数据分析描述统计 - 版本历史

2024年1月21日 (日) 08:52 RainW

2024-01-21T08:52:56Z

←上一版本		2024年1月21日 (日) 16:52的版本
第101行：		第101行：


	== 引用 ==		== '''引用''' ==
	{{Reflist}}		{{Reflist}}

2024年1月19日 (五) 11:01 Zeroclanzhang

2024-01-19T11:01:38Z

←上一版本		2024年1月19日 (五) 19:01的版本
第7行：		第7行：
	\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=~~[[Has english name::~~Statistical Descriptive Analysis]]		\|nodeenglishname=Statistical Descriptive Analysis
	\|abbreviation=~~[[Has abbreviation::~~StttDA]]		\|abbreviation=StttDA
	\|funcmaincategory=数据分析		\|funcmaincategory=数据分析
	\|funcsubcategory=[[DataAGM Lv1 Cat::描述统计]]		\|funcsubcategory=[[DataAGM Lv1 Cat::描述统计]]

2024年1月18日 (四) 09:37 Zeroclanzhang

2024-01-18T09:37:11Z

←上一版本		2024年1月18日 (四) 17:37的版本
第1行：		第1行：
	{{Infobox nodebasic		{{Infobox nodebasic
	\|nodename=数据分析描述统计		\|nodename=数据分析描述统计
	\|nodeimage=Statistical Descriptive Analysis.png		\|nodeimage=Statistical Descriptive Analysis.png
第5行：		第5行：
	\|simpleicon=Statistical Descriptive Analysis_Pure.svg		\|simpleicon=Statistical Descriptive Analysis_Pure.svg
	\|developer=Dev.Team-DPS		\|developer=Dev.Team-DPS
	\|productionstate=~~PC可用~~		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[DecisionLinnc \| V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=[[Has english name::Statistical Descriptive Analysis]]		\|nodeenglishname=[[Has english name::Statistical Descriptive Analysis]]
	\|abbreviation=[[Has abbreviation::~~Sttt_DA~~]]		\|abbreviation=[[Has abbreviation::StttDA]]
	\|funcmaincategory=数据分析		\|funcmaincategory=数据分析
	\|funcsubcategory=[[DataAGM Lv1 Cat::描述统计]]		\|funcsubcategory=[[DataAGM Lv1 Cat::描述统计]]
第16行：		第16行：
	\|nodeinputnumber=4		\|nodeinputnumber=4
	\|nodeoutputnumber=2		\|nodeoutputnumber=2
	\|nodeloopsupport=是		\|nodeloopsupport=否
	\|nodeifswitchsupport=是		\|nodeifswitchsupport=否
	\|nodeavailableplotlist=nodenoplotoutput		\|nodeavailableplotlist=nodenoplotoutput
	\|nodeavailabletablelist=~~Table_For_Downstream~~		\|nodeavailabletablelist=P-Value;Max;Min;Mean;SD;CI;Quantiles;Missing;Median;SMD;N-Size
	\|nodeconfiguration=VariableList;~~DropManu~~		\|nodeconfiguration=VariableList;DropMenu
	\|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■		\|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control ➤;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control ➤;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/数据分析描述统计		\|statsapewikiurl=https://wiki.statsape.com/数据分析描述统计
	\|previousnode=[[~~分层变量循环转列表~~]]		\|previousnode=[[数据合并]]
	\|nextnode=[[单因素正态性检验]]		\|nextnode=[[单因素正态性检验]]
	}}		}}

	一项'''描述性统计'''（在[[计数名词]]的意义上）是一种[[汇总统计]]，它从一系列[[信息]]中定量描述或总结特征，<ref>{{cite book \|last=Mann \|first=Prem S. \|year=1995 \|title=Introductory Statistics \|edition=2nd \|publisher=Wiley \|isbn=0-471-31009-3 }}</ref>而'''描述性统计'''（在[[集合名词]]的意义上）则是使用和分析这些统计数据的过程。描述性统计与[[统计推断\|推断统计]]（或归纳统计）的区别在于，其目的是总结一个[[样本 (统计学)\|样本]]，而不是使用数据来了解样本数据所代表的[[统计总体\|总体]]。<ref>{{Citation\|title=Drawing Conclusions From Data: Descriptive Statistics, Inferential Statistics, and Hypothesis Testing\|date=2017\|url=http://dx.doi.org/10.4135/9781506304144.n6\|work=Interpreting and Using Statistics in Psychological Research\|pages=145–183\|location=Thousand Oaks, CA\|publisher=SAGE Publications, Inc\|doi=10.4135/9781506304144.n6\|isbn=978-1-5063-0416-8\|access-date=2021-06-01}}</ref> 这通常意味着，与推断统计不同，描述性统计并不是基于[[概率论]]发展的，而且常常是[[非参数统计]]。<ref>{{cite book \|last=Dodge \|first=Y. \|year=2003 \|title=The Oxford Dictionary of Statistical Terms \|publisher=OUP \|isbn=0-19-850994-4 \|url-access=registration \|url=https://archive.org/details/oxforddictionary0000unse }}</ref> 即使数据分析主要结论使用推断统计，描述性统计通常也会被呈现出来。<ref>{{Citation\|title=Drawing Conclusions From Data: Descriptive Statistics, Inferential Statistics, and Hypothesis Testing\|date=2017\|url=http://dx.doi.org/10.4135/9781506304144.n6\|work=Interpreting and Using Statistics in Psychological Research\|pages=145–183\|location=Thousand Oaks, CA\|publisher=SAGE Publications, Inc\|doi=10.4135/9781506304144.n6\|isbn=978-1-5063-0416-8\|access-date=2021-06-01}}</ref> 例如，在报告人类受试者的论文中，通常会包含一个表格，给出整体[[样本量]]、重要子组的样本量（例如，每个治疗或暴露组），以及[[平均]]年龄、各性别受试者的比例、相关[[共病\|合并症]]等[[人口统计学]]或临床特征。		一项'''描述性统计'''（在[[计数名词]]的意义上）是一种[[汇总统计]]，它从一系列[[信息]]中定量描述或总结特征，<ref>{{cite book \|last=Mann \|first=Prem S. \|year=1995 \|title=Introductory Statistics \|edition=2nd \|publisher=Wiley \|isbn=0-471-31009-3 }}</ref>而'''描述性统计'''（在[[集合名词]]的意义上）则是使用和分析这些统计数据的过程。描述性统计与[[统计推断\|推断统计]]（或归纳统计）的区别在于，其目的是总结一个[[样本 (统计学)\|样本]]，而不是使用数据来了解样本数据所代表的[[统计总体\|总体]]。<ref>{{Citation\|title=Drawing Conclusions From Data: Descriptive Statistics, Inferential Statistics, and Hypothesis Testing\|date=2017\|url=http://dx.doi.org/10.4135/9781506304144.n6\|work=Interpreting and Using Statistics in Psychological Research\|pages=145–183\|location=Thousand Oaks, CA\|publisher=SAGE Publications, Inc\|doi=10.4135/9781506304144.n6\|isbn=978-1-5063-0416-8\|access-date=2021-06-01}}</ref> 这通常意味着，与推断统计不同，描述性统计并不是基于[[概率论]]发展的，而且常常是[[非参数统计]]。<ref>{{cite book \|last=Dodge \|first=Y. \|year=2003 \|title=The Oxford Dictionary of Statistical Terms \|publisher=OUP \|isbn=0-19-850994-4 \|url-access=registration \|url=https://archive.org/details/oxforddictionary0000unse }}</ref> 即使数据分析主要结论使用推断统计，描述性统计通常也会被呈现出来。<ref>{{Citation\|title=Drawing Conclusions From Data: Descriptive Statistics, Inferential Statistics, and Hypothesis Testing\|date=2017\|url=http://dx.doi.org/10.4135/9781506304144.n6\|work=Interpreting and Using Statistics in Psychological Research\|pages=145–183\|location=Thousand Oaks, CA\|publisher=SAGE Publications, Inc\|doi=10.4135/9781506304144.n6\|isbn=978-1-5063-0416-8\|access-date=2021-06-01}}</ref> 例如，在报告人类受试者的论文中，通常会包含一个表格，给出整体[[样本量]]、重要子组的样本量（例如，每个治疗或暴露组），以及[[平均]]年龄、各性别受试者的比例、相关[[共病\|合并症]]等[[人口统计学]]或临床特征。

2024年1月18日 (四) 09:25 RainW

2024-01-18T09:25:50Z

←上一版本		2024年1月18日 (四) 17:25的版本
第32行：		第32行：
	一些常用于描述数据集的度量包括[[中心趋势]]的度量和变异性或[[统计分散\|分散]]的度量。中心趋势的度量包括[[平均数]]、[[中位数]]和[[众数 (统计学)\|众数]]，而变异性的度量包括[[标准差]]（或[[方差]]）、变量的最小和最大值、[[峰度]]和[[偏度]]。<ref name=Inv>Investopedia, [http://www.investopedia.com/terms/d/descriptive_statistics.asp#axzz2DxCoTnMM 描述性统计术语]</ref>		一些常用于描述数据集的度量包括[[中心趋势]]的度量和变异性或[[统计分散\|分散]]的度量。中心趋势的度量包括[[平均数]]、[[中位数]]和[[众数 (统计学)\|众数]]，而变异性的度量包括[[标准差]]（或[[方差]]）、变量的最小和最大值、[[峰度]]和[[偏度]]。<ref name=Inv>Investopedia, [http://www.investopedia.com/terms/d/descriptive_statistics.asp#axzz2DxCoTnMM 描述性统计术语]</ref>

	==在统计分析中的使用==		=='''在统计分析中的使用'''==
	描述性统计提供关于样本和所做观察的简单概括。这些概括可能是[[定量研究\|定量的]]，即[[汇总统计]]，或者是视觉的，即简单易懂的图形。这些概括可能构成数据的初始描述的基础，作为更广泛统计分析的一部分，或者它们本身对于特定调查就足够了。		描述性统计提供关于样本和所做观察的简单概括。这些概括可能是[[定量研究\|定量的]]，即[[汇总统计]]，或者是视觉的，即简单易懂的图形。这些概括可能构成数据的初始描述的基础，作为更广泛统计分析的一部分，或者它们本身对于特定调查就足够了。

第56行：		第56行：

	== '''节点使用的R语言示例代码''' ==		== '''节点使用的R语言示例代码''' ==
	=== ~~'''~~描述统计~~'''~~ ===		=== 描述统计 ===
	<syntaxhighlight lang="R">		<syntaxhighlight lang="R">
	library(tableone)		library(tableone)
第87行：		第87行：
	* 做一些描述统计的分析		* 做一些描述统计的分析

	=== ~~'''~~方法选择~~'''~~ ===		=== 方法选择 ===
	* 无方法选择		* 无方法选择

	=== ~~'''~~参数配置~~'''~~ ===		=== 参数配置 ===
	* 分组变量：选择分类变量进行分组，不需要可以不填。统计变量：选择所有需要分析的连续和分类变量		* 分组变量：选择分类变量进行分组，不需要可以不填。统计变量：选择所有需要分析的连续和分类变量
	* 分组变量和统计变量要规避复用		* 分组变量和统计变量要规避复用
第97行：		第97行：
	* 此算法兼容空值		* 此算法兼容空值

	=== ~~'''~~注意事项~~'''~~ ===		=== 注意事项 ===
	* 如果选择分组变量，则会计算P值和SMD。根据统计变量的类型和分布计算对应的P值，有卡方检验，t检验，秩和检验，ANOVA，Fisher精确检验和Z检验		* 如果选择分组变量，则会计算P值和SMD。根据统计变量的类型和分布计算对应的P值，有卡方检验，t检验，秩和检验，ANOVA，Fisher精确检验和Z检验
	* 如果不选择分组变量，则不会计算P值和SMD		* 如果不选择分组变量，则不会计算P值和SMD

2024年1月18日 (四) 09:21 RainW

2024-01-18T09:21:03Z

←上一版本		2024年1月18日 (四) 17:21的版本
第84行：		第84行：

	== '''节点使用指南''' ==		== '''节点使用指南''' ==
	* ~~最适用的使用场景，通常用于解决哪些问题~~		* 快速的了解当前数据集
	* ~~节点通常用于处理哪些类型的数据~~		* 做一些描述统计的分析

	=== '''方法选择''' ===		=== '''方法选择''' ===
	~~对方法选择要点和关键事项进行表述。重点在于实用性。~~		* 无方法选择

	=== '''参数配置''' ===		=== '''参数配置''' ===
	~~对参数配置中的一些关键点进行表述（比如变量类型、是否兼容空值、是否要规避复用等，比如立方条样变量不能和自变量重复等）。~~		* 分组变量：选择分类变量进行分组，不需要可以不填。统计变量：选择所有需要分析的连续和分类变量
			* 分组变量和统计变量要规避复用
			* 选择输出数值的格式:Mean(SD),Mean ± SD,Median (Min-Max),Median (Q1-Q3),Mean (95% CI) 只针对与连续型数值变量输出
			* 保留小数位数: 选择有1到4位，如果更多，可以直接输入位数数字
			* 此算法兼容空值

	=== '''注意事项''' ===		=== '''注意事项''' ===
	~~对注意事项进行表述。例如：~~		* 如果选择分组变量，则会计算P值和SMD。根据统计变量的类型和分布计算对应的P值，有卡方检验，t检验，秩和检验，ANOVA，Fisher精确检验和Z检验
	* 是否支持带空值的运算。如果不支持，提示用A、B方法插补等等。		* 如果不选择分组变量，则不会计算P值和SMD
	* ~~节点内部出图量如果较大（比如多一个自变量就多一张图，例如多重插补），建议先关闭自动绘图。~~
	* ~~连接其他节点是否有一些特殊之处，告知~~

2024年1月17日 (三) 07:06 RainW

2024-01-17T07:06:41Z

←上一版本		2024年1月17日 (三) 15:06的版本
第55行：		第55行：
	区分单变量和双变量分析的主要原因是，双变量分析不仅仅是简单的描述性分析，它还描述了两个不同变量之间的关系。<ref>{{cite book \|first=Earl R. \|last=Babbie \|title=The Practice of Social Research \|url=https://archive.org/details/isbn_9780495598428 \|url-access=registration \|edition=12th \|publisher=Wadsworth \|year=2009 \|isbn=978-0-495-59841-1 \|pages=[https://archive.org/details/isbn_9780495598428/page/436 436–440] }}</ref> 依赖性的定量度量包括相关性（例如当两个变量都是连续的时使用[[皮尔逊相关系数]]，或者如果一个或两个变量不是连续的时使用[[斯皮尔曼等级相关系数]]）和[[协方差]]（反映变量测量的尺度）。在回归分析中，斜率也反映了变量之间的关系。非标准化斜率指出在[[预测\|预测变量]]发生一个单位变化时，标准变量的单位变化。标准化斜率则指出这种变化以标准化（[[z-分数]]）单位表示。高度偏斜的数据通常通过取对数来转换。使用对数可以使图形更对称，看起来更像[[正态分布]]，从而使其更直观易解。 <ref>{{cite book \|first=Todd G. \|last=Nick \|chapter=Descriptive Statistics \|title=Topics in Biostatistics \|series=[[分子生物学方法]] \|volume=404 \|location=New York \|publisher=Springer \|year=2007 \|pages=33–52 \|isbn=978-1-58829-531-6 \|doi=10.1007/978-1-59745-530-5_3 \|pmid=18450044 }}</ref>{{rp\|47}}		区分单变量和双变量分析的主要原因是，双变量分析不仅仅是简单的描述性分析，它还描述了两个不同变量之间的关系。<ref>{{cite book \|first=Earl R. \|last=Babbie \|title=The Practice of Social Research \|url=https://archive.org/details/isbn_9780495598428 \|url-access=registration \|edition=12th \|publisher=Wadsworth \|year=2009 \|isbn=978-0-495-59841-1 \|pages=[https://archive.org/details/isbn_9780495598428/page/436 436–440] }}</ref> 依赖性的定量度量包括相关性（例如当两个变量都是连续的时使用[[皮尔逊相关系数]]，或者如果一个或两个变量不是连续的时使用[[斯皮尔曼等级相关系数]]）和[[协方差]]（反映变量测量的尺度）。在回归分析中，斜率也反映了变量之间的关系。非标准化斜率指出在[[预测\|预测变量]]发生一个单位变化时，标准变量的单位变化。标准化斜率则指出这种变化以标准化（[[z-分数]]）单位表示。高度偏斜的数据通常通过取对数来转换。使用对数可以使图形更对称，看起来更像[[正态分布]]，从而使其更直观易解。 <ref>{{cite book \|first=Todd G. \|last=Nick \|chapter=Descriptive Statistics \|title=Topics in Biostatistics \|series=[[分子生物学方法]] \|volume=404 \|location=New York \|publisher=Springer \|year=2007 \|pages=33–52 \|isbn=978-1-58829-531-6 \|doi=10.1007/978-1-59745-530-5_3 \|pmid=18450044 }}</ref>{{rp\|47}}

	在商业领域中，描述性统计提供了对多种类型数据的有用总结。例如，投资者和经纪人可能通过对其投资进行经验性和分析性分析，使用历史回报行为的账目，以便在未来做出更好的投资决策。		== '''节点使用的R语言示例代码''' ==
			=== '''描述统计''' ===
			<syntaxhighlight lang="R">
			library(tableone)

			CreateTableOne(
			vars,
			strata,
			data,
			factorVars,
			includeNA = FALSE,
			test = TRUE,
			testApprox = chisq.test,
			argsApprox = list(correct = TRUE),
			testExact = fisher.test,
			argsExact = list(workspace = 2 * 10^5),
			testNormal = oneway.test,
			argsNormal = list(var.equal = TRUE),
			testNonNormal = kruskal.test,
			argsNonNormal = list(NULL),
			smd = TRUE,
			addOverall = FALSE
			)

	~~=== 单变量分析 ===~~		</syntaxhighlight>
	[[单变量分析]] 涉及描述单个变量的[[频率分布\|分布]]，包括其集中趋势（包括[[平均数]]、[[中位数]]和[[众数（统计学）\|众数]]）和离散程度（包括数据集的[[范围（统计学）\|范围]]和[[四分位数]]，以及像[[方差]]和[[标准差]]这样的离散程度度量）。分布的形状也可以通过诸如[[偏态]]和[[峰度]]等指标来描述。变量分布的特征也可以通过图形或表格格式展示，包括[[直方图]]和[[茎叶图]]。		方法参见'''R package: tableone'''的官方文档

	~~=== 双变量和多变量分析 ===~~

	~~当样本包含不止一个变量时，描述性统计可以用来描述变量对之间的关系。在这种情况下，描述性统计包括：~~		== '''节点使用指南''' ==
			* 最适用的使用场景，通常用于解决哪些问题
			* 节点通常用于处理哪些类型的数据
			=== '''方法选择''' ===
			对方法选择要点和关键事项进行表述。重点在于实用性。

	* [[列联表\|交叉表]] 和 [[列联表]]		=== '''参数配置''' ===
	* ~~通过[[散点图]]的图形表示~~		对参数配置中的一些关键点进行表述（比如变量类型、是否兼容空值、是否要规避复用等，比如立方条样变量不能和自变量重复等）。
	* ~~[[相关性和依赖性\|依赖性]]的定量度量~~
	* ~~[[条件分布]]的描述~~		=== '''注意事项''' ===
			对注意事项进行表述。例如：
			* 是否支持带空值的运算。如果不支持，提示用A、B方法插补等等。
			* 节点内部出图量如果较大（比如多一个自变量就多一张图，例如多重插补），建议先关闭自动绘图。
			* 连接其他节点是否有一些特殊之处，告知

	区分单变量和双变量分析的主要原因是，双变量分析不仅仅是简单的描述性分析，它还描述了两个不同变量之间的关系。<ref>{{cite book \|first=Earl R. \|last=Babbie \|title=The Practice of Social Research \|url=https://archive.org/details/isbn_9780495598428 \|url-access=registration \|edition=12th \|publisher=Wadsworth \|year=2009 \|isbn=978-0-495-59841-1 \|pages=[https://archive.org/details/isbn_9780495598428/page/436 436–440] }}</ref> 依赖性的定量度量包括相关性（例如当两个变量都是连续的时使用[[皮尔逊相关系数]]，或者如果一个或两个变量不是连续的时使用[[斯皮尔曼等级相关系数]]）和[[协方差]]（反映变量测量的尺度）。在回归分析中，斜率也反映了变量之间的关系。非标准化斜率指出在[[预测\|预测变量]]发生一个单位变化时，标准变量的单位变化。标准化斜率则指出这种变化以标准化（[[z-分数]]）单位表示。高度偏斜的数据通常通过取对数来转换。使用对数可以使图形更对称，看起来更像[[正态分布]]，从而使其更直观易解。 <ref>{{cite book \|first=Todd G. \|last=Nick \|chapter=Descriptive Statistics \|title=Topics in Biostatistics \|series=[[分子生物学方法]] \|volume=404 \|location=New York \|publisher=Springer \|year=2007 \|pages=33–52 \|isbn=978-1-58829-531-6 \|doi=10.1007/978-1-59745-530-5_3 \|pmid=18450044 }}</ref>{{rp\|47}}

	== 引用 ==		== 引用 ==

2024年1月17日 (三) 06:29 RainW

2024-01-17T06:29:12Z

←上一版本		2024年1月17日 (三) 14:29的版本
第28行：		第28行：
	}}		}}

			一项'''描述性统计'''（在[[计数名词]]的意义上）是一种[[汇总统计]]，它从一系列[[信息]]中定量描述或总结特征，<ref>{{cite book \|last=Mann \|first=Prem S. \|year=1995 \|title=Introductory Statistics \|edition=2nd \|publisher=Wiley \|isbn=0-471-31009-3 }}</ref>而'''描述性统计'''（在[[集合名词]]的意义上）则是使用和分析这些统计数据的过程。描述性统计与[[统计推断\|推断统计]]（或归纳统计）的区别在于，其目的是总结一个[[样本 (统计学)\|样本]]，而不是使用数据来了解样本数据所代表的[[统计总体\|总体]]。<ref>{{Citation\|title=Drawing Conclusions From Data: Descriptive Statistics, Inferential Statistics, and Hypothesis Testing\|date=2017\|url=http://dx.doi.org/10.4135/9781506304144.n6\|work=Interpreting and Using Statistics in Psychological Research\|pages=145–183\|location=Thousand Oaks, CA\|publisher=SAGE Publications, Inc\|doi=10.4135/9781506304144.n6\|isbn=978-1-5063-0416-8\|access-date=2021-06-01}}</ref> 这通常意味着，与推断统计不同，描述性统计并不是基于[[概率论]]发展的，而且常常是[[非参数统计]]。<ref>{{cite book \|last=Dodge \|first=Y. \|year=2003 \|title=The Oxford Dictionary of Statistical Terms \|publisher=OUP \|isbn=0-19-850994-4 \|url-access=registration \|url=https://archive.org/details/oxforddictionary0000unse }}</ref> 即使数据分析主要结论使用推断统计，描述性统计通常也会被呈现出来。<ref>{{Citation\|title=Drawing Conclusions From Data: Descriptive Statistics, Inferential Statistics, and Hypothesis Testing\|date=2017\|url=http://dx.doi.org/10.4135/9781506304144.n6\|work=Interpreting and Using Statistics in Psychological Research\|pages=145–183\|location=Thousand Oaks, CA\|publisher=SAGE Publications, Inc\|doi=10.4135/9781506304144.n6\|isbn=978-1-5063-0416-8\|access-date=2021-06-01}}</ref> 例如，在报告人类受试者的论文中，通常会包含一个表格，给出整体[[样本量]]、重要子组的样本量（例如，每个治疗或暴露组），以及[[平均]]年龄、各性别受试者的比例、相关[[共病\|合并症]]等[[人口统计学]]或临床特征。

	~~然而，通常情况下，单向ANOVA用于测试至少三个组之间的差异，因为两组的情况可以通过~~[[~~t检验~~]]~~（Gosset, 1908）覆盖。当只有两个平均值需要比较时，~~[[~~t检验~~]]和[[~~F检验~~]]~~是等价的；ANOVA与''t''之间的关系由''F'' ~~=~~ ''t''<sup~~>2</~~sup~~>~~给出。单向ANOVA的一个扩展是[[双因素方差分析]]，它考察了两个不同分类自变量对一个因变量的影响。~~		一些常用于描述数据集的度量包括[[中心趋势]]的度量和变异性或[[统计分散\|分散]]的度量。中心趋势的度量包括[[平均数]]、[[中位数]]和[[众数 (统计学)\|众数]]，而变异性的度量包括[[标准差]]（或[[方差]]）、变量的最小和最大值、[[峰度]]和[[偏度]]。<ref name=Inv>Investopedia, [http://www.investopedia.com/terms/d/descriptive_statistics.asp#axzz2DxCoTnMM 描述性统计术语]</ref>

			==在统计分析中的使用==
			描述性统计提供关于样本和所做观察的简单概括。这些概括可能是[[定量研究\|定量的]]，即[[汇总统计]]，或者是视觉的，即简单易懂的图形。这些概括可能构成数据的初始描述的基础，作为更广泛统计分析的一部分，或者它们本身对于特定调查就足够了。

			例如，在[[篮球]]中的投篮[[百分比]]是一种描述性统计数据，它总结了一名球员或一支球队的表现。这个数字是命中投篮数除以投篮尝试数。例如，命中率为33%的球员大约每三次投篮命中一球。这个百分比总结或描述了多个离散事件。同样也要考虑[[平均成绩点]]。这个单一数字描述了学生在其课程经历范围内的整体表现。{{cite web\|last=Trochim\|first=William M. K.\|title=Descriptive statistics\|url=http://www.socialresearchmethods.net/kb/statdesc.php\|work=Research Methods Knowledge Base\|access-date=14 March 2011\|year=2006}}

			描述性统计和总结性统计的使用有着悠久的历史，事实上，人口和经济数据的简单制表是[[统计学]]这一话题首次出现的方式。最近，一系列总结技术已经在[[探索性数据分析]]的标题下被制定出来：这种技术的一个例子是[[箱形图]]。

			在商业领域中，描述性统计提供了对多种类型数据的有用总结。例如，投资者和经纪人可能通过对其投资进行经验性和分析性分析，使用历史回报行为的账目，以便在未来做出更好的投资决策。

			=== 单变量分析 ===
			[[单变量分析]] 涉及描述单个变量的[[频率分布\|分布]]，包括其集中趋势（包括[[平均数]]、[[中位数]]和[[众数（统计学）\|众数]]）和离散程度（包括数据集的[[范围（统计学）\|范围]]和[[四分位数]]，以及像[[方差]]和[[标准差]]这样的离散程度度量）。分布的形状也可以通过诸如[[偏态]]和[[峰度]]等指标来描述。变量分布的特征也可以通过图形或表格格式展示，包括[[直方图]]和[[茎叶图]]。

			=== 双变量和多变量分析 ===

			当样本包含不止一个变量时，描述性统计可以用来描述变量对之间的关系。在这种情况下，描述性统计包括：

			* [[列联表\|交叉表]] 和 [[列联表]]
			* 通过[[散点图]]的图形表示
			* [[相关性和依赖性\|依赖性]]的定量度量
			* [[条件分布]]的描述

			区分单变量和双变量分析的主要原因是，双变量分析不仅仅是简单的描述性分析，它还描述了两个不同变量之间的关系。<ref>{{cite book \|first=Earl R. \|last=Babbie \|title=The Practice of Social Research \|url=https://archive.org/details/isbn_9780495598428 \|url-access=registration \|edition=12th \|publisher=Wadsworth \|year=2009 \|isbn=978-0-495-59841-1 \|pages=[https://archive.org/details/isbn_9780495598428/page/436 436–440] }}</ref> 依赖性的定量度量包括相关性（例如当两个变量都是连续的时使用[[皮尔逊相关系数]]，或者如果一个或两个变量不是连续的时使用[[斯皮尔曼等级相关系数]]）和[[协方差]]（反映变量测量的尺度）。在回归分析中，斜率也反映了变量之间的关系。非标准化斜率指出在[[预测\|预测变量]]发生一个单位变化时，标准变量的单位变化。标准化斜率则指出这种变化以标准化（[[z-分数]]）单位表示。高度偏斜的数据通常通过取对数来转换。使用对数可以使图形更对称，看起来更像[[正态分布]]，从而使其更直观易解。 <ref>{{cite book \|first=Todd G. \|last=Nick \|chapter=Descriptive Statistics \|title=Topics in Biostatistics \|series=[[分子生物学方法]] \|volume=404 \|location=New York \|publisher=Springer \|year=2007 \|pages=33–52 \|isbn=978-1-58829-531-6 \|doi=10.1007/978-1-59745-530-5_3 \|pmid=18450044 }}</ref>{{rp\|47}}

			在商业领域中，描述性统计提供了对多种类型数据的有用总结。例如，投资者和经纪人可能通过对其投资进行经验性和分析性分析，使用历史回报行为的账目，以便在未来做出更好的投资决策。

			=== 单变量分析 ===
			[[单变量分析]] 涉及描述单个变量的[[频率分布\|分布]]，包括其集中趋势（包括[[平均数]]、[[中位数]]和[[众数（统计学）\|众数]]）和离散程度（包括数据集的[[范围（统计学）\|范围]]和[[四分位数]]，以及像[[方差]]和[[标准差]]这样的离散程度度量）。分布的形状也可以通过诸如[[偏态]]和[[峰度]]等指标来描述。变量分布的特征也可以通过图形或表格格式展示，包括[[直方图]]和[[茎叶图]]。

			=== 双变量和多变量分析 ===

			当样本包含不止一个变量时，描述性统计可以用来描述变量对之间的关系。在这种情况下，描述性统计包括：

			* [[列联表\|交叉表]] 和 [[列联表]]
			* 通过[[散点图]]的图形表示
			* [[相关性和依赖性\|依赖性]]的定量度量
			* [[条件分布]]的描述

			区分单变量和双变量分析的主要原因是，双变量分析不仅仅是简单的描述性分析，它还描述了两个不同变量之间的关系。<ref>{{cite book \|first=Earl R. \|last=Babbie \|title=The Practice of Social Research \|url=https://archive.org/details/isbn_9780495598428 \|url-access=registration \|edition=12th \|publisher=Wadsworth \|year=2009 \|isbn=978-0-495-59841-1 \|pages=[https://archive.org/details/isbn_9780495598428/page/436 436–440] }}</ref> 依赖性的定量度量包括相关性（例如当两个变量都是连续的时使用[[皮尔逊相关系数]]，或者如果一个或两个变量不是连续的时使用[[斯皮尔曼等级相关系数]]）和[[协方差]]（反映变量测量的尺度）。在回归分析中，斜率也反映了变量之间的关系。非标准化斜率指出在[[预测\|预测变量]]发生一个单位变化时，标准变量的单位变化。标准化斜率则指出这种变化以标准化（[[z-分数]]）单位表示。高度偏斜的数据通常通过取对数来转换。使用对数可以使图形更对称，看起来更像[[正态分布]]，从而使其更直观易解。 <ref>{{cite book \|first=Todd G. \|last=Nick \|chapter=Descriptive Statistics \|title=Topics in Biostatistics \|series=[[分子生物学方法]] \|volume=404 \|location=New York \|publisher=Springer \|year=2007 \|pages=33–52 \|isbn=978-1-58829-531-6 \|doi=10.1007/978-1-59745-530-5_3 \|pmid=18450044 }}</ref>{{rp\|47}}

			== 引用 ==
			{{Reflist}}

2024年1月17日 (三) 01:20 RainW

2024-01-17T01:20:00Z

←上一版本		2024年1月17日 (三) 09:20的版本
第1行：		第1行：
	{{Infobox nodebasic		{{Infobox nodebasic
	\|nodename=数据分析描述统计		\|nodename=数据分析描述统计
	\|nodeimage=Statistical Descriptive Analysis.png		\|nodeimage=Statistical Descriptive Analysis.png
第27行：		第27行：
	\|nextnode=[[单因素正态性检验]]		\|nextnode=[[单因素正态性检验]]
	}}		}}


			然而，通常情况下，单向ANOVA用于测试至少三个组之间的差异，因为两组的情况可以通过[[t检验]]（Gosset, 1908）覆盖。当只有两个平均值需要比较时，[[t检验]]和[[F检验]]是等价的；ANOVA与''t''之间的关系由''F'' = ''t''<sup>2</sup>给出。单向ANOVA的一个扩展是[[双因素方差分析]]，它考察了两个不同分类自变量对一个因变量的影响。

2023年12月8日 (五) 05:46 Zeroclanzhang

2023-12-08T05:46:55Z

←上一版本		2023年12月8日 (五) 13:46的版本
第21行：		第21行：
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList;DropManu		\|nodeconfiguration=VariableList;DropManu
	\|nodeinputports=WorkFlow-Control 🠊;Transfer-Variable ◆;Transfer-Table ■		\|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control 🠊;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control ➤;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/数据分析描述统计		\|statsapewikiurl=https://wiki.statsape.com/数据分析描述统计
	\|previousnode=[[分层变量循环转列表]]		\|previousnode=[[分层变量循环转列表]]

2023年12月8日 (五) 04:09 Zeroclanzhang

2023-12-08T04:09:20Z

←上一版本		2023年12月8日 (五) 12:09的版本
第21行：		第21行：
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList;DropManu		\|nodeconfiguration=VariableList;DropManu
	\|nodeinputports=WorkFlow-Control 🠶;Transfer-Variable ◆;Transfer-Table ■		\|nodeinputports=WorkFlow-Control 🠊;Transfer-Variable ◆;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control 🠶;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control 🠊;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/数据分析描述统计		\|statsapewikiurl=https://wiki.statsape.com/数据分析描述统计
	\|previousnode=[[分层变量循环转列表]]		\|previousnode=[[分层变量循环转列表]]