级政府公布的有关资料，各类信息中心，调查机构的数据，各种经营活动过程中的统计报表等。

相对而言，这种二手资料的搜集比较容易，采集数据的成本低，并且能很快得手。但二手资料也有很大的局限性，研究者使用二手资料要保持谨慎的态度。在使用二手资料之前，对二手资料进行评估是有必要的。

对二手资料进行评估可以考虑如下一些内容：

（1）资料是谁搜集的？这主要是考察数据搜集者的实力和社会信誉度。例如，对于全国性的宏观数据，与某个专业的调查机构相比，政府有关部门公布的数据可信度更高。

（2）为什么目的而搜集？为了某个集团的利益而搜集的数据是值得怀疑的。

（3）数据是怎样搜集的？数据的质量来源于数据的产生过程，如果不了解搜集数据所用的方法，则很难对数据的质量做出客观的评价。

（4）什么时候搜集的？过时的数据，其说服力自然受到质疑。

使用二手数据，要注意数据的定义、含义、计算口径和计算方法，避免错用、误用、滥用。在引用二手数据时，应注明数据的来源，以尊重他人的劳动成果。

2.1.2 数据的直接来源

通过自己的调查或实验活动，直接获得的第一手数据，对此我们称为数据的直接来源。

二手数据虽然搜集方便，但对一个特定的研究问题而言，二手资料的主要弱点是针对性不够，所以仅仅靠二手数据还不能回答研究所提出的问题，这时就要通过调查和实验的方法直接获得一手资料。我们把通过调查方法获得的数据称为调查数据，把通过实验方法获得的数据称为实验数据。

调查通常是针对社会现象而言的。例如，社会学家通过搜集有关人的数据以了解人类行为。调查数据通常取自有限个体。如果调查针对总体中的所有个体单位进行，就把这种调查称为普查。普查数据具有信息全面、完整的特点，对普查数据的全面分析和深入挖掘是统计分析的重要内容。但是，总体比较大时，进行普查耗时耗力成本高，因此普查不能经常进行。

实验大多是对自然现象而言的。例如，农学家通过实验了解水分、温度对农作物产量的影响。

2.2 调查数据

2.2.1 概率抽样和非概率抽样

在数据采集过程中，统计学家面临的一个关键问题是如何抽选出一个好的样本。好的样本都是相对而言的，相对包括两方面的含义：一个含义是针对研究的方面而言的。不同的研究问题，对样本的要求会有所差别，对某一研究问题，这可能是一个不错的样本，对另一个研究问题，这个样本可能是糟糕的。另一个含义是针对调查费用与估计精度的关系而言的。进行数据搜集要投入一定的费用并希望获得更多的高质量数据，但这两者往往是有矛盾的，一个好的样本应具有最好的性价比。在研究者中，我们对估计结果的精度要求是可以有差别的，有些数据相对而言不太重要，放松精度节省费用是一个不错的选择。

使用抽样采集数据的具体方式有许多种，可以将这些不同的方式分为两类：概率抽样和非概率抽样。

<