做数据分析为何要学统计学（0）——如果提高数据样本质量

样本是数据分析的关键，直接影响研究成果质量。如果样本质量不高，即使使用再好的分析方法，也无法得出理想的结论。所以数据学科圈里有句名言“数据比方法更重要”。所以如何提高数据样本的质量是保证研究成果质量的第一步，虽然这一点在现实中往往被忽视。追求新方法的热情远远高于准备数据，而这种现象对科学研究来说，极为有害。

提高数据样本质量是一项极为传统的技术活，确实没有太多值得圈点的地方。但高水平的研究成果都会以很大的篇幅描述数据的构成及获得过程，以些来突出研究工作的真实性、可靠性、科学性。比较典型的是，一篇优秀的学术论文，Data、Method和Discussion是最核心的部分。

如何提高数据样本质量？我们可以从样本产生的各各环节下手，找出影响样本质量的关键活动，有的放矢地解决这个问题。

首先是确保数据采集的准确性与可靠性，也就是如何降低数据误差。任何项目的检测都不可能是绝对准确的，测得值与真实值之间总是或多或少的存在着差别，即误差。采样过程必需要尽量降低数据误差。根据误差产生的原因，我们可以将误差分为系统误差、随机误差和过失误差三种情况。

• 系统误差是由测量工具不精确和测量方法选择不当造成的。这类误差我们可以通过校准工具或者选择更合适的测量方法来消除；
• 随机误差是由环境因素等外部不可控原因导致的，如温度、湿度、压力、电磁干扰等。无法预防，也无法从根本上消除。只有通过多闪重复实验来尽可能降低随机误差的比例；
• 过失误差是由操作人员的不履行正确采集操作规程、工作不认真甚至造假等人为因素造成的。这种误差是可以通过员工培训或管理手段避免的。

其次是采用科学的抽样方法。所谓抽样就是从样本集合中选取一定数量的样本。抽样一是为了降低数据分析的工作量，二是消除人为干预数据供应的情况，同时还可以降低随机误差的不良影响。科学的抽样会显著提高样本代表总体的水平。一般常用的方法包括单纯随机抽样、系统抽样和分层抽样。

• 单纯随机抽样。采用无放回的形式，随机抽取样本集合中的样本，直到达数量要求为止。这种抽样操作简便，公平性强，但不适合大样本集合，容易造成样本分布局部化，降低样本代表总体的水平；
• 系统抽样。首先将样本集合平均分为m组（m为采样数量），然后对每一组进行单纯随机抽样。该方法适合大样本，能够弥补单纯随机抽样局化的缺陷。但是对于数据按顺序有周期特征或单调递增（或递减）趋势特征时，将会产生明显的偏性。
• 分层抽样。先对样本集合根据样本的某种属性进行分组，然后在每组内按等比方式抽样。比如某高校要对学生体BMI监测，一共要抽取300人。该校有男生12000人，女生18000人。于是我们可以将学生分为男生组与女生组，然后按比例从男生中使用随机抽样或系统抽样方法选择120人，女生中选择180人。该方法适合为明显个体特征（如年龄、性别、职业等）的大样本，样本代表性较好，抽样误差较小。缺点是操作更复杂。

有研究指出以上三种抽样方法，分层抽样误差相对最小，单纯随机抽样误差相对最大。不过在计算机的帮助下，抽样工作量已经可以忽略不计，在数据量已经不是问题的前提下，尽量选择低误差的抽样方法是样本质量的重要保障。