对大数据分析有哪些流行误解?
大数据是一个新概念,大数据产生的背景是整个社会走向数字化,特别是社交网络和各种传感设备的发展。大数据分析拥有自身的特点,与计量经济学既有区别又有联系。当前对大数据的分析存在许多流行观点,但其中很多核心观点都值得商榷。
大数据产生的背景是整个社会走向数字化,特别是社交网络和各种传感设备的发展。云计算和搜索引擎的发展,使得对大数据的高效分析成为可能,核心问题是如何在种类繁多、数量庞大的数据中快速获取有价值信息。大数据在社会分析、科学发现和商业决策中的作用越来越大,金融只是其中的一个应用领域。
什么是大数据
大数据是一个新概念,英文中至少有三个名称:大数据(big data)、大尺度数据(big scale data)和大规模数据(massive data),至今未形成统一定义。但一般认为大数据具有四个基本特征(即所谓4V特征):数据体量庞大(volume)、价值密度低(value, 也有人理解成应用价值巨大)、来源广泛和特征多样(variety)、增长速度快(velocity, 也有人理解成需要高速分析能力)。
从学术角度,对大数据的讨论基本属于数据科学(Data Science)和数据挖掘(Data Mining)的范畴。
大数据的主要类型:第一类是记录数据,即记录的汇集,其中每个记录包含固定的数据字段(或属性)。比如,计量经济学中的横截面数据,文档数据,事务数据或购物篮数据;第二类是基于图形的数据,包括带有数据对象之间联系的数据和具有图形对象的数据,比如网页链接、化合物结构;第三类是有序数据,包括时序数据、序列数据、空间数据。比如,宏观经济指标序列,金融价格序列,基因组序列,词或字母的序列,同一时点上从不同的地理位置收集的气象数据(温度、湿度、气压等)。
大数据分析的主要任务:第一类是预测任务,目标是根据某些属性的值,预测另外一些特定属性的值。被预测的属性一般称为目标变量或因变量,被用来做预测的属性称为解释变量和自变量;第二类是描述任务,目标是导出概括数据中潜在联系的模式,包括相关、趋势、聚类、轨迹和异常等。描述性任务通常是探查性的,常常需要后处理技术来验证和解释结果。具体可分为分类、回归、关联分析、聚类分析、推荐系统、异常检测、链接分析等几种。
大数据分析与计量经济学的差异与联系
大数据分析与计量经济学既有差异又有联系。
两者的差异表现为:第一,两者处理的数据类型不同。计量经济学处理结构型数据,主要包括横截面数据、时间序列数据和面板数据,一般能以excel表格的形式呈现,而且表格的行列都有清晰的经济学含义,有一致统计口径。大数据分析能处理很多非结构型数据,包括文档、视频、图像,一般难以用excel表格的形式呈现。但这些非结构型数据需要量化后才能分析,在量化中一般伴随着信息损失。
第二,两者分析重点不同。计量经济学分析的重点是假设检验,核心理念与波普的证伪主义非常接近。计量经济学就是通过假设检验,来证伪或支持(注意不是证实)某个经济理论。相比之下,大数据分析更具实用主义色彩。预测在大数据分析中占有很大比重。对预测效果的后评估也是大数据分析的重要内容。
大数据分析与计量经济学的内在联系也不容忽视。在对随机问题的处理上,它们没有本质差别,基础理论都是概率论和数理统计。
对大数据分析的主流误解
舍恩伯格与合作者的《大数据时代》非常流行,但里面的很多核心观点都值得商榷。
第一,他们认为,大数据分析不是针对随机样本,而是全体数据。尽管数据收集和分析手段足够发达后,对全部数据的收集和分析成为可能,但从成本收益上衡量,这样做不是总有必要。根据中心极限定理,统计分析质量与样本数量之间存在平方根关系。比如,样本数量提高100倍,分析质量提高10倍。而统计分析工作量与样本数量之间存在线性关系。比如,样本数量提高100倍,存储和计算量一般增加100倍。这样,样本数量增长到一定程度后,新增工作量对应的成本就会超过质量提高产生的好处。因此,通过科学设计的抽样调查获得有代表性的样本,在大数据分析中仍有价值。
第二,他们还认为,大数据分析不是因果关系,而是相关关系。这个说法在统计学中是老生常谈,不是什么新观点。统计学基于相关关系,只能被用来证伪因果关系,而不能被用来证实因果关系。大数据分析的基础理论也是概率论和数理统计,从根本上就属于相关关系的范畴。
第三,大数据分析也不是万能的。基于大数据的预测可以抽象表述为:用 表示已知信息,用 表示未知信息,寻找关于 的函数 作为 的预测。预测误差是 ,用 (类似于均方误差)来衡量预测效果。概率论有一个基本结论:
对任意 ,总有 ,其中等号仅当 时才成立,所以 也被称为最佳预测(best predictor)。
可以看出两点结论:首先,大数据分析中,各种算法的核心任务是使 尽可能接近理论上的最优预测 ;其次,即使在最优预测上, 代表的预测误差仍不能被消除,是内生于信息结构的。比如,即使信息技术非常发达,如果现实世界中仍有部分信息不能被数字化(从而不能用在大数据分析中),这部分被“尘封”的信息就决定了大数据分析的有效边界。
第四,大数据能降低信息不对称的程度,但不能消除随机性(不确定性);有助于评估风险(未来遭受损失的可能性,其中损失分布可计量),但不能消除奈特式不确定性(其中损失分布不可计量)。
数据分析咨询请扫描二维码
数据架构师是负责设计和管理企业数据架构的关键角色,其职责涵盖了多个方面,包括数据治理、数据模型设计、数据仓库构建、数据安 ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列的技能和能力,以确保能够有效地处理、分析和解释数据,从而支持业务决策。以下是数据分析师所需的主要 ...
2024-11-22需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21《Python数据分析极简入门》 第2节 3 Pandas数据查看 这里我们创建一个DataFrame命名为df: importnumpyasnpi ...
2024-11-21越老越吃香的行业主要集中在需要长时间经验积累和专业知识的领域。这些行业通常知识更新换代较慢,因此随着年龄的增长,从业者能 ...
2024-11-20数据导入 使用pandas库的read_csv()函数读取CSV文件或使用read_excel()函数读取Excel文件。 支持处理不同格式数据,可指定分隔 ...
2024-11-20大数据与会计专业是一门结合了大数据分析技术和会计财务理论知识的新型复合型学科,旨在培养能够适应现代会计业务新特征的高层次 ...
2024-11-20要成为一名数据分析师,需要掌握一系列硬技能和软技能。以下是成为数据分析师所需的关键技能: 统计学基础 理解基本的统计概念 ...
2024-11-20