數據分析方法

　　在今天的各類型企業中，數據分析崗位已經基本得到普及和認可，這個崗位的核心任務往往是支撐運營和營銷，將企業內部的數據，客戶的數據進行分析和總結，形成以往工作情況的量化表現，以及客戶的行為趨勢或特征等。那數據分析方法有哪些？

　　描述統計

　　描述性統計是指運用制表和分類，圖形以及計筠概括性數據來描述數據的集中趨勢、離散趨勢、偏度、峰度。

　　1、缺失值填充：常用方法：剔除法、均值法、最小鄰居法、比率回歸法、決策樹法。

　　2、正態性檢驗：很多統計方法都要求數值服從或近似服從正態分布，所以之前需要進行正態性檢驗。常用方法：非參數檢驗的K-量檢驗、P-P圖、Q-Q圖、W檢驗、動差法。

　　假設檢驗

　　1、參數檢驗

　　參數檢驗是在已知總體分布的條件下（一股要求總體服從正態分布）對一些主要的參數(如均值、百分數、方差、相關系數等）進行的檢驗 。

　　1）U驗   使用條件：當樣本含量n較大時，樣本值符合正態分布

　　2）T檢驗 使用條件：當樣本含量n較小時，樣本值符合正態分布

　　A單樣本t檢驗：推斷該樣本來自的總體均數μ與已知的某一總體均數μ0 (常為理論值或標準值)有無差別；

　　B  配對樣本t檢驗：當總體均數未知時，且兩個樣本可以配對，同對中的兩者在可能會影響處理效果的各種條件方面扱為相似；

　　C 兩獨立樣本t檢驗：無法找到在各方面極為相似的兩樣本作配對比較時使用。

　　2、非參數檢驗

　　非參數檢驗則不考慮總體分布是否已知，常常也不是針對總體參數，而是針對總體的某些一股性假設（如總體分布的位罝是否相同，總體分布是否正態）進行檢驗。

　　適用情況：順序類型的數據資料，這類數據的分布形態一般是未知的。

　　A 雖然是連續數據，但總體分布形態未知或者非正態；

　　B 體分布雖然正態，數據也是連續類型，但樣本容量極小，如10以下；

　　主要方法包括：卡方檢驗、秩和檢驗、二項檢驗、游程檢驗、K-量檢驗等。

　　信度分析

　　檢査測量的可信度，例如調查問卷的真實性。

　　分類：

　　1、外在信度：不同時間測量時量表的一致性程度，常用方法重測信度

　　2、內在信度；每個量表是否測量到單一的概念，同時組成兩表的內在體項一致性如何，常用方法分半信度。

　　列聯表分析

　　用于分析離散變量或定型變量之間是否存在相關。

　　對于二維表，可進行卡方檢驗，對于三維表，可作Mentel-Hanszel分層分析。

　　列聯表分析還包括配對計數資料的卡方檢驗、行列均為順序變量的相關檢驗。

　　相關分析

　　研究現象之間是否存在某種依存關系，對具體有依存關系的現象探討相關方向及相關程度。

　　1、單相關： 兩個因素之間的相關關系叫單相關，即研究時只涉及一個自變量和一個因變量；

　　2、復相關 ：三個或三個以上因素的相關關系叫復相關，即研究時涉及兩個或兩個以上的自變量和因變量相關；

　　3、偏相關：在某一現象與多種現象相關的場合，當假定其他變量不變時，其中兩個變量之間的相關關系稱為偏相關。

　　方差分析

　　使用條件：各樣本須是相互獨立的隨機樣本；各樣本來自正態分布總體；各總體方差相等。

　　分類

　　1、單因素方差分析：一項試驗只有一個影響因素，或者存在多個影響因素時，只分析一個因素與響應變量的關系

　　2、多因素有交互方差分析：一頊實驗有多個影響因素，分析多個影響因素與響應變量的關系，同時考慮多個影響因素之間的關系

　　3、多因素無交互方差分析：分析多個影響因素與響應變量的關系，但是影響因素之間沒有影響關系或忽略影響關系

　　4、協方差分祈：傳統的方差分析存在明顯的弊端，無法控制分析中存在的某些隨機因素，使之影響了分祈結果的準確度。協方差分析主要是在排除了協變量的影響后再對修正后的主效應進行方差分析，是將線性回歸與方差分析結合起來的一種分析方法，

　　回歸分析

　　分類：

　　1、一元線性回歸分析：只有一個自變量X與因變量Y有關，X與Y都必須是連續型變量，因變量y或其殘差必須服從正態分布。

　　2、多元線性回歸分析

　　使用條件：分析多個自變量與因變量Y的關系，X與Y都必須是連續型變量，因變量y或其殘差必須服從正態分布 。

　　1）變呈篩選方式：選擇最優回歸方程的變里篩選法包括全橫型法（CP法）、逐步回歸法，向前引入法和向后剔除法

　　2）橫型診斷方法：

　　A 殘差檢驗： 觀測值與估計值的差值要艱從正態分布

　　B 強影響點判斷：尋找方式一般分為標準誤差法、Mahalanobis距離法

　　C 共線性診斷：

　　·診斷方式：容忍度、方差擴大因子法(又稱膨脹系數VIF)、特征根判定法、條件指針CI、方差比例

　　·處理方法：增加樣本容量或選取另外的回歸如主成分回歸、嶺回歸等

　　3、Logistic回歸分析

　　線性回歸模型要求因變量是連續的正態分布變里，且自變量和因變量呈線性關系，而Logistic回歸模型對因變量的分布沒有要求，一般用于因變量是離散時的情況

　　分類：

　　Logistic回歸模型有條件與非條件之分，條件Logistic回歸模型和非條件Logistic回歸模型的區別在于參數的估計是否用到了條件概率。

　　4、其他回歸方法 非線性回歸、有序回歸、Probit回歸、加權回歸等

　　聚類分析

　　樣本個體或指標變量按其具有的特性進行分類，尋找合理的度量事物相似性的統計量。

　　1、性質分類：

　　Q型聚類分析：對樣本進行分類處理，又稱樣本聚類分祈 使用距離系數作為統計量衡量相似度，如歐式距離、極端距離、絕對距離等

　　R型聚類分析：對指標進行分類處理，又稱指標聚類分析 使用相似系數作為統計量衡量相似度，相關系數、列聯系數等

　　2、方法分類：

　　1）系統聚類法： 適用于小樣本的樣本聚類或指標聚類，一般用系統聚類法來聚類指標，又稱分層聚類

　　2）逐步聚類法 ：適用于大樣本的樣本聚類

　　3）其他聚類法 ：兩步聚類、K均值聚類等

　　判別分析

　　1、判別分析：根據已掌握的一批分類明確的樣品建立判別函數，使產生錯判的事例最少，進而對給定的一個新樣品，判斷它來自哪個總體

　　2、與聚類分析區別

　　1）聚類分析可以對樣本逬行分類，也可以對指標進行分類；而判別分析只能對樣本

　　2）聚類分析事先不知道事物的類別，也不知道分幾類；而判別分析必須事先知道事物的類別，也知道分幾類

　　3）聚類分析不需要分類的歷史資料，而直接對樣本進行分類；而判別分析需要分類歷史資料去建立判別函數，然后才能對樣本進行分類

　　3、進行分類 ：

　　1）Fisher判別分析法 ：

　　以距離為判別準則來分類，即樣本與哪個類的距離最短就分到哪一類， 適用于兩類判別；

　　以概率為判別準則來分類，即樣本屬于哪一類的概率最大就分到哪一類，適用于

　　適用于多類判別。

　　2）BAYES判別分析法 ：

　　BAYES判別分析法比FISHER判別分析法更加完善和先進，它不僅能解決多類判別分析，而且分析時考慮了數據的分布狀態，所以一般較多使用；

　　主成分分析

　　將彼此梠關的一組指標變適轉化為彼此獨立的一組新的指標變量，并用其中較少的幾個新指標變量就能綜合反應原多個指標變量中所包含的主要信息 。

　　因子分析

　　一種旨在尋找隱藏在多變量數據中、無法直接觀察到卻影響或支配可測變量的潛在因子、并估計潛在因子對可測變量的影響程度以及潛在因子之間的相關性的一種多元統計分析方法

　　與主成分分析比較：

　　相同：都能夠起到済理多個原始變量內在結構關系的作用

　　不同：主成分分析重在綜合原始變適的信息.而因子分析重在解釋原始變量間的關系，是比主成分分析更深入的一種多元統計方法

　　用途：

　　1）減少分析變量個數

　　2）通過對變量間相關關系探測，將原始變量進行分類

　　時間序列分析

　　動態數據處理的統計方法，研究隨機數據序列所遵從的統計規律，以用于解決實際問題；時間序列通常由4種要素組成：趨勢、季節變動、循環波動和不規則波動。

　　主要方法：移動平均濾波與指數平滑法、ARIMA橫型、量ARIMA橫型、ARIMAX模型、向呈自回歸橫型、ARCH族模型

　　生存分析

　　用來研究生存時間的分布規律以及生存時間和相關因索之間關系的一種統計分析方法

　　1、包含內容：

　　1）描述生存過程，即研究生存時間的分布規律

　　2）比較生存過程，即研究兩組或多組生存時間的分布規律，并進行比較

　　3）分析危險因素，即研究危險因素對生存過程的影響

　　4）建立數學模型，即將生存時間與相關危險因素的依存關系用一個數學式子表示出來。

　　2、方法：

　　1）統計描述：包括求生存時間的分位數、中數生存期、平均數、生存函數的估計、判斷生存時間的圖示法，不對所分析的數據作出任何統計推斷結論

　　2）非參數檢驗：檢驗分組變量各水平所對應的生存曲線是否一致，對生存時間的分布沒有要求，并且檢驗危險因素對生存時間的影響。

　　A 乘積極限法（PL法）

　　B 壽命表法(LT法)

　　3）半參數橫型回歸分析：在特定的假設之下，建立生存時間隨多個危險因素變化的回歸方程，這種方法的代表是Cox比例風險回歸分析法

　　4）參數模型回歸分析：已知生存時間服從特定的參數橫型時，擬合相應的參數模型，更準確地分析確定變量之間的變化規律

　　典型相關分析

　　相關分析一般分析兩個變里之間的關系，而典型相關分析是分析兩組變里（如3個學術能力指標與5個在校成績表現指標）之間相關性的一種統計分析方法。

　　典型相關分析的基本思想和主成分分析的基本思想相似，它將一組變量與另一組變量之間單變量的多重線性相關性研究轉化為對少數幾對綜合變量之間的簡單線性相關性的研究，并且這少數幾對變量所包含的線性相關性的信息幾乎覆蓋了原變量組所包含的全部相應信息。

　　R0C分析

　　R0C曲線是根據一系列不同的二分類方式(分界值或決定閾）.以真陽性率（靈敏度)為縱坐標，假陽性率（1-特異度)為橫坐標繪制的曲線

　　用途：

　　1、R0C曲線能很容易地査出任意界限值時的對疾病的識別能力

　　用途 ；

　　2、選擇最佳的診斷界限值。R0C曲線越靠近左上角，試驗的準確性就越高；

　　3、兩種或兩種以上不同診斷試驗對疾病識別能力的比較，一股用R0C曲線下面積反映診斷系統的準確性。

　　其他分析方法

　　多重響應分析、距離分祈、項目分祈、對應分祈、決策樹分析、神經網絡、系統方程、蒙特卡洛模擬等。

【數據分析方法】相關文章：

銷售數據的分析方法07-25

數據整理分析方法10-22

數據分析與辦公軟件：數據分析方法07-10

銷售數據分析的方法07-03

銷售數據分析方法07-03

數據分析常用方法07-26

多維數據分析方法04-07

醫學數據分析方法10-24

傳統數據分析方法09-20

常用數據分析方法06-22