【译&学】数据分析手册学习04：数据分析过程 - 七大要素简要说明

数据分析手册翻译及读后感， 英文原版资料可下载：introduction to data analysis handbook

---

数据分析过程要素：

•目的 Purpose
•问题 Questions
•数据收集 Data Collection
•数据分析程序和方法 Data Analysis Procedures and Methods
•解释/确定调查结果 Interpretation/Identification of Findings
•写作、报告和传播 Writing, Reporting, and Dissemination
•评价 Evaluation

1. 目的 Purpose(s)：

我们该怎么办？为什么？

有效的数据分析过程基于组织的性质和任务，以及负责为项目目的收集和使用数据的团队的技能。最重要的是，一个有效的数据分析过程是功能性的——也就是说，它是有用的，并为组织服务和个人实践增加了价值。在某些情况下，数据分析过程甚至可以被认为是有趣的。

正如您所知，领先项目绩效标准（Head Start Program Performance Standards，HSPP）是项目运作的基本框架。此外，先发制人计划的运作受其他联邦和州法规、当地许可要求、社区因素和机构目标/任务的指导。因此，数据分析过程中的一个初步步骤是选择和培训一个团队来执行该过程（参见第四节，讨论“谁应该在桌子上？”）。

由于HSPP提供了项目服务的最低标准，并为各种内容领域的实施提供了指导，因此数据收集和分析过程应符合这些和其他法规。更具体地说，这些标准是数据分析过程第一步的基础——形成一个或多个待检查的具体问题。

2. 问题 Question(s):

我们想知道什么？

在进行有效的数据收集或分析程序之前，应制定一个或多个具体问题。这些问题是制定决策的有组织方法的基础：首先，关于收集什么数据；第二，关于对数据使用哪种类型的分析。

有些问题是封闭式的，因此相对简单，例如，“我们的计划去年是否达到了为残疾儿童服务的10%的要求”？其他问题是高度开放的，例如：“我们如何才能更好地让家长参与？”在第一种情况下，问题只有两种可能的答案：“是”或“否”。在第二种情况下，问题的可能答案可能包括许多相关信息。项目工作人员在工作过程中面临的许多现实问题介于这两个极端之间。

不同类型的问题需要不同类型的数据，这在收集数据方面会有所不同。在任何情况下，选择一个或多个特定问题都可以继续进行数据收集和分析。根据问题的性质和范围（即问题中包含的内容），计划可以创建一个计划来管理和组织流程中的下一步——数据收集。最后，通过在过程开始时制定具体问题，项目也能够培养未来评估其数据分析过程的技能。

3. 数据收集 Data Collection

除了作为更大整体的一部分之外，数据收集本身也是一个过程。

数据有许多不同的类型（见第三节中的讨论），可以从各种来源收集，包括：
•观察
•调查表
•访谈
•文件
•测试
•其他
因此，仔细选择被审查的问题的价值是非常重要的：问题的措辞是有效的数据收集计划的基础。我们敦促项目为数据收集制定具体的规划流程（无论多么简短），以避免收集流程中的常见陷阱，包括：
•数据太少，无法回答问题；
•比回答问题所需的数据更多；和/或
•与回答问题无关的数据。

4. 数据分析 Data Analysis

我们的结果是什么？

一旦收集到数据，下一步就是查看并确定发生了什么——换句话说，就是分析数据。在这里，我们更狭义地称之为“数据分析”：作为一组程序或方法，可应用于已收集的数据，以获得一组或多组结果。下文列出了具体的分析程序和方法。

由于存在不同类型的数据，因此数据分析可以在不同的层次上进行。问题的措辞，结合收集的实际数据，对可使用的程序以及效果有影响。

将一个或多个分析程序或方法与收集的数据相匹配的任务通常涉及大量的思考和思考。正如美国政府问责局(GAO)的一份报告所说，“平衡分析备选方案需要运用相当大的判断力。”这是一种相当优雅的方式，可以说在许多情况下没有简单的答案。

5. 解释 Interpretation

结果意味着什么？

一旦从数据中获得了一组结果，我们就可以对结果进行解释。

在某些情况下，数据分析的结果不言自明。例如，如果一个项目的教学人员都拥有学士学位，那么该项目可以报告他们的教师100%都有资格。在这种情况下，结果和数据的解释（几乎）相同。

然而，在许多其他情况下，数据分析的结果和对这些结果的解释并不相同。例如，如果一个项目报告其30%的教师拥有AA学位，那么对这一结果的解释就不那么明确了。

在这种情况下，数据的解释包括两部分：1）呈现分析结果；2）提供额外信息，使其他人能够理解结果的含义。换句话说，我们将结果放在相关信息的上下文中。显然，口译既涉及决策，也涉及良好判断的运用！我们使用“结果”一词来指通过使用 分析程序。我们使用“调查结果”一词来指数据分析团队认为最能代表其工作的结果。换句话说，团队可能会产生大量的结果，但会记录、报告和传播少量的结果。

最后，必须指出，两名观察员可以合法地对同一组数据及其结果作出不同的解释。虽然这个问题没有简单的答案，但最好的方法似乎是预测在数据分析过程中可能会出现分歧。随着项目发展其数据分析技能，鼓励他们创建一个能够实现双重目标的过程：

1. 获得关于如何解释给定结果集的各种观点；
2. 制定程序或方法，以解决有关解释的争议或分歧。

6. 写作、报告和传播 Writing, Reporting, and Dissemination

我们该怎么说？我们如何讲述数据的故事？

一旦数据得到分析和解释，程序就面临着决定如何编写、报告和/或传播调查结果的下一个任务。

虽然本手册的目的不是为写作和报告提供指导，但我们可以提供一些基本建议。

首先，好的写作是按逻辑顺序提供信息的。反过来，好的作家是有策略的——他们使用各种策略来组织他们的写作。一种策略是明确书面工作的目的。这有助于构建写作结构的呈现和发展框架。

第二，好的写作要考虑读者。因此，好的作家往往会指定谁是他们的读者，以塑造他们的作品。

最后一个想法是将写作/报告任务视为讲述您收集、分析和解释的数据故事的机会。从这个角度来看，本文旨在告知其他人您——数据分析团队——刚刚发现了什么。

7. 评价 Evaluation

关于数据分析过程，我们学到了什么？
数据分析过程的最后一步是评估。这里，我们不是指进行项目评估，而是指对数据分析过程的前面步骤进行评估。在这里，项目工作人员可以回顾和反思：

• 目的：数据分析过程是否符合联邦标准和其他相关法规？
• 问题：问题的措辞是否符合联邦标准、其他法规和组织宗旨？这些问题是否有效地指导了数据的收集和分析？
• 数据收集：数据收集计划的效果如何？是否有足够的时间获得必要的信息？是否使用了无效的数据源？是否存在未使用的其他数据源？团队收集的数据是太少还是太多？
• 数据分析程序或方法：选择了哪些程序或方法？这些是否符合目的和问题？是否有其他程序或方法可在未来使用？
• 结果的解释/识别：解释过程的工作情况如何？使用了哪些信息来解释结果？其他相关信息是否未用于解释？团队成员是否对数据的解释存在分歧，或者是否存在共识？
• 写作、报告和传播：文章在多大程度上讲述了数据的故事？目标受众是否认为信息展示有效？

有关如何评估数据分析过程的检查表，请参见附录C。第五节将引导您使用上述所有流程组件浏览几个内容示例。

总之，数据分析是一个过程：一系列相互关联的活动，旨在从收集的数据中获取有意义的信息。如图所示，过程可以以不同的方式（线性或循环）进行概念化。然而，我们坚信，如果将这一进程的每一个组成部分都包括在内，任何一种方法都是有效的。反过来，流程的每一部分都基于决策。过程的每个阶段包括决策制定；做出的决定将影响流程的其余阶段。

---

以上，数据分析分为七步，简化第六步为Report，按首字母记忆法是: PQDDIRE