我国元数据研究论文的统计分析

数据可从网上搜索，统计年鉴及各大数据库都有，再通过统计软件作分析，例如相关分析和回归分析，这种论文偏理论型。

推论统计学被用来将资料中的数据模型化，计算它的机率并且做出对于母体的推论。这个推论可能以对/错问题的答案所呈现（假设检定）。

对于数字特征量的估计（估计），对于未来观察的预测，关联性的预测（相关性），或是将关系模型化（回归）。其他的模型化技术包括变异数分析（ANOVA），时间序列，以及数据挖掘。

为了实际的理由，我们选择研究母体的子集代替研究母体的每一笔资料，这个子集称做样本。以某种经验设计实验所搜集的样本叫做资料。

资料是统计分析的对象，并且被用做两种相关的用途：描述和推论。描述统计学处理有关叙述的问题：资料是否可以被有效的摘要，不论是以数学或是图片表现，以用来代表母体的性质？基础的数学描述包括了平均数和标准差。图像的摘要则包含了许多种的表和图。

数据统计分析：

1、常见的数据分析指标

综合性指标：反映产品的整体情况。

流程性指标：反映用户的使用行为。

业务性指标：反映具体的业务情况。

2、常见的数据分析维度

数据细分：通过不同的细分维度分析，往往可以追溯到问题发生的原因，还能为后续的一些动作提供参考依据。

数据对比：没有对比就没有伤害，一方面是横向比较，即自身和别人进行对比，如长江的同比、环比；另一方面是纵向比较，即自身和自身进行对比，比如行业竞品、全站数据、AB测试等。

3、常见的数据分析方法

Google HEART模型的提出，可以让大家反思自己的产品设计思维，同时运用相关设计工具去提高HEART五项指标来完善用户体验，打造更好的产品。

AARRR模型该模型出自于《增长黑客》，它是在2007提出，当年的获客成本还比较低廉，而这种模型很简单又很直观地突出了增长的所有重要元素，所以这个模型很长时间内都很受欢迎。

现在获客的成本与日俱增，市场情况和2007年已经完全不同。现在黑客增长的真正关键在于用户留存，而不是获客。于是，一个突出了用户留存重要性的模型RARRA诞生了。

数据简介

数据统计，是互联网传媒行业或其他操作流程的数据统计的统称，用于历史资料、科学实验、检验、统计等领域。以便精准快速的查找与分类。

数据统计是互联网传媒行业或其他操作流程的数据统计的统称。也历史资料、科学实验、检验、统计等所获得的和用于科学研究、技术设计、查证、决策等的数值加以统计为解决方案做前期准备。

不一样原因如下元分析（meta-analysis )统计方法是对众多现有实证文献的再次统计，通过对相关文献中的统计指标利用相应的统计公式，进行再一次的统计分析，从而可以根据获得的统计显著性等来分析两个变量间真实的相关关系。元分析程序输入参数包括：各个观察到的相关系数（已有研究文献中变量间的相关计分析，从而可以根据获得的统计显著性等来分析两个变量间真实的相关关系。方法简介元分析要求每个观察到的相关系数经过研究样本的大小的权重处理，从而产生经过权重处理的总体相关性的平均估计值。这个观察值的误差包括总体样本的真实误差，样本误差，以及测量误差。因此为了获得精确的总体相关性及其误差，需要对样本误差和测量误差等进行修正，找出“调节变量”分组研究。另外，元分析对使用的数据进行了一定的限制要求。如“一个变量在不同的研究中有多种衡量指标”出现时，需首先得将这种“异质性”进行处理（Hunter and Schmidt,1990）以保证数据来源及统计方式的一致性。统计特点第一次使用“元分析”这个概念的人是美国学者格拉斯，他在1976年美国教育研究联合会(American Education Research Association)的发言致辞中首次提出元分析概念。格拉斯认为，元分析是一种对分析的分析，具有以下主要特点：(1)元分析是一种定量分析方法，它不是对原始数据的统计，而是对统计结果的再统计；(2)元分析应该包含不同质量的研究；(3)元分析寻求一个综合的结论。统计缺点元分析可以成为跨研究评判结果的一件有力工具。即使许多研究者已经乐意接受元分析的概念了，可还有一些人基于若干理由而质疑它的有用性。评估被评论的研究的质量在一家期刊里可见的研究之质量取决于期刊的编辑政策。有些期刊有严格的发表标准，而另一些的发表标准就不太严格。这就意味着发表的研究之质量在不同的期刊间会有很大差别。元分析面临的一个问题是如何处理参差不齐的研究质量。例如，在一家非同侪评审的期刊上发表的文章应该与在一家需同侪评审的期刊上发表的文章一视同仁吗?遗憾的是对这个问题没有简单的答案。应该沿什么维度来对研究加权呢?这毫无一致意见。需一非同侪评审的维度虽然是可以的，但是你采用这个维度时也要当心，因为一家期刊是不是同侪评审的，这并不是发表的研究之质量的可靠指标。在一个新的领域里用新方法做的研究有时会被同侪评审的期刊拒绝，尽管这家期刊在方法学上是健全的，也是高质量的。类似地，在同侪评审的期刊发表的作品虽然有助于你确信该研究的质量是高的，但不保证高质量。用不同的方法合并与比较研究对元分析的常见批评是难以理解怎么可能对材料、量器以及方法都广泛不同的诸研究做比较。这个问题通称为“苹果与桔子之争”(Glass，1978)。对元分析的这种批评虽常见，却无效。比较不同的研究结果与在一个普通实验里对异质被试作平均化是毫无不同的。如果你愿意接受对被试作平均化，那也就能接受对异质研究作平均化。关键问题不是应不应该在异质研究之间做平均，而毋宁说是不同的研究方法会不会带来不同的效应规模。当某一被试变量成了研究中的一个问题时，你经常会“胶着”在这个被试变量上以确定它是如何与出现的差异相关联的。同样的，如果方法学的差异显得与研究结果有关联，那么在一项元分析里，研究也要停下来考察方法学。元分析的工作是一项艰巨的工作。对同一问题做实验，可以使用很不同的方法与统计技术。还有，某些研究也许没有提供必要的信息可做元分析。元分析的结果不同于传统述评的结果吗?传统的述评产生的结果是不是与元分析的结果有质的不同?这的确是个问题。有学者直接比较了这两种方法。他们把研究生和教授随机分配于做元分析或做传统述评，材料是7篇文章，讲述被试性别对作业坚持性的影响。其中两篇研究认为女性比男性更有坚持性，而另5篇要么没有统计数据，要么显示没有显著效应。这一研究的结果显示了使用元分析的参与者比使用传统方法的参与者更有可能得出性别对坚持性有影响的结论。另外，比之于做元分析的参与者，做传统述评的参与者认为性别对坚持性的影响小。总起来看，使用元分析的参与者有68%愿意断言性别对坚持性有影响，而只有27%使用传统方法的参与者有此倾向。用统计学的话来说，做元分析者比传统述评者更愿意拒绝性别无影响的虚无假设。因此使用元分析来评判研究会导致Ⅱ型决策错误的降低。最后，值得注意的是，使用元分析本身要求的统计学进路与对传统实验数据做统计分析的研究策略是一样的。当我们得到一个实验的结果时，我们不会只打量(“盯着”)数据，看看是否存在什么模式或关系。相反，在大多数情况下，我们用统计分析来评判关系是否存在。同样的，与其“盯着”诸研究而猜测可能的关系，还不如把一项统计分析应用于不同研究的结果，以见是否存在有意义的关系，这会更好。统计步骤元分析要具有可复制性，不仅应尽可能多地检验搜集来的研究样本，观察它们是否可以凸显出某种单项研究显现不出的潜藏规律，还应该清楚地描述自己是如何发现这些研究及如何对它们作分析的，以便他人进行评价。因此，元分析必须遵循详尽、严格的研究步骤。确定研究目的确定研究目的也就是组织研究框架。在收集研究之前，首先必须确定研究中想要探索的文献领域及将要包括的题目范围。元分析涵盖的题目有时很宽泛，但其核心必须界定清楚，而且应该建立一套挑选研究样本的“包含”与“排除”标准，这样可以帮助一起合作的研究者在面对同一群文献时能够运用同样的标准去查找或分析研究。确定研究目的时，还需要充分理解自己所要分析的概念及使用的方法，就像确定实验研究中的自变量和因变量一样，确定所要研究的效果量及结果。彻底的文献搜索通过包括计算机网络在内的各种手段进行彻底的文献搜索，也就是研究样本的搜索，这对元分析的有效性非常重要，是综合研究得出结论的基础。对文献样本的收集可根据Rosenthal(1984)提出的大概分类标准：书：包括作者的原著、几位作者共同合编的书及书的某些章节；期刊：包括专业期刊、已出版发表的时事通讯、杂志及报纸；论文：包括博士论文、硕士论文及学士论文；未发表的研究：包括某些技术报告、学术报告、大会论文及将要发表的论文。确定适合的研究样本选择符合研究框架的研究样本是元分析的关键。要考虑多种问题，如它的研究设计，文章发表的时间，文章使用何种语言表述，研究中的样本大小及信息是否完整等等。一般而言，尽可能选择最新的研究。对于未被选中的资料在分析中也要说明，这样就可以清楚明了地表明这些研究曾经发表过，并非经过一段时间将它们遗漏，只是没有作为设计的一部分包括进研究内。同时如果在研究中仅选择了以母语或英语表述的文章，就要说明这样做的理由。另外，如果看到某一类研究在相似的题目上有多重报告，那么就选择其中一个信息较为完整的研究，使同一类型研究中的信息对元分析只贡献一次。尽量排除小样本的研究。如果选择了纵向跟踪研究，则要尽早决定跟踪研究的时限。定义变量及对变量编码在收集、选择了元分析的文献后，必须确定在元分析中要检验何种研究特征，这些特征就是元分析的变量。一般有以下四种变量：(1)识别背景特征的变量。这类变量包括入选研究样本的数量，研究样本的参考文献，对研究编码的人数(一般要求至少两人以上)，研究资料的来源等。(2)识别样本特征的变量。这类变量包括被试的特征，如性别、年龄、民族、受教育水平、社会经济状况等。(3)识别研究特征的变量。这类变量包括研究的理论架构，研究设计，研究采用的工具，研究测量的效应类型以及其他。如果可能，这类变量可以帮助解释研究方法与结果之间的关系。识别统计特征的变量这类变量包括两类统计值，一个是表现平均值差异的效果量d，这需要关注每一个研究中的平均数、标准差和样本大小。另一个是表现关系的相关系数r，这需要关注每一个研究中的相关系数及相关的测量统计值。在界定了用来测量研究的变量之后，还需要为每一个变量编码数据。对于每一个元分析而言，都应该有一套界定好的数据编码系统，不同的数字代表了每一类变量中不同的水平情况。如关于性别，若样本中仅有男性，编码系统可将其编码为1，若样本中仅有女性，则可编码为2，若既有男性又有女性，则可编码为3，如果样本未对性别作明确说明，则可用999(缺失值)进行编码。研究者需要对所有的分析变量进行编码。研究数据的录入元分析中搜集来的有关各样本研究特征的数据，需要录入一个相关的统计软件包进行分析。“元统计”软件包是由Rudner、Evartt和Emery规划设计的，其中包含有Glass、Hedges、Olkin、Schmidt和Hunter及其他学者的大量元分析理论，如Hedges的同质性检验，Rosenthal和Rubin的聚合显著性水平分析，以及近似随机化检验及效果量大小计算等等。该软件包还可以提供大量的程序来帮助完成数据录入、统计分析和图表分析，数据录入的形式既可以依据标准码的形式也可以依据SPSS的固定格式。运用多种统计技术探索、展现数据在进行复杂的元分析之前，应先对一些基础的数据特征进行分析，特别是录入数据后最好做一个简单频次分布图与散点图，来观察数据录入是否合理或者在所有欲分析的研究中是否有非常明显的异常数据存在。如果有，则可用软件包中提供的相应处理异常数据的方法来尽早地修正或远离它们。对于具体采用哪些元分析技术，要根据研究目的来决定。一般地，需要计算各研究样本的效果量及总效果量的大小，计算对总效果量估计的置信区间以及对各研究样本的同质性检验。面对不同质的样本要做敏感性分析，即根据研究质量的评定对研究样本分层，可划分为两层或多层，然后对每一层分别进行分析，同时对比其结果[1] 。