一、数据类型
统计数据类型主要分为四类：定类数据、定序数据、定距数据、定比数据。这四类数据依据测量层次划分，分别对应不同的数学特性和分析方法，是统计学的核心基础概念。
一、统计数据类型的核心划分
- 定类数据
表现为无顺序的类别，仅用于分类或标识。例如：◦ 性别分为男、女；◦ 产品类别如家电、服装、食品。
特点：数值或符号仅作标记，不能进行数学运算；适用于频数统计、列联分析等。 - 定序数据
表现为有顺序的类别，可比较大小但差值无意义。例如：◦ 教育程度（小学、初中、高中、大学）；◦ 满意度评分（非常不满意、不满意、一般、满意、非常满意）。
特点：可计算中位数、等级相关系数，但不能量化差异。 - 定距数据
表现为数值，可加减运算但无绝对零点。例如：◦ 温度（30℃与20℃的差值为10℃，但0℃不代表“无温度”）；◦ 年份或时间间隔。
特点：均值、标准差适用，但不能计算比率（如“两倍高温”无意义）。 - 定比数据
表现为数值，可进行四则运算且有绝对零点。例如：◦ 收入、体重、产量；◦ 企业利润为0时表示“无利润”。
特点：适用全类统计方法（如乘除运算、方差分析等），是最高测量层次。
二、两类数据属性对比
- 定性数据（定类、定序）
核心作用：描述品质特征，适用于非数值型分析，如频数统计、卡方检验等。
局限性：无法量化差异或趋势。 - 定量数据（定距、定比）
核心作用：描述数量特征，支持参数检验（如t检验、回归分析）和复杂模型构建。
关键区别：定比数据允许“比率”计算，而定距数据仅能描述差值。
三、统计数据的表达形式与获取途径
- 常见表达形式◦ 统计表格：以行、列呈现结构化数据；◦ 统计地图：用颜色或符号表示区域分布差异；◦ 图表（如柱状图、折线图）：直观展示数据趋势。
- 数据获取方式
直接途径：◦ 普查（如人口普查）；◦ 抽样调查（如电话问卷、网络问卷）。
间接途径：◦ 政府统计年鉴；◦ 行业研究报告。
四、数据类型选择对分析的影响
低层次数据无法使用高层次分析方法，例如：• 定类数据不能计算均值；• 定序数据无法用于方差分析。
正确选择数据类型可避免错误结论，如将满意度评分（定序）误作数值计算平均值将失去统计意义。
数据分布
理解常见的数据分布类型，不仅能帮助我们分析数据特征，还能为建模、预测和决策提供理论支撑。以下将系统梳理主要分布类型及其应用场景。
一、基础型分布：对称与均匀
- 正态分布（钟形曲线）
正态分布是自然界最常见的对称分布，其概率密度函数呈钟形曲线，68%的数据集中在均值±1标准差范围内。例如人类身高、测量误差等均符合正态分布。在数据分析中，正态性检验（如QQ图）是建模前的关键步骤。 - 均匀分布（等概率事件）
均匀分布的特点是所有取值在区间内概率相等，如骰子投掷结果或随机数生成。在抽样调查中，均匀分布可模拟完全随机的数据采集场景。
二、事件计数型分布：离散与集中
- 泊松分布（低概率事件）
用于描述单位时间/空间内独立事件的随机发生次数，如每小时接到的客服电话数、DNA链的突变位点数。其核心参数λ（平均发生率）决定了分布形态。 - 二项分布（成败试验）
描述n次独立伯努利试验的成功次数，如抛10次硬币出现正面的次数。当试验次数极大且概率极小时，二项分布趋近泊松分布。 - 负二项分布（反向计数）
关注达到指定成功次数前的失败次数，例如需测试多少台设备才能发现5台故障品。在流行病学中常用于疾病传播的间隔分析。
三、时间间隔型分布：衰减与生存
- 指数分布（无记忆性）
描述连续独立事件的时间间隔，如网站用户访问间隔、设备无故障运行时间。其衰减特性常被用于排队论和可靠性分析。 - 威布尔分布（柔性建模）
通过形状参数k可模拟多种失效模式：k<1表示早期故障，k=1退化为指数分布，k>3趋近正态分布。广泛应用于机械部件寿命预测。
四、特殊场景分布：偏态与限制
- 对数正态分布（右偏数据）
当变量取对数后服从正态分布时，原始数据呈右偏形态，如个人收入、城市人口规模。这种分布揭示了「强者愈强」的马太效应。 - 贝塔分布（概率建模）
定义在[0，1]区间的分布，擅长描述概率本身的不确定性。在A/B测试中，贝塔分布常用于模拟点击率的先验分布。 - 伽玛分布（叠加效应）
由多个独立指数分布变量叠加形成，可用于建模累计降雨量、保险理赔总额等复合事件。
五、分布选择方法论
- 数据形态判断：通过直方图、偏度/峰度系数识别对称性
- 问题类型匹配：
◦ 离散计数：泊松/二项分布
◦ 连续时间：指数/威布尔分布
◦ 比例建模：贝塔分布 - 统计检验验证：K-S检验、卡方拟合优度检验例如在金融风控中，客户违约次数可能服从泊松分布，而违约金额则更接近伽玛分布。通过混合分布模型，可更精确地量化风险。
理解数据分布的本质，是将数据转化为洞见的关键。在实际应用中，往往需要结合领域知识进行分布选择，甚至通过混合分布或非参数方法处理复杂数据形态。掌握这些分布特性，就如同拥有了解读数据密码的钥匙。
数据检验-p值
数值检验中最常用的方法，核心就是假设检验，而P值是判断结果是否显著的关键指标。
一、P值是什么？
简单来说，P值就是在原假设成立时，观察到当前样本结果或更极端情况的概率。P值越小，说明结果越不可能是偶然发生的，拒绝原假设的证据就越强。
二、P值怎么用？
通常我们会把P值和预设的显著性水平（比如0.05）比较：如果 P ≤ 0.05，就拒绝原假设，认为结果显著；如果 P > 0.05，就不拒绝原假设。
三、P值法好在哪？
它最大的优势是提供了连续的、精确的信心度量，而不仅仅是“拒绝”或“不拒绝”的二元结论。这样我们就能更清楚地知道拒绝原假设的“强度”有多大。
四、P值法怎么用？
1.设定假设：先明确原假设（H₀）和备择假设（H₁）；
2.选择检验统计量：比如Z检验、t检验、F检验等；
3.计算P值：根据检验统计量计算P值；
4.做决策：比较P值和显著性水平，决定是否拒绝原假设。
五、举个实际例子
比如你想检验某药物是否有效，可以：
1.设定原假设“药物无效”，备择假设“药物有效”；
2.用t检验计算P值；
3.如果P值 ≤ 0.05，就拒绝原假设，认为药物有效。
六、P值法有什么局限？
P值不是原假设为真的概率；统计显著≠实际重要，即使P值很小，效应量也可能很小，实际意义不大；多重比较问题：检验次数多了，I类错误（假阳性）的概率会上升，需要用校正方法（比如Bonferroni校正）来控制。
数据估计
核心就是在有限信息下快速逼近真实值，既要快又要准。
一、基础估算方法
- 四舍五入法原则：
尾数≤4舍去，≥5进位。适用场景：日常计算、财务统计等。示例：6.54保留一位小数→6.5；6.56→6.6。 - 进一法原则：
小数部分直接向上取整。适用场景：资源分配、运输需求等。示例：3.2辆车→4辆。 - 去尾法原则：
直接去掉小数部分。适用场景：材料加工、生产数量等。示例：3.9个成品→3个。 - 中间数法原则：
将相近数字统一计算。适用场景：快速估算总和。示例：32+37+30+39→4×35=140。 - 凑整法原则：
将数字调整为整十整百。适用场景：复杂运算简化。示例：37×48→37×50=1850，再调整。
二、进阶估算方法
1.类比估算法原则：
通过历史相似数据推导当前估算。
适用场景：信息有限时的快速估算。
示例：用唯品会微信交易占比估算京东数据。
2.参数估算法原则：
基于数学模型或参数计算总量。
适用场景：依赖可靠参数库的估算。
示例：单位成本×数量=总成本。
3.三点估算法原则：
综合最乐观、最可能、最悲观值。
适用场景：项目时间或成本估算。
示例：(O+4M+P)/6。
4.自下而上估算法原则：
将任务拆分到最小单元逐项估算。
适用场景：高精度需求的项目。
示例：软件开发中逐模块估算。
三、估算原则与注意事项
1.数据准确性原则：
确保原始数据来源可靠、时效性强。
示例：验证数据来源和采集时间。
2.风险与不确定性原则：
预留应急储备（如10%-20%缓冲）。
示例：识别潜在风险因素并预留缓冲。
3.假设条件原则：
明确估算前提（如资源可用性）。
示例：避免隐含假设导致争议。
4.动态调整原则：
随项目进展更新估算。
示例：阶段评审后调整计划。
四、实际应用场景
1.资料分析方法：
选项差距大时忽略极小因子，分数估算分母。示例：358÷6≈60（6×60=360）。
2.项目估算方法：
参数估算法、三点估算法。示例：软件开发中逐模块估算。
3.日常计算方法：
四舍五入法、进一法。示例：3.2辆车→4辆。
