统计学方法在数据挖掘中的应用探究

数据挖掘就是指从众多实际应用数据中获取批量大、有噪声、且随机性强的数据，将潜在的信息与数据提取出来，就是从数据中挖掘有价值的知识，而大多数原始数据具有一定的结构化特征，比如，关系数据库中的数据；也可以通过文本、图形、图像等半结构化发掘有用知识，这些知识可以是数学的也可以是非数学形式的；数据挖掘能以归纳形式存在，能够被广泛应用到信息查询、信息管理、信息决策控制中，方便数据的维护与管理。由此可见，数据挖掘是一门交叉性强的学科，加强对其的研究非常有意义，下面将对统计方法在数据挖掘中的具体应用进行分析。　

　一、数据挖掘与统计学的关系　　（一）数据挖掘的内涵　　通常来说，数据挖掘的定义较为模糊，没有明确界定，大部分对其的定义只是停留在其背景与观点的内容上。通过对不同观点的统一整理，人们最终将其描述为：从大量多样化的信息中发现隐晦性、规律性等潜在信息，并对这些信息进行创造、加工的过程。数据挖掘作为一门重要的交叉学科，能够将数据库、人工智能、机器学习、统计学等众多的科学融入到一起，从而实现技术与理论的创新与发展[1]。其中，数据库、人工智能与统计学是数据挖掘当中的三大支柱理论。数据挖掘的目的是从数据库当中发掘各种隐含的知识与信息，此过程的方法非常多，有统计学知识、遗传算法、粗集方法、决策法、模糊逻辑法等，还可以应用向邻近的可视技术、模式识别技术等，在以上所有技术的支持上能够使数据挖掘更为科学、有序。　　（二）数据挖掘与统计学间的关系　　通常来说，统计学的主要功能是对统计原理与统计方法进行研究的科学。具体来说就是指对数字资料进行的收集、整理、排序、分析、利用的过程，数字资料是各种信息的归纳与总结，可以将其作为特性原理的认知、推理方法[2]。而统计学则表示的是使用专业的统计学、概率理论原理等对各种属性关系的统计与分析过程，通过分析成功找到属性间的关联与发展的规律。在此过程中，统计分析方法是数据挖掘最为重要的手段之一。

　　在数据挖掘这一课题被提出来之前，统计分析技术对于人们来说更熟悉，也是人们日常开展工作、寻找数据间规律最常使用的收集整理方法。但是不能简单的将数据挖掘作为统计学的延伸与替代工具，而是要将两者的区别认识到位，再结合两者间的不同特点分析其应用特点[3]。大部分的统计学分析技术都是建立在数学理论与技巧上的，预测通常较为准确，效果能够让大部分人满意。数据挖掘能够充分借鉴并吸收统计学技术，在融入到自身特点以后成为一种数据挖掘技术。　　统计学与数据挖掘存在的目标都是一致的，就是不断对数据结构进行发掘。鉴于统计学与数据挖掘在目标上的一致性，致使很多研究学者与专家将数据挖掘作为了统计学的一个分支机构[4]。但是这种认知非常不正确，因为数据挖掘不仅体现在与统计学的关系上还体现在思想、工具与方法上，尤其是在计算机科学领域对数据挖掘起到的作用非常大。比如，通过借助数据库技术与人工智能的学习，能够关注到更多统计学与数据挖掘上的共通点，但是两者存在的差异依然非常大。数据挖掘就是指对大量的数据信息不断挖掘的过程，DM能够对数据模式内的数据关系进行充分挖掘，并对观测到的数据库处理有着极高的关注度。　　二、数据挖掘的主要过程　　从数据本身出发探讨数据挖掘过程，数据挖掘的过程分为信息的收集、数据集成、数据处理、数据变换、数据挖掘实施等过程。

　首先，要将业务对象确定下来，明确不同业务定义，并认清数据挖掘的目的，这是做好数据挖掘最关键的一步，也是最重要的一步，虽然挖掘的结果不能被准确预测到，但却需要对问题的可预见性进行探索[5]。其次，还要做好数据准备工作，包含数据清理、数据变换等工作，数据清理的实际意义是将噪声与空缺值补全，针对这一问题，可以使用平滑技术，而空缺值的处理则是属性中最常见的，可以将统计中最可能出现的值作为一个空缺值[6]。　　信息收集指的是按照特定的数据分析对象，可以将分析中需要的特征信息抽象出来，并在此基础上选择出较为科学、适合的信息收集方法，将全部的信息全部录入到特定的数据库中。如果数据量较大，则可以选择一个专门的管理数据的仓库，实现对信息的有效保护与管理；数据集成就是指将来源不同、格式不同、性质不同、特点不同的数据集成到一起，进而为企业提供更为全面、系统的数据共享平台；数据变换就是通过聚集、概化、规范化等方式对数据进行挖掘，对于一些实用数据，则可以通过分层与分离方式实现对数据的转换；数据挖掘就是结合数据仓库中的数据信息点，并选择正确的分析方法实现对有价值数据的挖掘，事例推理、规则推理、遗传算法等都是应用较多的方法[7]。　　三、统计学方法中的聚类分析　　在统计学聚类方法基础上能够构建出潜在的概率分布假设，可以使用试图优化的方法构建数据与统计模型的拟合效果。基于统计学聚类方法当中，Cobweb方法是在1987年由Fisher提出的，能够以分类树作为层次聚类创建的方法，在分类树上，每一个节点都能代表着一个概念，该方法就是对节点概率描述的过程。Cobweb方法还使用了启发式估算方式，使用分类效用对分类树的构建进行指导，从而实现对最高分类的划分目的，能够将不同分类对象全部归类到一个类别中，并依据这些内容创建出一个新的类别。但是这种方法也存在一定局限性，局限性在于假设的属性概率分布都是独立的，并不能始终处于成立状态中。

笔迹分析技术在很多西方国家中得到了常规的应用。目前西方国家进行笔迹分析的主要方法有测量法、特征法和格式塔法等几种。由于字母型的笔迹形状简单，容易测量和归类，因此笔迹特征容易识别，可以制定规范的测量标准来进行特征比对与测量。虽然测量法和特征法的可操作性强，不受个人主观因素影响，分析结果客观公正，但是这两种方法存在着准确性不高，结论不够丰富的缺点，而且很难发现和纠正分析结论的错误。

和字母型的笔迹相比，汉字的写法远比字母复杂，而且运笔路线也与字母有很大差异，因此西方国家常用的测量法和特征法在分析汉字时能够分析的内容比较少，无法直接用来分析中文笔迹。

我国的笔迹学家经过长时间的探索和实践，发展出了与西方笔迹分析不大相同的几种方法或流派，目前比较常用的有以下几种：特征对照法、望气法、意象法、直觉感知法、软件测评法和综合分析法等。这些方法基本上可以归为特征对照法和感知法两个大类。特征对照法在初学入门者中使用比较多，也适合进行培训教学，但因为该方法自身所存在的缺陷，使其在实际应用中的效果不大理想。

没有基础的初学者，可以通过学习使用特征对照法（简称特征法）来入门，从而掌握最简单的笔迹分析。

特征对照法是通过对字体大小、形状、速度、力度、布局以及笔画线条的形状等特征进行比对，通过查阅对应的解释来进行对号入座的分析，从而得出结论。

特征对照法的使用很简单，与玩拼图或者查阅英汉词典类似：先分别找出每个单词的释义，然后尝试拼凑出整段话的意思。

特征对照法与查阅英汉词典翻译文章或玩拼图比较类似

特征对照法简单易懂，可操作性强，分析结论比较客观。不过缺陷也很明显：拼凑过程好似盲人摸象，缺乏重点，容易主观片面、以偏概全。

初学者容易出现主观片面、以偏概全的问题

人的性格多种多样，和不同种类的树木一样，存在着或简单或复杂的结构。简单的人，笔迹特征也会相对简单，即使缺失了一部分线索，也能容易的从已知线索准确推测出完整的人格特性。而复杂的人，笔迹特征也会比较复杂，较多不一致或矛盾的线索使笔迹分析的难度增大。

与人的性格类似，不同树木也存在着或简单或复杂的结构

笔迹分析专家在长期实践中，根据大样本的统计，找到了笔迹特征的很多有价值的释义。不过，所有这些解释都无法100%符合书写者的个性，也就是说不具有唯一性，存在着或高或低的概率。

微信公众号发展至今，整体的产业已趋向成熟，市场对其运营框架也有了大致的共识，基本上可分为：内容运营、活动运营、用户运营，以及渠道运营和数据运营等几大模块。每个不同的运营模块，它们各自独立，同时又相互地影响。

本文侧重于对运营初学者来说，提供一套简易、有效的数据运营方法论。在开展数据运营工作之前，我们首先得了解数据在整个公众号运营工作中，究竟充当着什么样的角色？

我认为：“数据是运营的基础，就像一条绳索，贯穿整个运营工作。它既是运营KPI考核的直接呈现方式，同时也是运营方向的理论支撑点”

在新媒体的数据运营中，数据分析是至关重要的步骤，而数据分析有大概九类方法，你们知道吗？今天小天就来带大家了解一下这些干货吧！

数据分析的九类方法：直接评判法 — 对比分析法 — 结构分析法 — 分组分析法 — 平均分析法 — 矩阵分析法 — 漏斗图分析法 — 雷达图分析法 — 回归分析法

1.直接评判法

直接评判法即根据经验直接判断数据的好坏并给予评判，通常用于内部过往运营状况评估，如评估近期阅读量是否过低，评判近期销售量是否异常，评估当日文章推送量是否正常。

直接评判法有两个必要的条件：一是运营者有一定的新媒体运营经验，能够对跳出率，阅读量等有正确的评估；二是经过加工处理的数据足够直观，可以直接代表某项数据的优缺点。

2.对比分析法

对比分析法，是将两个或两个以上的数据进行对比，分析差异进而揭示这些数据所代表的规律。

对比分析法包括横向比较及纵向比较。横向比较即同一时间下不同总体指标的对比，如今日头条同领域作者文章阅读量对比，粉丝数对比等；纵向比较不同时间条件下同一总体指标的对比，如本月文章阅读量与上月阅读量进行对比，本月粉丝增长数与上月增长数进行对比等。

通过对比分析，可以直接观察到目前的运营水平，一方面找到当前已经处于优秀水平的方面，后续予以保持；另一方面及时发现当前的薄弱环节，重点突破。

3.分组分析法

分组分析法是指通过一定的指标，将对象统计分组并计算和分析，以便于深入了解所要分析对象的不同特征，性质及相互关系的方法。

分组分析法遵循相互独立，完全穷尽的枚举分析法原则。所谓相互独立，即分组之间不能有交叉，组别之间具有明显的差异性，每个数据只能归属于某一组；所谓完全穷尽，即分组中不要遗漏任何数据，保持完整性，各组的空间足以容纳总体的所有数据。

4.结构分析法

结构分析法是在统计分组的基础上，将组内数据与总体数据之间进行对比的分析方法。结构分析法分析各组部分占总体的比例，属于相对指标。

例如，新媒体运营团队可以统计粉丝所在的地域分布，统计出各个地方粉丝的占比情况，此情景便属于结构分析法。

5.平均分析法

例如，在分析今日头条的文章阅读量时，借助Excel导出的数据可以快速找到阅读量大于平均值的文章，接下来可以继续挖掘这些文章的标题，排版，配图等规律，便于后续内容质量的提升。

6.矩阵分析法

矩阵分析法是一种定量分析问题的方法，它是指以数据两个重要指标作为分析依据，并将这两个指标作为横，纵坐标轴，构成四个象限，从而找出解决问题的办法，为运营者提供数据参考。

例如，某餐饮企业的大众点评评价分析，可以借助四个象限“紧急且重要，重要但不紧急，紧急但不重要，不紧急也不重要”进行矩阵分析，并重点处理“紧急且重要”的事项。

7.漏斗图分析法

漏斗图分析法因展现形式如漏斗，故而得名。漏斗图可以对文章阅读量，产品购买量等情况进行逐层分析，展示整个关键路径中每步的转化情况。

重要强调的是，单一的漏斗图难以衡量各个环节的好坏，运营者可以结合本节介绍的“对比分析法”，对同一环节不同时间对比，评估运营效果。

8.雷达图分析法

雷达图常用于指数分析，即通过对新媒体账号的内容质量，领域专注等不同维度的计算而得出的客观评分结果。分数越高，代表账号的质量越好。可以利用雷达图进行分析的指数，包括今日头条指数，大鱼号星级指数，百家号指数等。

9.回归分析法

回归分析法是通过研究事物发展变化的因果关系来预测事物发展走向，它是研究变量间相互关系的一种定量预测方法，又称回归模型预测法或因果法。

例如，将今日头条粉丝数据导出到Excel表格，对累计粉丝数进行一元线性分析，就可以尝试预测某个时间的粉丝量。

安全统计研究的分析方法包括四大方法：空间自相关方法，聚类分析法、灰色统计法、实验数据统计方法。

那么，怎么理解这四大方法呢？

1.空间自相关方法

1）空间自相关方法是研究空间中某空间单元与其周围空间单元就某种特征值，进行空间自相关性程度的计算，以分析这些空间单元在空间分现象的特征的统计分析方法

2）研究对象是两个或多个属性变量间的相互关系及关联程度，以及同一属性值在不同空间位置上的相关关系及关联程度

3）优点是可同时满足独立性和大样本两个假设，可以用图形示意区域集聚事故的类型，而且还可用一些量化指标，揭示研究区域内事故发生的空间格局

2. 聚类分析法

1）聚类分析法就是输入一组未分类的数据，通过分析数据，确定每个记录所属的类别，把相似性大的对象聚集为一个类

2）主要用于安全统计数据或样本的分类

3）按原理可分为层次聚类法和非层次聚类法；按照分类的目的可分为指标聚类（R型）和样品聚类（Q型）

4）具有客观性、科学性等优点

5）如果数据量少会影响归纳精确性；需要介入主观因素确定该分成几类；只能对指标进行单一归类

3. 灰色统计法

1）灰色统计法是一种白数的灰化处理方法，以灰数的白化函数生成为基础，将安全统计数据按某种灰数所描述的类别进行归纳整理，判断安全指标所属的灰类

2）具有可操作性强，分辨率高等优点，通过建立影响事故发生的安全统计核心指标，来对事故进行安全统计分析

4. 实验数据统计方法

1）实验数据统计方法是基于完全样本的安全统计方法，用此方法处理产品寿命数据是，检验产品寿命数据属于何种类型后采用相应的安全统计方法进行数据处理，做基于特征值的可靠性统计并归一化处理

2实验数据统计方法包含正太分布、三参数威布尔分布、两参数Weibull分布、极小值分布、极大值分布等等；数据处理有图解法和解析法

什么是对比分析法？

上面这张图表是一个常见的柱状图，而柱状图的作用在于直观对比各项数据之间的差异。

上面这张柱状图是针对9月份各渠道获客统计的一个对比分析图表，针对各渠道的下载量、访问量、注册量进行对比。

对比要点一：对比建立在同一标准维度上

在这张图中，首先要关注到的对比要点是各项数据的对比要基于同一维度。这张图是针对9月份的渠道推广效果的对比统计，9月份就是第一个对比标准，也就是时间维度。

在时间维度下，后续对比的结果都是基于这个标准产生的，也就是在9月份这个时间范围内的数据对比，并不能用10月份的数据与这个图表中的数据对比。当然，除了时间维度，也可以使用空间维度，例如渠道A在1-12月每月的数据对比。无论用什么维度，对比要建立在一个大的标准下。

对比要点二：拆分出相关影响因素

在时间这个大维度下，我们对各渠道的获客效果进行了拆分，也就是将获客效果衡量分为了访问量、下载量和注册量。这三个维度的数据作为判断渠道获客的标准，从对比中找出各渠道的优劣。

例如通过这个图表可以看出，渠道A的访问量最高，渠道B的下载量最高，渠道A的注册量最高，那么这样的对比结果能够说明什么问题呢？

我们能够看到，渠道A从访问到下载的流失比较严重，渠道B从下载到注册的流失比较严重，而渠道C在访问量、下载量都低于其他渠道的基础上，渠道C的注册量与渠道A并没有相差太多。

也就是说，我们可以提出一个假设，渠道C的获客效果更好，为了印证这个假设，我们可以在影响因素中再加入渠道投放花费这个维度，如果渠道A的高访问是因为高花费，渠道C的低访问是因为低花费，那么基本可以印证这个假设。

对比要点三：各项数据对比需要建立数据标准

在这张图中能够看到一个比较奇怪的现象，渠道B的下载量比访问量还要高，为什么会这样呢？

我们在这张图表中加入了一个中间标准数据，对各项数据进行了一次标准换算。假设访问量的真实数据为1万是，标准数据为1，下载量的真实数据为1千时，标准数据为1，注册量的真实数据为100时，标准数据为1.

经过标准数据的换算，我们将各项数据放在一张图表上时，对比的差异化会更明显。

so，现在明白对比分析法要怎么做了么？

对比分析法的维度可以分为同比、环比、定基比等不同的对比方法：

同比：例如去年9月与今年9月的对比，同比一般被看做是基于相同数据维度的时间同期对比，也可以看作基于时间维度的影响因素对比，例如相同的营销活动在不同的渠道投放所带来的转化数据，也可以看做是同比。

环比：例如9月份与8月份数据的对比，这是从时间维度的对比，也可以以周期性维度对比，例如第一阶段推广投放了10个渠道，第二阶段推广投放了15个渠道，那么第二阶段与第一阶段环比上涨还是下降，进而找出数据变化的原因。

定基比：定基比是指针对一个基准数据的对比，例如在各推广渠道中，渠道B与渠道A相比，渠道C与渠道A相比，而两者的比值是渠道B与渠道C的定基比。

对比分析在于看出基于相同数据标准下，由其他影响因素所导致的数据差异，而对比分析的目的在于找出差异后进一步挖掘差异背后的原因，从而找到优化的方法。

|内容来源： 诸葛io数据教练 版权归其所有 百家号-新社汇and微会动 转载发布 侵权告知删除

本期，我们总结不同设计类型分类数据在在各种情况下比较所用的统计分析方法、泊松分布数据的统计分析方法以及变量之间关联性的统计分析方法。

分类数据的统计分析

1. 样本数据与总体比较

1)二分类资料：

(1)小样本数据：用二项分布进行确切概率法检验；

(2)大样本数据：用U检验；

2)多分类数据：用Pearson检验（又称拟合优度检验）。

2. 四格表（2×2表）数据

1)完全随机设计的四格表数据的分析

（1）当样本量n>40，并且4个格子理论数均大于5时，则用Pearson 检验；

（2)当样本量n>40，并且4个格子理论数均大于1且至少存在一个格子的理论数<5时，则用校正检验或用fisher’s精确概率法检验；< span="">

（3)当样本量n40或存在任一格子理论数<1，则用精确概率法检验；< span="">

2)配对设计的四格表数据的分析

（1)b+c≥40，则用McNemar配对检验；

（2)b+c<40，则用二项分布确切概率法检验；< span="">

3. 2×C表或R×2表数据的统计分析

1)列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则可以采用行平均得分差（Row Mean Scores Differ）的CMH 或成组的Wilcoxon秩和检验；

2)列变量为效应指标并且为二分类，行变量为有序多分类变量，则可采用普通的Pearson 检验比较各组之间有无差别，如果总的来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。

3)行变量和列变量均为无序分类变量：

(1)当样本量n>40，并且理论数小于5的格子数少于行列表中格子总数的25%，则用Pearson 检验；

(2)当样本量n40，或理论数小于5的格子数多于行列表中格子总数的25%，则用Fisher’s确切概率法检验；

4. R×C表数据的统计分析

1)完全随机设计的R×C表数据的统计分析

（1)列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则CMH 或Kruskal Wallis的秩和检验；

（2)列变量为效应指标，并且为无序多分类变量，行变量为有序多分类变量，则采用普通的Pearson 检验比较各组之间有无差别，如果总的来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义；

（3)列变量和行变量均为有序多分类变量，可以作Spearman相关分析或者非零相关（none zero correlation）的CMH ；

（4)列变量和行变量均为无序多分类变量：

i. 当样本量n>40并且理论数小于5的格子数少于行列表中格子总数的25%，则用Pearson 检验进行分析；

ii. 当样本量n40或理论数小于5的格子数多于行列表中格子总数的25%，则用Fisher’s 确切概率法检验；

2)配对设计的C×C表数据：

（1)配对比较：用McNemar配对检验；

（2）一致性检验（Agreement）：用Kappa检验；

Poisson分布数据

1. 单样本数据与总体比较：

1)当观察值较小时：可以用确切概率法进行检验。

2) 当观察值较大时：可以用正态近似的U检验。

2. 两个样本数据的比较：可以用正态近似的U检验。

两个变量之间的关联性分析

1. 两个变量均为连续型变量

1)当两变量为小样本并且两个变量服从双正态分布时，可以用Pearson相关系数来衡量两个变量之间的关联性；

2)当两变量为大样本或两个变量不服从双正态分布，则用Spearman相关系数来衡量两个变量之间的关联性；

2. 如果两个变量均为有序分类变量，可以用Spearman相关系数来衡量两个变量之间的关联性；

3. 如果一个变量为有序分类变量，另一个变量为连续型变量，可以用Spearman相关系数来衡量两个变量之间的关联性。

“一站式”医学科研管理工具！

LinkLab帮您轻松做科研

成为更好的临床医生！

摘　要：统计分析是一种反映统计结果的工具,它在现在的企业中,被运用得很广泛,但它所使用的技术水平也在不断的提高,特别是在反映企业统计结果方面,更具有一定的实用性。企业在使用统计分析时,涉及到很多种行业中,例如:工业、商业、建筑业和交通以及邮电等各企业统计分析工作中。

关键词：

一、统计分析的概念统计分析是指运用统计方法及与分析对象有关的知识，从定量与定性的结合上进行的研究活动。它是继统计设计、统计调查、统计整理之后的一项十分重要的工作，是在前几个阶段工作的基础上通过分析从而达到对研究对象更为深刻的认识。它又是在一定的选题下，集分析方案的设计、资料的搜集和整理而展开的研究活动。系统、完善的资料是统计分析的必要条件。二、统计分析的特点 　统计分析是对客观现象的一种认识活动，它在定性分析的基础上，经过定量研究，达到对现象本质及规律性的认识。　　统计分析方法具有特殊性　统计分析方法是以总体现象的数量关系为对象的一类特殊科学研究方法的总称。从应用的角度来看，统计分析方法可分为经验方法和数学方法两大类。经验方法是指一些与初等数学知识和人们的实践经验相关联的方法。数学方法又称为数理统计方法，是以数学理论，特别是概率论为基础对客观现象进行研究的方法。它可以通过对现象貌似偶然的变动来探求其必然的规律性。

统计分析的对象具有综合性　统计分析的对象不是某种社会经济现象的个体数量方面，而是现象的总体数量方面，分析研究其综合数量特征。从总体上对客观现象的数量方面进行分析，可以避免以偏概全，使认识较为全面和正确。三、统计分析方法 统计分析方法很多，但基本方法是定量分析 。l、从统计理论上看，我们所见到的统计学著作，除了统计设计、统计调查、统计整理等理论和方法外，其他大部分内容都是统计分析方法，这些统计分析方法有一个共同点，它们都是定量分析方法。 2、统计实践上看，统计分析所起的作用，是通过定量分析实现的。统计分析在人们的认识过程中有三个作用：第一，对客观事物量化，包括反映客观事物规律的数量表现；第二，根据量变程度确认事物的质，即确定区别事物质量的数量界限；第三，揭示新的规律，即通过分析数量关系，发现尚未被认识的事物的规律。　　四、企业如何运用统计分析 　　随着社会主义市场经济的发展,统计为企业发展战略的研究和制定,为各项职能管理提供必要的信息,为防范和化解风险,发挥其预警作用,新经济时代统计信息是影响企业管理层决策成败的关键。

（一）在企业经营过程中：在企业的经营管理中，统计分析占据着十分重要的地位。在认识统计的过程中，企业通过统计调查以及整理取得的统计资料能够对客观现象的数量特点取得一定的认识。若不进行深入的整理和分析，对于这些现象的认识还只停留在表面的初步认识状态，所以必须对这些统计资料加以分析和研究，才可以掌握事物的本质以及内在的发展规律，通过逐渐地深化认识，有效的深入的分析方法，查找出经营管理中存在的问题和薄弱环节，就可以提出改进的举措，给各级领导各级管理部门参考改进建议，是企业的各项管理工作不段得到改善和提高，充分显示出统计分析在企业经营管理中发挥的广泛应用。（二）在企业目标管理中：（1）在企业的各项经济指标的预测中，通常强调动态的分析预测与静态的分析预测相互结合，其中以静态分析预测为主。企业首先要根据自身发展的特点，寻找到经济运行波动的共性和差异，根据企业的总体规划以及企业的特殊性，依据企业的历史统计数据，运用相应的预测模型给出企业相关指标的科学性预测，根据预测数据制定出各项计划经营指标和各项KPI考核指标，再通过把企业的月度统计预测、季度统计预测和年度统计预测与月度、季度及年度各解段实际完成情况进行对比分析，进行不断调整修正完善，使得企业的目标管理以及考核指标得到实现和完成的保证。

（三）、在企业的决策性分析中：在我国的经济管理领域，决策性分析方法是最先被引入和普及的定量化分析方法。随着企业信息化建设的推进，企业受外部环境的影响逐步加深，这就要求企业及时对相关信息进行处理和分析。一是对市场需求和供给能力的分析。主要包括居民的购买力、商品的潜在和实际市场需求量、品牌成熟度、订单满足率、消费偏好等。通过分析，可以判断企业的赢利空间、供需缺口等，为领导层确定商品销售规模、制定阶段性营销策略等提供依据。二是对社会经济环境的分析和影响。主要包括国内、国际的宏观环境对我国行业发展的影响和对地方法规、民风民俗对企业的发展的影响。三是对企业竞争力的分析。通过分析本行业其他企业的经营情况，在对比中认识自身发展的差距和潜力，从而为制定正确的发展战略提供参考。（四）在企业过程分析和阶段分析控制中：在计划方案的落实过程中，往往会出现一些不可预知的状况。需要及时的进行过程分析和阶段分析。企业利用统计数据定期分析计划完成情况、进度情况等，可以及时的发现执行过程中所存在的问题。通过对完成阶段的结果进行对比分析，有利于确定指标完成率。便于衡量市场潜力相同的不同市场之间的业绩。也作为销售目标制定的依据。 　

在企业当中，统计分析工作是了解现状、预测未来，为了更好的促进企业发展进步的重要方法。做好统计分析工作具有重要的作用和意义。因此，我们要提高对统计分析的研究，使统计分析工作更好地成为企业发展的有力推动力量。 参考文献：[1]百度百科.统计分析[EB/OL]. 　[2]赵井霞．试谈如何进行统计分析[J]．商业经济．2004.4． 　　[3]宋安. 统计分析在企业管理与经营决策中的应用[J].经济师.2003.6

体外诊断试剂的临床试验（包括与已上市产品进行的比较研究试验）是指在相应的临床环境中，对体外诊断试剂的临床性能进行的系统性研究。开展体外诊断试剂临床试验，申请人应当按照试验用体外诊断试剂的类别、风险、预期用途等特性，组织制定科学、合理的临床试验方案。在临床试验方案的设计中，统计分析方法的选择是最让人头疼的问题，今天与大家一起探讨一下定量检测体外诊断试剂盒临床试验中常用的统计分析方法。

1

定量IVD产品临床研究中曾经常用的统计分析方法：

线性相关：

对系统误差不敏感。也就是说，假如两种方法的测量值是（X, Y），其相关系数为COV(X, Y)，我们对第一种测量方法的测量值做一个线性变换：aX+b，但其相关系数不变，COV(aX+b)=COV(X, Y)。比如，图1中的large2=large1*2-21，但是与mini的相关系数仍然为0.94328，而两种方法的测量值的差异已经是原来的100倍了。从散点图形上看，感觉就是做了拉伸。

（ 图1 ）

线性回归

即使是两个相等的测量值X,Y，无论谁对谁做回归，总是截距a>0, 斜率b<1，也就是回归线的低端总是被往上抬了抬，顶端总是被往下压了压。对于此，最通俗的解释就是「向均数回归」的作用。如图2< span="">

（ 图2 ）

配对t检验，

和线性相关不同，她只对系统误差敏感。对于i仪器测量研究对象j的值Xij我们可以拆成三部分：真实值Tj，仪器的系统误差Mij，仪器的随机误差eij。配对t检验的差值d的均值只与系统误差Mij有关，与随机误差eij无关。

（ 图3 ）

ICC，组内相关系数

是指测量者之间的变异占总变异的比例。其实是一个间接指标。其思路是总变异就那么多，如果测量者间的变异几乎占满了总的变异（ICC->1）的话，那么测量仪器的变异就很小很小了，一致性就很好。但问题是，测量者间的变异有可能相对测量仪器的变异和随机误差之和的变异很小，此时，即使测量仪器的变异很大，ICC也接近1。

（ 图4 ）

2

当前法规中对IVD临床研究统计分析方法的表述：

1.《体外诊断试剂注册管理办法》中通篇未提到关于统计分析方法的选择问题，很遗憾；

2.《体外诊断试剂临床试验技术指导原则》中通篇未提到关于统计分析方法的选择问题，再次遗憾；

3. 《北京市第二类体外诊断试剂临床试验指导原则（2016版）》中对于定量产品的统计分析方法做如下规定：

对于定量产品，应至少进行以下数据分析

3.1．绝对偏倚图

考核系统与参比系统每个样本测定值之差与相应两系统测试均值作散点图。观察并分析各点的绝对偏倚分布情况。

3.2．相对偏倚图

考核系统与参比系统每个样本测定值之比值与相应两系统测试均值作散点图。观察并分析各点的相对偏倚分布情况。

3.3. 回归分析

3.4．医学决定水平处的预期偏倚及其可信区间

将医学决定水平预期偏倚的可信区间与允许误差的限值相比较（建议参照1/2CLIA’88、1/2室间质评可接受范围、1/2来源于生物变异的总允许误差、卫生行业标准等相关要求设定允许误差），如预期偏倚可信区间未超出相关允差限值，判定两检测系统等效，如未达到该标准，两检测系统不等效，需进一步改进方法进行临床验证。

需要特别说明的是，在本指导原则的修订说明中，特别指出“删除了配对t检验的相关要求”。

3

参考了《北京市第二类体外诊断试剂临床试验指导原则（2016版）》，笔者发现对于其中“绝对偏倚图”、“相对偏倚图”两种统计分析方法仅表述实施方法，并无评价标准，在调研了大量的临床研究相关文献【2-6】，结合自身的临床试验经历，小编发现一种连续性指标一致性评价方法（Bland-Altman法）。

Bland-Altman法：此种方法为定量与定性方法的结合，其原理是对于两种评定间的差异进行随机效应分析，来解释说明一致性问题。Bland与Altman认为，测量误差不会影响变量间的相关，但会影响一致性；Bland-Altman的方法实际上是对两种评定之间差异的一种观察，横轴为每个被观察对象评定得到的均值，纵轴为两种评定间的差异值，考察评定者间均数及差异的关系。Bland-Altman图法主要是观察两种测量之间差异的分布。在纵轴上以差异的均值和理论0值（以比率为纵轴的以理论1值）为均值参考线，另外再添加md±1.96SD即差异均值的95%的置信区间的参考线，也称为95%的可接受的一致性界限。报告结果需结合图形做合理解释，一般情况下，报告在一致性界限外的点的百分比，与理论值相差的最大值，结合临床，进行合理解释，决定对新方法的取舍。

Bland-Altman法如何实现？

采用Medcalc软件。以15.2.2中文版举例说明。

首先导入数据（图5）

（ 图5 ）

第二步：做Bland-Altman图

（ 图6 ）

上图可以看出，Medcalc中Bland-Altman图提供了三种差异方式，分别作图，看区别。

差异方式1：图形差异（如图7）

图形看出，横坐标为考核试剂和对照试剂的平均值，纵坐标为考核试剂与对照试剂测试纸之差，恰恰是《北京市第二类体外诊断试剂临床试验指导原则（2016版）》中绝对偏倚图的实现方法。

（ 图7 ）

差异方式2：图形比率（如图8）

图形看出，横坐标为考核试剂和对照试剂的平均值，纵坐标为考核试剂与对照试剂测试纸之差与平均值的比值，恰恰是《北京市第二类体外诊断试剂临床试验指导原则（2016版）》中相对偏倚图的实现方法。需要注意的是，在采用图形比率作图时，当数据存在为0的结果时，Medcalc无法完成数据作图。

（ 图8 ）

差异方式3：图形差异百分比（如图9）

（ 图9 ）

Bland-Altman 法评价标准：

Bland-Altman 法是定量分析与定性分析的有机结合。通常情况下95%的数据在X±1.96SD范围内，即可认为两系统具有良好的一致性。在评价一致性的时候既考虑了随机误差同时也考虑了系统误差对一致性的影响，同时也可结合产品的临床学意义进行判断。

考虑到抽样误差时，可以运用Medcalc软件给95%LoA加上置信线，如图10所示，在±1.96SD上下，添加95%LoA线

（ 图10 ）

4

综上，结合法规、参考文献，在开展定量检测体外诊断试剂盒临床试验时，个人感觉比较合理的统计分析方法如下：

3.1．绝对偏倚图结合Bland-Altman 一致性分析

3.2．相对偏倚图结合Bland-Altman 一致性分析

3.3．回归分析

3.4．医学决定水平处的预期偏倚及其可信区间

参考文献：

1. 谷鸿秋.关于Bland-Altman法的一切：连续性指标一致性评价.

2. Bland J M, Altman D G. Applying the rightstatistics: Analyses of measurement studies [J]. Ultrasound in Obstetrics andGynecology, 2003,22(1): 85-93.

3. Bland J M, Altman D G. Statistical methods forassessing agreement between two methods of clinical measurement [J]. Lancet(London, England), 1986,1(8476): 307-10.

4. Bland J M, Altman D G. Agreement between methodsof measurement with multiple observations per inpidual [J]. Journal ofbiopharmaceutical statistics, 2007,17(4): 571-82.

5. 陈卉. BlandAltman分析在临床测量方法一致性评价中的应用.

6. 李镒冲, 李晓松. 两种测量方法定量测量结果的一致性评价

本订阅号为非盈利交流平台，部分资料来源于网络，如涉及版权问题请及时联系管理员处理；所有文章仅供公益交流，不代表本订阅号立场。联系邮箱：zhanghonghua@ediagnosis 】

数据分析是从数据中提取有价值信息的过程，过程中需要对数据进行各种处理和归类，只有掌握了正确的数据分类方法和数据处理模式，才能起到事半功倍的效果，以下是数据分析员必备的9种数据分析思维模式：

1. 分类

分类是一种基本的数据分析方式，数据根据其特点，可将数据对象划分为不同的部分和类型，再进一步分析，能够进一步挖掘事物的本质。

2. 回归

回归是一种运用广泛的统计分析方法，可以通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各参数，然后评价回归模型是否能够很好的拟合实测数据，如果能够很好的拟合，则可以根据自变量作进一步预测。

3. 聚类

聚类是根据数据的内在性质将数据分成一些聚合类，每一聚合类中的元素尽可能具有相同的特性，不同聚合类之间的特性差别尽可能大的一种分类方式，其与分类分析不同，所划分的类是未知的，因此，聚类分析也称为无指导或无监督的学习。

数据聚类是对于静态数据分析的一门技术，在许多领域受到广泛应用，包括机器学习，数据挖掘，模式识别，图像分析以及生物信息。

4. 相似匹配

相似匹配是通过一定的方法，来计算两个数据的相似程度，相似程度通常会用一个是百分比来衡量。相似匹配算法被用在很多不同的计算场景，如数据清洗、用户输入纠错、推荐统计、剽窃检测系统、自动评分系统、网页搜索和DNA序列匹配等领域。

5. 频繁项集

频繁项集是指事例中频繁出现的项的集合，如啤酒和尿不湿，Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集，目前已被广泛的应用在商业、网络安全等领域。

6. 统计描述

统计描述是根据数据的特点，用一定的统计指标和指标体系，表明数据所反馈的信息，是对数据分析的基础处理工作，主要方法包括：平均指标和变异指标的计算、资料分布形态的图形表现等。

7. 链接预测

链接预测是一种预测数据之间本应存有的关系的一种方法，链接预测可分为基于节点属性的预测和基于网络结构的预测，基于节点之间属性的链接预测包括分析节点资审的属性和节点之间属性的关系等信息，利用节点信息知识集和节点相似度等方法得到节点之间隐藏的关系。与基于节点属性的链接预测相比，网络结构数据更容易获得。复杂网络领域一个主要的观点表明，网络中的个体的特质没有个体间的关系重要。因此基于网络结构的链接预测受到越来越多的关注。

8. 数据压缩

数据压缩是指在不丢失有用信息的前提下，缩减数据量以减少存储空间，提高其传输、存储和处理效率，或按照一定的算法对数据进行重新组织，减少数据的冗余和存储的空间的一种技术方法。数据压缩分为有损压缩和无损压缩。

9. 因果分析

因果分析法是利用事物发展变化的因果关系来进行预测的方法，运用因果分析法进行市场预测，主要是采用回归分析方法，除此之外，计算经济模型和投人产出分析等方法也较为常用。

以上是数据分析员应熟练掌握的9种数据分析思维方法，数据分析员应根据实际情况合理运用不同的方法，才能够快速精确的挖掘出有价值的信息！

1.国际贸易

在经济日益全球化的条件下，各国必将积极发展对外贸易、参与国际分工，从国际市场获得国内一时难以形成或根本不具有的供求条件。国际贸易对国内产业结构的影响主要是通过国际比较利益机制实现的，国际比较利益又建立在各国比较优势的基础上。按照国际分工原理，国际市场对一国具有比较优势的产品的需求，往往会通过影响该国出口结构，从而引起生产要素在一国产业体系内部的重新配置，进而影响其产业结构的变动。同时，根据赤松要的雁形形态理论，一国对新产品、新技术的进口，有助于为本国发展同类产业创造条件，推动本国的产业结构高度化。

2.国际投资

国际投资包括本国资金的流出和国外资金的流入，对外投资会导致本国产业对外转移，国外资金的流入则促使国外产业向国内转移。其中，国外直接投资对国内产业结构的影响更为直接和深远:首先，国外直接投资决定了生产方式、生产技术、产品品种和数量，会直接改变一国原有产业结构;其次，国外直接投资中间产品的供应结构和最终产品的销售结构的变化导致国内供应结构和需求结构的改变，从而促使国内产业结构发生相应变化;外资企业的技术创新和管理模式会对一国的产业结构产生间接影响。

“标准结构”法

“标准结构”是大多数国家产业结构高度化演进的综合描述，一般是通过统计分析的方法，对样本国家产业结构高度化表现出的特征进行统计归纳，并在此基础上综合出能刻画某一高度化阶段的若干指标，作为产业结构演进到此阶段的“标准”和代表。在利用“标准结构”对产业结构高度化进行实证研究中，库兹涅茨、钱纳里、赛尔奎因等人作出了巨大的贡献。他们统计归纳的一些“标准”，常常当做“尺子”，来“丈量”一些特定的产业结构系统。“标准结构”法一般采用以下三种指标来衡量产业结构的高度化。

(1)产值结构

如果从系统的角度观察产业结构，则该系统的输出就是产业结构的产出，这些产出的构成及其相互间的关系就构成了产出结构，因而产出结构是观察产业结构的一个重要视角。而产值结构则是产出结构在一定价格体系中的表象，所以，可以选取产值结构这个指标来衡量产业结构的高度化。

但要注意的是，在利用产值结构对产业结构的高度化进行分析时，若产业结构系统所处的价格体系中各产业产出的比价是不合理的，其所反映的产出结构则是扭曲的，从而在衡量产业结构高度化时就会导致严重的误差。如在我国计划经济体制时期，实行的是工农业产品“剪刀差”的价格体系，在这样的背景下，就会出现工业产值比重产值较大的假象，不能真正地反映出当时的产业结构高度化程度。