神话
统计数据是事实，而背景信息只是观点。
现实
两者都是真理的重要组成部分。统计数据是数字事实，但语境提供了事实环境，使我们能够正确解读该数字。
数据科学逻辑分析研究方法
背景与统计数据
理解背景与统计数据之间的相互作用是高水平分析的标志。统计数据为群体中发生的情况提供了一个严谨的数学框架，而背景则为其增添了至关重要的实质内容，解释了这些模式存在的原因以及哪些具体情况影响了最终的数字。
亮点
- 统计数据告诉你“是什么”，而背景信息则告诉你“那又怎样”。
- 缺乏背景信息的数据往往只是伪装成信息的噪音。
- 上下文可以起到过滤器的作用，去除误导性的统计异常值。
- 当数据和叙述相吻合时，最深刻的洞见就会出现。
语境是什么？
赋予特定事件或数据点意义的周围环境、背景信息和具体条件。
- 识别影响测量结果的外部变量
- 区分相关性和实际因果关系至关重要
- 运用文化、历史和环境等定性因素
- 防止在异常事件期间对数据进行误解
- 解释了指标突然飙升或骤降背后的“故事”。
统计数据是什么？
数据分析是一门收集、分析和解释数值数据，以识别群体内部模式和趋势的学科。
- 依靠数学模型来实现客观结果
- 利用概率来预测未来结果的可能性
- 需要较大的样本量才能确保结果的可靠性。
- 通过数值聚合有助于消除个体偏见。
- 对信息进行标准化，以便可以比较不同的数据集。
比较表
| 功能 | 语境 | 统计数据 |
|---|---|---|
| 基本目标 | 探寻意义和“为什么” | 寻找模式和“有多少” |
| 信息来源 | 环境与叙事 | 数值观测 |
| 观点 | 主观的和局部的 | 客观且概括 |
| 主要优势 | 深刻理解 | 可扩展性和证明 |
| 主要风险 | 轶事偏见 | 数据非人化 |
| 可靠性 | 高情境准确性 | 高预测能力 |
详细对比
地图与地形
把统计数据想象成一张地形图，它显示了森林的海拔和边界。而上下文则像是真正漫步在森林中；它揭示了地面是否因最近的降雨而泥泞，或者是否有某种特定的鸟类在那里筑巢——这些都是地图无法包含的细节。
因果关系与“隐藏”变量
统计数据可能显示冰淇淋销量和鲨鱼袭击事件之间存在完美的正相关关系，但如果脱离背景，这些数据就很危险。背景信息提供了缺失的环节——夏季高温——它导致更多人购买冰淇淋，也导致更多人游泳，从而证明这两个统计数据实际上并非因果关系。
平均水平的危险
统计学家可能会告诉你，一条河的平均深度是四英尺，这听起来似乎可以安全过河。然而，如果河中央有十英尺的落差，那么这个“平均”深度就足以致命了，这也凸显了当地细节对生存的重要性。
商业决策
一家公司可能会发现其网站流量下降了20%，并仅凭这一统计数据就感到恐慌。但通过背景分析，可能会发现流量下降恰逢重要的国家假日或全球网络中断，从而将一场“危机”转化为一件无需采取任何行动的“小事”。
优点与缺点
语境
优点
- + 解释复杂的细微差别
- + 减少误解
- + 培养更深层次的同理心
- + 识别独特风险
继续
- − 难以扩展
- − 高度主观
- − 查找起来很费时间
- − 难以量化
统计数据
优点
- + 展现全局
- + 客观中立
- + 实现预测
- + 大规模应用可节省时间
继续
- − 可能会产生误导
- − 缺乏人性化元素
- − 抹去了“为什么”
- − 容易被操纵
常见误解
神话
如果样本量足够大，背景就无关紧要了。
现实
即使样本量达到数十亿，如果背景错误，也可能毫无用处。如果你就雪的问题调查了十亿人，但只采访了撒哈拉沙漠地区的人，那么你庞大的数据集仍然存在根本性的缺陷。
神话
语境仅适用于社会学等“软科学”。
现实
物理学和医学等硬科学高度依赖于具体情况。如果不考虑患者的年龄、体重和既往病史等背景信息，药物的有效性统计数据就毫无意义。
神话
你总可以稍后再“推算”上下文。
现实
背景信息往往转瞬即逝。如果不记录数据收集时的具体情况——例如天气或政治环境——这些信息可能会永远丢失。
常见问题解答
统计学中的“潜在变量”是什么？
这是一个未纳入统计分析的背景因素，但它实际上会影响自变量和因变量。它就像数据中的“幽灵”，使两个毫不相干的事物看起来像是在翩翩起舞，而找到它正是背景研究的首要目标。
如何判断我的数据是否缺乏上下文信息？
问问自己，如果时间、地点或受众不同，这个数字会不会改变。如果你无法解释某个数字高或低的原因，只能靠猜测，那么你看到的只是原始统计数据，缺乏足够的背景信息来做出可靠的判断。
为什么政客们经常在不提供背景信息的情况下使用统计数据？
这是“断章取义”的常用策略。通过剥离背景——例如全球经济趋势——发言者可以将局部变化说成是其特定政策的直接结果，即使两者毫无关联。
“大数据”是否正在取代对背景信息的需要？
大数据反而凸显了上下文的重要性。面对数十亿个数据点，很容易发现看似有意义但实则只是数学巧合的“虚假相关性”。只有上下文才能将真实信号与这些数字噪声区分开来。
语境会存在偏见吗？
没错。正如统计数据可以被操纵一样，语境也可以被“塑造”以支持某种特定的叙述。因此，寻找多种语境来源至关重要，这样才能确保你了解的是完整的故事，而不是经过筛选的版本。
什么是辛普森悖论？
这是一个著名的统计现象：某种趋势在几组不同的数据中都呈现出来，但当这些数据合并在一起时，这种趋势就会消失或逆转。它完美地说明了为什么数据分组方式的不同会彻底改变最终结论。
定性研究是否比定量研究能提供更好的背景信息？
一般来说，是的。访谈和开放式观察等定性方法旨在捕捉情境的细微差别和“氛围”。然而，如果定量数据包含时间戳和地理位置等元数据，也能提供背景信息。
如何在数据量庞大的报告中呈现背景信息？
在图表上使用注释和标注。与其仅仅显示一条上升的曲线，不如添加一条简短的注释，说明当周启动了一项营销活动。这种简单的添加方式能够有效地将原始数据与可操作的洞察联系起来。
当你掌握了背景信息但没有统计数据时会发生什么？
最终你得到的只是一则轶事。虽然轶事可能非常感人，对某个人来说也可能是真实的，但它缺乏“统计意义”，无法证明同样的事情也发生在其他人身上。你需要数据来证明故事的规模。
上下文信息是否可能过多？
是的，这通常被称为“分析瘫痪”。如果你试图考虑宇宙中每一个微小的变量，你永远也找不到清晰的规律。目标是找到“有意义的”背景——那些真正能产生影响的因素。
裁决
统计数据应作为识别总体趋势和向利益相关者验证理论的起点。然而，切勿脱离实际情况做出最终决策，因为这能确保你的行动与你所处的真实环境相符。
相关比较
OKR中的领先指标与滞后指标
要驾驭绩效追踪的世界，必须牢牢掌握领先指标和滞后指标。滞后指标确认已经发生的事情，例如总收入；而领先指标则作为预测信号，帮助团队实时调整策略，以实现远大目标。
被动监测与预测性监测
选择合适的系统健康策略往往取决于时机。被动式监控会在事件发生后立即向团队发出警报，以最大限度地减少持续停机时间；而预测式监控则利用历史数据模式和机器学习技术，在潜在的资源耗尽或故障影响用户之前就发出预警。
充分简化与完全数据复杂度
在现代分析中，如何在充分降维和保留数据全部复杂性之间做出选择是一项基础性决策。降维侧重于去除噪声，在不损失预测能力的前提下提取核心统计信号；而保留复杂性则旨在揭示所有原始细节，从而发现那些细微的概括性描述可能无意中抹去的复杂非线性关系。
充分统计量与原始数据表示
这份技术对比分析了充分统计量和原始数据表示在操作上的差异。原始数据保留了所有观测到的细微差别，而充分统计量则将数据集压缩成紧凑的形式，同时又不丢失估计模型参数所需的任何信息。
从异常值中提取信号与噪声滤波
噪声滤波可以去除低层次的随机波动，从而凸显数据集的核心趋势；而异常值信号提取则主动寻找极端、孤立的数据点，以揭示隐藏的异常情况、关键的系统错误或具有高价值的突破。了解何时应用每种技术，可以避免您无意中错失最有价值的数据洞察。