大数据对统计学的冲击与机遇
本科毕业论文(设计) 论文题目：大数据对统计学的冲击与机遇
学生姓名：黄耀真
学号： 1004100311
专业：统计学
班级：统计1003班
指导教师：朱钰
完成日期：2014年 4月 10日
大数据对统计学的冲击与机遇
内容摘要
2010年，全球数据跨入了ZB时代，据IDC预测，至2020年全球将拥有35ZB的数据量，大量数据实时地影响我们工作、生活，甚至国家经济、社会发展，大数据时代已经到来。基于数据关系的内在本质决定了大数据与统计学之间的必然关系，大数据对统计学产生了冲击又提供了机遇。本论文首先对现代统计学体系作了简要介绍。根据统计方法将统计学分为描述统计学和推断统计学，首先从大数据对描述统计学的冲击进行分析，体现在：对搜集数据方法的冲击、对搜集数据类型的冲击、对数据存储方法的冲击。再者对推断统计学的冲击进行总结。大数据对统计学的机遇体现在：抽样平均误差的降低、统计学作用范围的扩大及统计学家地位的提升。
关键词：大数据统计学冲击机遇
The impact and opportunities
of big data on statistics
Abstract:In 2010,the quantity of data rcached ZB level.According to IDC,there will be at least 35zettabytes of stored data in 2020.Massive data are affecting our life,even the economy and the development of society.The Big data era alredy come.From the perspective of subject, big data can be regarded as a new dataanalysis method due to its function in storage, integration, processing and analysis formass data. The intrinsic nature of big data based on data relationships determines thecertain connection with statistics, thus big data brings both challenges andopportunities to the development of statistics. The statistical was divided into descriptive statistics and inferencial statistics. The challenges of descriptive statistics embodied in the impact on method of data collection, the impact on data type and the impact on data storage.The summary of inferencial statistics.Besides, strengthen convincingness of statistical result,extended statistics system, wilder functionfield as well as higher status of statistician.
Key words：Big data statistics impact opportunity
目录
一、绪言 (1)
(一)大数据的概念 (1)
(二)大数据的四个特征 (1)
(三)大数据在国内外研究现状 (2)
(四)本论文结构安排 (2)
二、统计学体系 (2)
(一)统计学的含义 (2)
(二)统计学的分科 (3)
三、大数据对统计方法的冲击 (3)
(一)对描述统计学的冲击 (3)
(二)对推断统计学的冲击 (4)
四、大数据给统计学带来的机遇 (10)
(一)抽样平均误差的降低 (10)
(二)统计应用范围的扩大 (10)
(三)统计专业毕业生就业机会的增多 (11)
五、结语 (11)
参考文献 (11)
附录 (14)
一、绪言
当我们对“云计算”、“物联网”等概念还感觉模糊不清的时候，“大数据”的发展就已经呈现出燎原之势了。大数据这个概念的提出可以追述到上个世纪80年代，就有美国人提出来。2008年9月，?科学?杂志文章“Big Data:Science in the petabyte Era”。“大数据”这个词开始被人们所关注。
我们身处数据的云海里，几乎所有事物都与数据有关，体育、金融、医疗……我们每天都在产生数据，打电话、发微信、买车票、上班刷卡、到超市购物、在QQ上聊天、发微博……大量的数据无时无刻地影响我们的工作、生活乃至社会发展。数据成为与自然资源、人力资源，同样重要的战略资源，引起了科技界和企业界的广泛的关注。
根据国际数据咨询（IDC）公司报告，全球数据量大概每两年翻一番，预计到2020年，全球将会拥有35ZB的数据量（如表1所示）。
(一)大数据的概念
百度百科的定义：大数据指的是所涉及的资料量规模巨大道无法通过主流软件工具，在合理时间内达到搜集、管理、处理并整理称为企业经营决策目的的资讯。
麦肯锡的定义：大数据是指无法在一定时间内用传统数据库软件工具对内容采集、存储、管理和分析的数据集合。
无论从哪种定义，我们都可以看出，大数据并不是一种新的事物，就如同本世纪提出的“海量数据”这个概念一样，大数据只是数字化时代出现的一种现象。
(二)大数据的四个特征
1.V olume（海量）数据量级已从TB发展至PB至ZB，可称海量、巨量乃至超量。
大数据通常指10TB规模以上的数据量。当今社会之所有会产生如此巨大的数字量，一是由于各种网络技术的使用，是我们能够感知更多的事物。二是由于通讯工具的使用，使人们能够随时随地地联系，从而产生数据。
2.Variety(多样化) 数据类型繁多，包括以事务为代表的结构化数据、以网页为代表的半结构化数据和以视频和语音信息为代表的非结构化等多类数据。
3.Velocity(高速) 数据流往往为高速实时数据流，需要快速、持续的实时处理。
4.V alue(价值密度低) 以视频安全监控为例，连续不断的监控流中，有重大价值的可能仅为一两秒的数据流。
(三)大数据在国内外研究现状
针对大数据的四个4V(V olume、V ariety、V elocity、V alue)特性，研究主要是对网络上多种来源的数据进行性质分析和规律探索，很多学者尝试运用图论和统计分析等方法对数据进行定量分析。特别值得注意的是，人们已经发现了复杂的网络大数据之中存在一些统计规律性。
1.国外研究现状
2005年Barabási等人通过对大量电子邮件数据的分析，证明人类活动中的娱乐、工作和通信模式并不遵循泊松过程，而是基于决策排队过程的结果，即由于存在优先次序导致任务执行时间具有重尾效应[1]。
针对大数据的计算理论和算法的研究目前主要集中在大数据机器学习的基础理论、参数估计方法、优化算法等方面，形成的一系列成果为大数据高效计算提供了理论支持。普林斯顿大学的Blei 等人在2011年针对大规模网络文本数据的主题建模，提出了在线学习算法，为大数据下非参数模型的高效估计奠定基础[2]。2012年，美国加州大学伯克利分校Jordan等人开展了大数据分析的理论基础研究，目前已有的成果包括分布式优化算法[3]和大数据非参数估计方法[4]。
2.国内研究现状
面对大数据的巨大的潜在价值，一些学者分析了大数据在在企业管理、甚至国家战略方面的价值。2012年李国杰通过对大数据的研究，认为大数据已成为联系人类社会、物理世界和信息空间的纽带，需要构建融合人、机、物三元世界的统一信息系统，并且在将来应该将“大数据”战略到国家层面[5]。同年，宋方通过对大数据对企业发展分析，认为未来，决定、评价企业价值的最大核心在于数据，数据积累量、数据分析能力、数据驱动业务而非流程驱动业务的能力将是决定企业生死和是否有价值的最大评判标准[6]。2012年黄晓斌、钟辉新开展了大数据对企业竞争发展方向的研究，认为企业的发展方向与大数据有密切的联系[7]。
然后，大数据的巨大潜在价值之后，其所引发的问题也不容忽视，一些学者就根据大数据的问题作了分析。如2012年涂子沛通过实例分析，说明在大数据下，会使个人隐私等问题日益严重[8]。
(四)本论文结构安排
第一章介绍本论文的研究背景，通过对背景的介绍，了解大数据的特征以及国内外的研究成果。通过对比国内外的研究，再结合自己在大学四年学习的统计专业知识，第二章较系统地介绍了描述统计学和推断统计学。进而从大数据对这两个分支的冲击分别作了介绍，从统计分析方法理论为基础，重点说明了统计学分析方法体系以及大数据对其冲击和影响。凡事有弊就有利，第三章着重从大数据对统计学的机遇出发进行了阐述。
二、统计学体系
(一)统计学的含义
统计学是对研究对象的数据资料进行搜集、整理、分析和研究，以显示其总体的特征和规律性的学科。统计学的研究对象是客观事物的数量特征和数据资料。统计学是以搜集、整理、分析和研究等统计技术为手段，对所研究对象的总体数量关系和数据资料去伪存真、去粗取精，从而达到显示、描述和推断被研究对象的特征、趋势和规律性的目的。统计学，亦可简称为统计。
(二)统计学的分科
统计方法已被应用到自然科学和社会科学的众多领域，统计学也发展成为由若干分支学科组成的学科体系。从统计方法的构成来看，统计学可以分为描述统计学和推断统计学;从统计方法研究和统计方法的应用角度来看，统计学可以分为理论统计学和应用统计学。
描述统计学(Descriptive Statistics)研究如何取得反映客观现象的数据，并通过图表形式对所收集的数据进行加工处理和显示，进而通过综合概括与分析得出反映客观现象的规律性数量特征。内容包括统计数据的收集方法、数据的加工处理方法、数据的显示方法、数据分布特征的概括与分析方法等。
推断统计学(Inferential Statistics)则是研究如何根据样本数据去推断总体数量特征的方法，它是在对样本数据进行描述的基础上，对统计总体的未知数量特征做出以概率形式表述的推断。
描述统计和推断统计二者彼此联系，相辅相成，描述统计是推断统计的基础，推断统计是描述统计的升华。具体研究中，是采用描述统计还是推断统计，应视具体的研究目的而定，如研究的目的是要描述数据的特征，则需描述统计；若还需对多组数据进行比较或需以样本信息来推断总体的情况，则需用推断统计。
下文将从描述统计学和推断统计学这两个分支出发，讨论大数据对统计方法的冲击。
三、大数据对统计方法的冲击
(一)对描述统计学的冲击
描述统计学(Descriptive Statistics)研究如何取得反映客观现象的数据，并通过图表形式对所收集的数据进行加工处理和显示，进而通过综合概括与分析得出反映客观现象的规律性数量特征。内容包括统计数据的收集方法、数据的加工处理方法、数据的显示方法、数据分布特征的概括与分析方法等。
1.对数据搜集基本方法的冲击
搜集数据的途径众多，可通过普查、统计报表、抽样调查、典型调查、重点调查等获得资料。搜集数据的过程中除了要注意资料的真实性和可靠性外。在数据的搜集、整理、分析等各阶段都存在误差，统计数据的误差主要有登记性误差和代表性误差两类。
登记性误差是调查过程中由于调查或被调查者的人为因素所造成误差。调查者所造成的登记性差主要有：调查方案中有关的规定或解释不明确导致的填报错误、抄录错误、汇总错误等；被调查者造成的登记性误差主要有：因人为因素干扰形成的有意虚报或瞒报调查数据，这种误差在统计调
查中应予以重视。而在大数据时代下，数据的存储就像摆在商店里的商品一样，可以直接筛选出对自己有用的数据，数据来源于信息技术记录下的原始数据，这些数据的搜集仅仅依赖于测量方法（如GPS定位测量、图书图管理系统等），而不需要调查对象的配合。一旦技术成熟，大量的数据传输中，想要篡改数据是极其困难的，所以登记性的误差大大降低。
代表性误差主要是指用样本数据进行统计推断时产生的随机误差。代表性误差产生的原因主要有：抽取样本时没有遵循随机原则，样本结构与总体结构存在差异，样本容量不足，等等。这类误差在传统的搜集方法中通常是无法消除的。但在大数据背景下，一方面，数据搜集下的统计调查基本可以认为是普查，在普查情况下，代表性误差可以基本消除。另一方面，统计数据反映的是总体趋势，往往无法对应到具体的个体情况，难以获得更加有价值的信息。但随着数据采集获取技术的进步，人们可掌握的数据渐渐由全局性的宏观数据，再到中观层面的数据，最后又回到微观层面，即关注个体的行为模式。这不是倒退，而是技术进步所带来数据价值的变化。
总的来说，大数据下搜集的方法更为多变，搜集的速度更为精确，数据的质量更高。
2.对搜集数据类型的冲击
传统统计搜集的资料可以分为两类不同性质的资料：一是连续数据，也叫计量资料，指通过实际测量得到的数据，如对儿童身高、体重测量所得的数值，或在考试测验中所得的分数等；二是间断数据，也叫计数资料，指通过对事物类别、等级等属性点计所得的数据，如儿童男女的人数，学习成绩在优、良、中、及格、不及格各个等级中的人数等。
传统统计学依赖于结构化数据，如数字等信息，但非结构数据（包括文本、图像、图像、音频和视频等信息）和半结构化数据（如 HRML 文档）同样蕴含着海量信息和统计规律。统计学是研究事物本身的数量关系，但并非所有的研究对象都有量化指标，也不是所有的量化指标能够很好地说明研究对象。
目前大数据采集到的数据 85%以是非结构化和半结构化数据，传统的关系数据库无法胜任这些非结构化和半结构化数据的处理，但大数据可通过建立非结构数据库对这些海量数据进行标准化处理，将非结构化数据转化为结构化数据，从而发挥这些多元化数据的潜在作用[10]。若传统统计学能突破结构化数据的限制，降低样本选取标准，建立非结构数据库，使统计学的数据基础呈多元化，则统计学的应用范围会大幅扩大。
3.对数据存储方法的冲击
从传统意义上看，数据库是用来存储高度结构化数据的，采用电子表格的形式，这样有利于处理相对简单的问题，适用于数据处理量不算大的用户。但是现在，数据量不断增加，从机器处理生成的数据到电子表格，涉及PDF，网页博客，图片，视频等等。所有这些数据都是特定领域的数据类型，结构复杂。
(二)对推断统计学的冲击
推断统计学(1nferential Statistics)则是研究如何根据样本数据去推断总体数量特征的方法，它是在对样本数据进行描述的基础上，对统计总体的未知数量特征做出以概率形式表述的推断。
1.推断统计学体系
（1）参数检验与非参数估计。参数检验是推断统计的重要组成部分。推断统计方法是根据样本数据推断总体特征的方法，它在对样本数据描述上的基础上，以概率的形式对统计总体的未知数量特征（如均值、方差等）进行表述。
通过对样本数据的研究来推断总体特征主要出于以下两大原因：第一，总体数据无法全部收集到。例如，进行全球性研究问题。如全球大学生的网上购物量，或者要调查全球的老年人养老问题等。对这类问题的研究，人们根本无法对所有的个体进行统计，只能采取抽样技术，从总体中随机抽取一部分样本进行检测，进而推断总体特征。第二，在某些情况下虽然总体数据能够收集到，但收集样本时将会消耗大量的人力、物力和财力。例如，研究某市大学生就业情况，或者研究“五一”假期旅游费用等。对这类问题的研究，虽然理论上可以获得总体数据，但如此大规模的调查和数据采集工作，必须需要大量的投入。实际研究中为节约开销往往也采用抽样技术，对小部分人群进行随机调查获取数据，并以此推断总体的情况。
利用样本数据对总体特征的推断通常在以下两种情况进行：第一，总体分布已知（如总体为正态分布）情况下，根据样本数据对总体分布的统计参数（如均值、方差等），这类统计推断问题通常采用参数检验的方法来实现。第二，总体分布未知的情况下，根据样本数据对总体的分布形式或特征进行推断。此时通常采用的推断统计方法是非参数检验的方法。
从上文可以知道，参数检验是整个统计学的核心。在大数据背景下，样本即总体，不需要用样本的估计量去估计总体参数，但是，参数检验不会被替代。在我看来，大部分的调查都是属于民间调查，没有条件用到大数据库，因此参数检验仍然适用。
（2）方差分析。方差分析是从观测变量的方差入手，研究诸多控制变量中那些变量是对观测变量有显著影响的变量，对观测变量有显著的各个控制变量其不同水平以及个水平的交互搭配是如何影响观测变量的。
方差分析认为观测变量值的变化受两类因素的影响：第一类是控制因素（控制变量）不同水平所产生的影响；第二类是随机因素（随机变量）所产生的影响。这里随机因素是指那些人为很难控制的因素，主要是指试验过程中的抽样误差。
在大数据下，进行方差分析时，因为相当于进行普查，所以抽样误差趋于零，这样，观测变量值的变化可认为只受控制因素的影响。
（3）相关分析。相关分析是用来分析事物之间统计关系的方法。进行相关分析的方法有绘制散点图、计算相关系数等。
绘制散点图是相关分析过程中极为常用且非常直观的分析方式。它将数据以点的形式画在直角平面上。通过观察散点图地发现变量间的统计关系以及它们的强弱程度和数据对的可能走向。我们知道，在绘制散点图时，如果样本量不够，绘制出的散点图就无法真实地反应变量间的统计关系以
及它们的强弱程度和数据对的可能走向，但是在大数据下，随着研究个体数据的增多，散点图更能精确地显示数据对的关系。
绘制散点图的方式有两种，一种是手绘，一种是应用统计软件，如SPSS等。当今的统计软件所能容纳的样本量有限，大数据下，要研究的数据之大已经超过了当今容积软件的承受范围。统计软件要适时地更新，才能应对大数据下海量的数据量。
（4）聚类分析。聚类分析是一种建立分类的多元统计方法，它能够将一批样本（或变量）数据根据其诸多特征，按照在性质上的亲疏程度在没有先验知识的情况下进行自动分类，产生多个分类结果。类内部个体特征具有相似性，不同类间个体特征的差异性较大。
理解聚类分析的关键是理解何谓“没有先验知识”以及“亲疏程度”。所谓“没有先验知识”是指没有事先指定分类标准；所谓“亲疏程度”是指在各变量（特征）取值上的总体差异程度。聚类分析正是基于此实现数据的自动分类的。
在大数据的冲击下，聚类分析不仅仅是对样本进行分类，而是将整个研究的总体进行分类，很明显，在总体上的分类能更清楚地看到各分类与总体的关系以及各分类之间的差异。对于大数据的分析处理，通过聚类可以简化后续处理过程，并且可以发现其中隐藏的某些规则，充分发挥了大数据的作用。
（5）主成分分析。主成分分析是将多指标化为少数几个综合指标的一种统计方法主成分分析是从原始变量中导出少数几个主分量，使他们尽可能多地保留原始变量的信息，且彼此互不相关。主成分分析的应用目的是数据的压缩、数据的解释，它常被用来寻找判断某种事物或现象的综合指标，并且给综合指标所包含的信息以适当的解释，从而更加深刻地揭示事物的内在规律。
当传统统计学中的主成分分析在研究多变量问题时，变量太多会增大计算量和增加分析问题的复杂性，人们自然希望在进行定量分析的过程中涉及的变量较少，而得到的信息量又较多。而在大数据冲击下，我们从总体分析下，涉及的变量更全面，从而我们能够更为精确地确定主影响因素。
（6）因子分析。因子分析在某种程度上可以被看成是主成分分析的推广和发展，它对问题的研究更加深入，研究相关阵或协方差阵的内部依赖关系，它将多个变量综合为少数几个因子，以再现原始变量与因子之间的相关关系，也是多元统计分析中降维的一种方法。因子分析是通过研究多个变量间相关系数矩阵的内部依赖关系，找出能综合所有变量的少数几个随机变量，这几个随机变量是不可测量的，通常称为因子。然它们在性质上的亲疏程度加以分类. 实质是按照距离的远近将数据分为若干个类别，以使得类别内数据的差异尽可能小，类别间的“差异”尽可能大。
（7）回归分析。回归分析是一种应用极为广泛的数量分析方法。它用于分析事物之间的统计关系，侧重考查变量之间的数量变化规律，并通过回归方程的形式描述和反映这种关系，帮助人们准确把握变量受其他一个或多个变量影响的程度，进而为预测提供科学依据。
回归分析的一般步骤如下：第一，确定回归方程中的解释变量和被解释变量。第二，确定回归模型。第三，建立回归方程。第四，对回归方程进行各种检验。第五，利用回归方程进行预测。
大数据下的回归分析，不需要提前确定解释变量和被解释变量，只需从大规模海量数据中建立
模型和发现数据网络关系，是从整体层面进行研究，从而确定相关系数，因为是从整个数据网络分析的，所以确定的解释变量与被解释变量可能是一对多的，这样我们确定出来的回归方程就更精确。
（8）时间序列分析。时间序列就是把反映某一现象的同一指标在不同时间上的取值按时间的先后顺序排列所形成的一个动态数列。它反映社会经济现象发展变化的过程和特点是研究现象发展变化的趋势和规律以及对未来状态进行科学预测的重要依据。 时间序列分析最常用的方法有两种一是指标分析法二是构成因素分析法。 所谓指标分析法是指通过计算一系列时间序列分析指标包括发展水平、平均发展水平、增减量、平均增减量、发展速度、平均发展速度、增减速度和平均增减速度等来揭示现象的发展状况和发展变化程度的分析方法。
构成因素分析法是将时间序列看作是由长期趋势、季节变动、循环变动和不规则变动集中因素所构成的通过对这些因素的分解分析揭示现象随时间变化而演变的规律并在揭示这些规律的基础上假定事物今后的发展趋势遵循这些规律从而对事物的未来发展做出预测。
（9）贝叶斯推断
贝叶斯推断（Bayesian inference ）是一种统计学方法，用来估计统计量的某种性质。
它是贝叶斯定理（Bayes' theorem ）的应用。英国数学家托马斯·贝叶斯（Thomas Bayes ）在1763年发表的一篇论文中，首先提出了这个定理。
要理解贝叶斯推断，必须先理解贝叶斯定理。后者实际上就是计算"条件概率"的公式。
所谓"条件概率"（Conditional probability ），就是指在事件B 发生的情况下，事件A 发生的概率，用P(A|B)来表示。
根据上图，可以很清楚地看到在事件B 发生的情况下，事件A 发生的概率就是P(A ∩B)除以P(B)。
()(|)()P A B P A B P B ?= 因此， ()(|)()P A B P A B P B ?=
同理可得，
()()|()P A B P B A P A ?=
所以，
()(|)()|()P A B P B P B A P A =
即
(|)()(|)()
P B A P A P A B P B = 这就是条件概率的计算公式。
由于后面要用到，所以除了条件概率以外，这里还要推导全概率公式。
假定样本空间S ，是两个事件A 与A'的和。
上图中，圆形部分为事件A ，矩形出去圆形部分剩下的部分为事件A'，它们共同构成了样本空间S 。在这种情况下，事件B 可以划分成两个部分。
即
()()(')P B P B A P B A =?+?
在上一节的推导当中，我们已知
()()|()P A B P B A P A ?=
所以，
()()()|()|'(')P B P B A P A P B A P A =+
这就是全概率公式。它的含义是，如果A 和A'构成样本空间的一个划分，那么事件B 的概率，就等于A 和A'的概率分别乘以B 对这两个事件的条件概率之和。
将这个公式代入上一节的条件概率公式，就得到了条件概率的另一种写法：
()()(|)()(|)|()|'(')
P B A P A P A B P B A P A P B A P A =+
对条件概率公式进行变形，可以得到如下形式：
(|)(|)()()
P B A P A B P A P B = 我们把P(A)称为"先验概率"（Prior probability ），即在B 事件发生之前，我们对A 事件概率的一个判断。P(A|B)称为"后验概率"（Posterior probability ），即在B 事件发生之后，我们对A 事件概率的重新评估。P(B|A)/P(B)称为"可能性函数"（Likelyhood ），这是一个调整因子，使得预估概率更接近真实概率。
所以，条件概率可以理解成下面的式子：
后验概率＝先验概率×调整因子
这就是贝叶斯推断的含义。我们先预估一个"先验概率"，然后加入实验结果，看这个实验到底是增强还是削弱了"先验概率"，由此得到更接近事实的"后验概率"。
在这里，如果"可能性函数"P(B|A)/P(B)>1，意味着"先验概率"被增强，事件A的发生的可能性变大；如果"可能性函数"=1，意味着B事件无助于判断事件A的可能性；如果"可能性函数"<1，意味着"先验概率"被削弱，事件A的可能性变小。
贝叶斯推断与其他统计学推断方法截然不同。它建立在主观判断的基础上，也就是说，你可以不需要客观证据，先估计一个值，然后根据实际结果不断修正。正是因为它的主观性太强，曾经遭到许多统计学家的诟病。
贝叶斯推断需要大量的计算，因此历史上很长一段时间，无法得到广泛应用。只有计算机诞生以后，它才获得真正的重视。人们发现，许多统计量是无法事先进行客观判断的，而大数据时代出现的大型数据集，再加上高速运算能力，为验证这些统计量提供了方便，也为应用贝叶斯推断创造了条件，它的威力正在日益显现。
2.对推断统计学的冲击总结
从上文可以清楚地想到，对海量数据的对海量数据的搜索、聚类和分类依赖于统计学的一般方法，因而大数据的研究继承了统计学科的一些特点。但大数据尚未被统计学吸纳和应用，这主要是由于大数据与统计学存在两个很关键的冲突。
（1）样本统计与全样本统计的冲突
统计学依赖于样本统计（普查除外），样本是按照一定的概率从体中抽取并作为总体代表的集合。在样本规模一定的情况下，样本的数量越小样本估计的误差就越大，这是样本统计不可避免的缺陷。要克服这个缺陷就要扩大样本量，但是扩大样本量成本就会增加，如时间成本、资金成本等，所以无限制地扩大样本量是不现实的。
大数据时代产生了海量的即时的电子化数据，数据呈现“总体即样本”的趋势，这一特点刚好能弥补样本统计的这一劣势。大数据的全样本统计虽然能够覆盖全部总体，但必须确保数据的真实性。
（2）预测分析和非预测分析的冲突
统计学的本质是分析变量之间的相关关系，即两个或两个以上变量之间存在的某种规律性，故数据搜集是发生在变量确定之后，数据的分析价值是可预测的。若要研究利率对房价的影响，则利率大小和房价数据会有目的地被搜集和分析。
大数据是从大规模海量数据中建立模型和发现数据网络关系，是从整体层面进行研究的[9]。与统计学的预测分析相比，海量数据早已存储，是先于分析需求而存在的，所以建立在大数据之上的分析更多的是非预测性的。
四、大数据给统计学带来的机遇
海量数据的存在使我们在利用统计方法处理问题时可以使用更多的数据，甚至在某些场合能够使用全体数据，数据不再成为统计分析的制约因素，同时大数据基础上的统计效率、拟合度和预测准确性也会大大提高。统计学的优势在于“以小见大”，用样本统计量来估计总体，甚至有学者指出，很多情况下，只有有一定的数据，无关数据数量，分析结果不会有太多差别。这是统计学的优势，同时也是统计学在小数据约束下的妥协。在大数据时代，数据量的增加，有助于减小数据的误差，如抽样误差等，能够极大地提高各类分析的精确度，这是大数据对统计学的直接影响之一。
(一) 抽样平均误差的降低
1. 重复抽样的平均误差
计算公式为：
n 表示样本量，σ为样本标准差。 从大数据的角度上讲，n 趋于无穷大，则X μ趋于0，表示为 即平均误差趋于0。
2.不重复抽样的平均误差
计算公式为：
n 表示样本量，σ为样本标准差。
从大数据的角度上讲，n 趋于无穷大，则X μ趋于0，表示为
即平均误差趋于0。
由以上的例子可以清楚地看出，大数据可以有效地避免抽样误差。
此外，大数据的全面统计可排除统计分析结果的人为误差。对于大部分的样本搜集方法，研究者自身的人为主观判断对统计结果都存在不可忽视的干扰。电话采访的调查结果会受到采访者采访方式、语气的影响，问卷调查的结果也会因为调查问卷设计的不同而有所差别，而且当受调查者意识到自己在接受调查时很有可能会有意地对真实情况进行部分修饰，这些都会使得由这些调查方法所得到的数据无法真实反映现实。
大数据收集的是全面数据，因而不存在抽样调查时因调查人员的主观因素造成的偏差，而且可以在受调查者没有意识到的情况下采集数据，从而在此基础上的统计分析结果可信度更高。 (二) 统计应用范围的扩大
lim 0
X n n μ→∞=
X μ=
X μ
=lim 0
X n n μ→∞==
随着网络和处理数据软件的发展，许多以前无法量化的事物和现象现在可以转化成可以分析的数据了，这意味着这些以前无法用统计学来分析的问题现在可以运用统计学的方法来处理了。在大数据时代，大量数据从一些以前认为不可数据化的领域提取出来，例如可以公司经理的微博心情得出公司运营情况的信息，可以从百度搜索排行榜推测出民众关系的物品等。只要可以获得数据，就可以运用统计学来进行数据分析，因此随着大数据的发展，统计学可发挥作用的领域将扩大。
例如近几年来我国多地频发雾霾天气，造成了巨大经济损失与民众的恐慌。如果能开发出一个较为准确的空气预测系统，在雾霾天气发生时候能及时对此发生原因进行解释并做好预防措施，避免民众恐慌。虽然目前这只是一个想法，但或许在不远的将来我们就实施这种方法。
(三)统计学毕业生就业机会的增多
据一家国际咨询公司，盖特纳咨询公司预测大数据将为全球带来440万个IT新岗位和上千万个非IT岗位。麦肯锡公司预测美国到2018年需要深度数据分析人才44万—49万，缺口14万—19万人；需要既熟悉本单位需求又了解大数据技术与应用的管理者150万，这方面的人才缺口更大。
这就足以说明，大数据人才供不应求，而统计学又是处理大数据的重要工具。随着大数据的发展，各行各业对统计学毕业生的需求将不断增加，给毕业生创造更多的就业岗位。
(四)统计学家地位的提升
在大数据时代，统计学家和数据分析家通过合理利用数据可以在一定程度上起到行业专家的作用，他们的作用延伸到各个领域，为各行各业提供有价值的建议。由于统计学家和数据分析家可以从大数据中挖掘出大量的信息并将其转化为价值，因此统计学家和数据分析师的作用受到广泛的重视，其地位得到大幅提升。
五、结语
当我们身处于大数据时代时，面对错综复杂的数据，我们是迷茫？还是抽丝剥茧发现其巨大的价值？统计学，就是其中的一把极其重要的钥匙。参数检验、方差分析、相关分析、聚类分析、主成分分析、因子分析、回归分析、时间序列分析、贝叶斯推断等统计分析方法，为大数据的研究方法的创建奠定了基石。同时，在大数据背景下的统计学与传统统计学也有相互背离的理论与思想，这就需要我们要有冷静的头脑去分析判断，以免混淆传统统计学与大数据下的统计学。
在大数据时代下，传统统计学为了更好地适应大数据化趋势，在数据收集方法、数据存储方式、统计分析方法等方面必然要进行改革和创新。大数据对传统统计学提出了巨大的挑战，但同时也为传统统计学的迅速发展提供了契机，统计学将在大数据时代迎来新的发展。可以总结为下面几个方面。第一，统计结果能清晰地反应每个样本（个体）的情况。传统统计学旨在用样本量来估计总体的参数，而忽视了样本自身的特征，大数据下的统计学能够避免这个问题。第二，统计分析方法不
再受限于样本数量的多少。在大数据下，统计调查的样本相当于总体，也就是说每一次的统计调查都可以视为普查。第三，统计调查结果的延迟性得到改善。一般的统计调查都是研究上个季度的，而大数据下的统计调查具有实时性。
由于条件受限和时间的限制，本文还有许多不足之处。具体表现在：第一，对于大数据的处理软件没有进行详细的了解，从而对软件是如何对大数据进行分析知之甚少，例如Hadoop等大数据处理软件平台。第二，由于知识储备有限，文章对于大数据对统计学的影响分析只是从理论上分析，还没运用到实际。
参考文献
[1] Barabási A L.The origin of bursts and heavy tails in humans dynamics[J].Nature,2005,435:207-11
[2]Wang Chong,John William Paisley,David M Blei.Online Variational Inference for the Hierarchical
Dirichlet Process[J].Journal of Machine Learning Research- Proceedings Track(JMLR),2011,15:752-7 60
[3] Boyd S,Parikh N,Chu E,et al.Distributed Optimization and Statistical Learning via the Alternating
Direction Method of Multipliers[M]//Foundations and Trends in Machine Learning.now publishers Inc ,2011,3(1):1-122
[4] Kleiner A,Talwalkar A,Sarkar P,et al.The Big Data Bootstrap[C].ICML 2012,Edinburgh,UK
[5]李国杰. 大数据研究的科学价值[J]. 中国计算机学会通讯，2012, 8(9).
[6]宋方. 大数据机遇[J]. 企业管理, 2012(07): 99.
[7]黄晓斌，钟辉新. 大数据时代企业竞争情报研究的创新与发展[J]. 图书与情报,2012(06): 9-14.
[8]涂子沛.大数据[M].广西：广西师范大学出版社，2012.7.
[9]李国杰. 大数据研究的科学价值[J]. 中国计算机学会通讯，2012, 8(9).
[10]李国杰. 李国杰院士谈大数据热：近期力戒忽悠[J]. 中国科技信息，2013(4):22-23.
[11]李宁，徐萍，刘晶. 大数据时代企业的准备[J]. 现代商业, 2012(31): 70
[12] 游明伦. 多角度洞悉统计数据[J]. 数据，2010(6)：52-53.
附录
大数据对统计学的冲击与机遇
本科毕业论文(设计) 论文题目：大数据对统计学的冲击与机遇 学生姓名：黄耀真 学号： 1004100311 专业：统计学 班级：统计1003班 指导教师：朱钰 完成日期：2014年 4月 10日
大数据对统计学的冲击与机遇 内容摘要 2010年，全球数据跨入了ZB时代，据IDC预测，至2020年全球将拥有35ZB的数据量，大量数据实时地影响我们工作、生活，甚至国家经济、社会发展，大数据时代已经到来。基于数据关系的内在本质决定了大数据与统计学之间的必然关系，大数据对统计学产生了冲击又提供了机遇。本论文首先对现代统计学体系作了简要介绍。根据统计方法将统计学分为描述统计学和推断统计学，首先从大数据对描述统计学的冲击进行分析，体现在：对搜集数据方法的冲击、对搜集数据类型的冲击、对数据存储方法的冲击。再者对推断统计学的冲击进行总结。大数据对统计学的机遇体现在：抽样平均误差的降低、统计学作用范围的扩大及统计学家地位的提升。 关键词：大数据统计学冲击机遇
The impact and opportunities of big data on statistics Abstract:In 2010,the quantity of data rcached ZB level.According to IDC,there will be at least 35zettabytes of stored data in 2020.Massive data are affecting our life,even the economy and the development of society.The Big data era alredy come.From the perspective of subject, big data can be regarded as a new dataanalysis method due to its function in storage, integration, processing and analysis formass data. The intrinsic nature of big data based on data relationships determines thecertain connection with statistics, thus big data brings both challenges andopportunities to the development of statistics. The statistical was divided into descriptive statistics and inferencial statistics. The challenges of descriptive statistics embodied in the impact on method of data collection, the impact on data type and the impact on data storage.The summary of inferencial statistics.Besides, strengthen convincingness of statistical result,extended statistics system, wilder functionfield as well as higher status of statistician. Key words：Big data statistics impact opportunity
大数据时代的Excel统计与分析定制
大数据时代的Excel统计与分析 第1章大数据分析概述 1.1 大数据概述 1.1.1 什么是大数据 1.1.2 数据、信息与认知 1.1.3 数据管理与数据库 1.1.4 数据仓库 1.1.5 数据挖掘的内涵和基本特征 1.2 制造行业需要分析哪些数据？ 1.2.1 产品的良率监控 1.2.2 产品的BOM设计 1.2.3 市场数据监控 1.2.4 财务数据 1.2.5 产品生产数据 1.2.6 设备预防性维护数据 1.2.7 产品需求数据 1.2.8 其他日常数据等 第2章数据挖掘流程 2.1 数据挖掘流程概述 2.1.1 问题识别 2.1.2 数据理解 2.1.3 数据准备 2.1.4 建立模型 2.1.5 模型评价 2.1.6 部署应用 第3章大数据的Excel统计分析 3.1 研究程序与抽样 3.2 频率分布 3.2.1 传统的建表方式 3.2.2 离散变量—单选题频率布 3.2.3 如何用Word编辑频率分布表 3.2.4 绘制频率分布统计图表 3.2.5 离散变量—复选题频率分布 3.2.6 利用RANK（）函数处理 3.3 集中趋势 3.3.1 平均值\平均值的优点 3.3.2中位数\ 众数\ 内部平均值\ 最大值\最小值 3.3.3 第几最大值第几最小值
3.3.4 描述统计 3.4 离散程度 3.5 假设检验 3.6 单因子方差分析 3.7 相关分析 3.8 回归分析 3.9 聚类分析 3.10预测分析 第4章大数据的图表分析案例 前言：常见图表分析的三大错误 4.1 用实例说明九大类型图表：饼图、柱状图、条形图、折线图、散点图、雷达图、气泡图、面积图、圆环图的应用场合 4.2 几种专业的图表分析法 4.3九大类型图表的生成实例演练 4.4介绍几种专业的图表分析工具，您需要展示与众不同的专业度 -利用双曲线组合图表显示预计销量和实际销量对比 -利用柱形层叠图显示计划完成度 -利用双侧比较图显示市场调查结果 -利用复合饼图深入分析主要销售组成 -使用断层图分析企业数据 第5章数据分析应用实践 5.1 合理的数据呈现与EXCEL/PPT图表制作 图表制作的关键要素 合适的图表展示合适的数据 正确表达需要的主题 图表与文字的协调 图表的结论 5.2科学的数据分析结果解读 注意因果关系 不要以偏概全 考虑环境影响 兼顾定性研究 第6章数据分析报告与汇报 6.1如何撰写一份优秀的数据分析报告 6.2现场实操演练：分析报告撰写 6.3 汇报的技巧 第7章商业预测技术 预测是企业重要的决策依据，企业通过预测技术可以估计下一季度、年度的市场规模、市场占有率、销售量等。 1. 预测责任者与支持者 2. 预测的组织流程
统计学调查分析报告
一、调查研究方案的设计与组织实施 （一）调查目的 (1)描述和反映本校经济管理学院10级会计系，经济系和人力资源系学生对于毕业去向的意向，分析并研究各意向的分布情况； (2)在系别，性别，家庭因素，个人因素等方面对毕业意向的分布进行研究，探究这些因素对于毕业意向分布的影响。 (3)分析和解释形成毕业意向分布差异的因素和原因； (二) 调查对象和调查单位 本次调查的基本调查对象是本校经济管理学院会计系、经济系和人力资源系的全体同学。调查单位为此范围内的每一个同学。 在此基础上，在每个系内随机抽取样本进行抽样调查，进而对整体进行推断。 （三）调查的组织和实施方法 获取资料的方法：问卷法、文献法 本小组采用的基本方法为问卷法，发放问卷60份，收回问卷54份。 辅助方法为文献法，通过图书馆和网络获取相关背景资料，对研究素材进行丰富和补充。调查方法：抽样调查 抽样方法：分层抽样 将调查对象按系别分为会计系、经济系和人力资源系三个类别，然后从各个类别中随机抽取组成样本，用于对整体进行推断。 数据资料整理结果如下： 在全部被调查对象中，男生23 人，占43%，女生31 人，占57%，经济系18人，占总体1/3,人力资源系18人，占总体1/3,会计系18人，占总体1/3.。选择考研的有14人，占总体的26% 。选择出国深造的有1人，占总体的2%。选择自主创业的有3人，占总体6%。选择直接就业的有29人，占总体54%。选择考公务员的有7人，占总体12% 。 （四）调查时间和调查期限 调查时间：2012年6月27日 调查期限：2012年6月27日―20012年6月29日 （五）调查项目和调查表 调查项目：性别年级院系毕业意向家庭收入情况性格特点就业优势 调查表如下： 二、统计数据的整理和分析
统计学 统计学-——典型案例、问题和思想
经济管理类“十二五”规划教材统计学 -基于典型案例、问题和思想 主讲林海明
第一章绪论 【引言】我们从如下9个重要事例，说明统计学有什么用。 事例1：二次世界大战中，最激烈的空战是英国抗击德国的空战，英军为了提高战斗力，急需找到英军战机空战中的危险区域加固钢板，统计学家瓦尔德用统计学方法找到了危险区域，英军用钢板加固了
这些危险区域，使英军取得了空战的胜利。 事例2：上世纪20-30年代，为了找到中国革命的主力军和道路，政治家毛泽东悟出了统计学的频数方法，用此找到了中国革命的主力军是农民，中国革命的道路是农村包围城市。由此不屈不饶的奋斗，由弱变强，建立了独立自主的中华人民共和国，他还发现了“没有调查，就没有发言权”的科学论断。
事例3：1998年，美国博耶研究型大学本科生教育委员会发表了题为《重建本科生教育：美国研究型大学发展蓝图》的报告，该报告指出：为了培养科学、技术、学术、政治和富于创造性的领袖，研究型大学必须“植根于一种深刻的、永久性的核心：探索、调查和发现”。这说明了统计学中调查的重要性。 事例4：在居民收入贫富差距的测度方
面,美国统计学家洛仑兹（1907）、意大利经济学家基尼（1922）找到了统计学的洛仑兹曲线、基尼系数，由此给出了居民收入贫富差距的划分结果，为政府改进居民收入贫富不均的问题提供了政策依据。 事例5：二战后产品质量差的日本，以田口玄一为代表的质量管理学者用统计学方法找到了3σ质量管理原则，用其大幅提高了企业的产品质量，其产品畅销海内外，
日本因此成为当时的第二经济强国。该学科现已发展到了6σ质量管理原则。 事例6：在第二次世界大战的苏联卫国战争中，专家们用英国统计学家费歇尔（1 925）的最大似然法、无偏性，帮助苏军破解了德军坦克产量的军事秘密，由此苏军组织了充足的军事力量并联合盟军，打败了德军的疯狂进攻并占领了柏林。 事例7：在产品质量检验方面，英国统
统计学是(大数据)数据分析的灵魂
及早发现流感 谷歌有一个名为“谷歌流感趋势”的工具，它通过跟踪搜索词相关数据来判断全美地区的流感情况（比如患者会搜索流感两个字）。近日，这个工具发出警告，全美的流感已经进入“紧张”级别。它对于健康服务产业和流行病专家来说是非常有用的，因为它的时效性极强，能 够很好地帮助到疾病暴发的跟踪和处理。事实也证明，通过海量搜索词的跟踪获得的趋势报告是很有说服力的，仅波士顿地区，就有700例流感得到确认，该地区目前已宣布进入公 共健康紧急状态。 这个工具工作的原理大致是这样的：设计人员置入了一些关键词（比如温度计、流感症状、肌肉疼痛、胸闷等），只要用户输入这些关键词，系统就会展开跟踪分析，创建地区流感图表和流感地图。谷歌多次把测试结果（蓝线）与美国疾病控制和预防中心的报告（黄线）做比对，从下图可知，两者结论存在很大相关性： 但它比线下收集的报告强在“时效性”上，因为患者只要一旦自觉有流感症状，在搜索和去医院就诊这两件事上，前者通常是他首先会去做的。就医很麻烦而且价格不菲，如果能自己通过搜索来寻找到一些自我救助的方案，人们就会第一时间使用搜索引擎。故而，还存在一种可能是，医院或官方收集到的病例只能说明一小部分重病患者，轻度患者是不会去医院而成为它们的样本的。 这就是一个典型的“大数据”的应用例子，舍恩伯格的这本《大数据时代》受到了广泛的赞誉，他本人也因此书被视为大数据领域中的领军人物。 大数据的起源 大数据起源于数据的充裕，舍恩伯格在他的另外一本书《删除》中，提到了这些源头。 1、信息的数字化，使得所有信息都可以得到一个完美的副本； 2、存储器越来越廉价，大规模存储这些数字信息成本极低；
大数据时代统计调查工作的挑战与思考_季晓晶
2013．5 一、问题的提出 大数据（ｂｉｇｄａｔａ）泛指伴随社会化数据出现的大量在线文本、图片、流媒体数据。这里的“大”有两方面含义。一是数据量巨大。指在科学技术、计算机仿真、互联网应用、电子商务等诸多应用领域产生的海量数据集。二是以数据为“大”的价值论。即大数据之 “大”更多地反映在其重要性上，而不完全指数量上的庞大。因为可以从这些数据中挖掘出有价值的信息，目前大数据被世界经济论坛的相关报告认定为其价值堪比石油的新财富。随着互联网和移动互联网的发展，无处不在的信息感知和采集终端，将行政管理、生产经营、商务活动等众多领域源源不断产生的海量即时电子化数据，通过“云计算”技术构建了一个与物质世界相平行的数字世界，所以很多专家认为人类已经跨入了大数据时代。作为数据生产的权威机关，这样一个时代的到来给统计调查工作带来了什么样的挑战与启示？统计调查部门和统计调查工作者应该怎样应对才能满足时代提出的需求？对此，笔者拟结合多年基层工作经历进行初步探讨，意在抛砖引玉，以期更多的同仁共同关注、思考大数据时代对统计工作带来的变化和影响。 二、大数据时代的来临及意义 有资料显示，１９９８年全球网民平均每月使用流量是１ＭＢ，２００８年是１ＧＢ，２０１４年将是１０ＧＢ。全网流量累计达到１ＥＢ的时间在２００１年是一年，在２００４年是一个月，在２００７年是一周，而２０１３年仅需一天，即一天产生的信息量可刻满１．８８亿张ＤＶＤ光盘。淘宝网站单日数据产生量超过５０ＴＢ，存储量４０ＰＢ。百度公司每天要处理６０亿次搜索请求，几十ＰＢ数据。一个城市若安装几十万个交通和安防摄像头，每月产生的数据量将达几十ＰＢ。数据的规模越大，处理的难度也越大，但对其进行挖掘可能得到的价值更大，这就是大数据热的原因。根据中国互联网络信息中心统计，２０１２年底我国网民数为５．６４亿，手机网民为４．２亿。这些网民每天在网上将产生海量的数据，这些数据记载着他们的思想、行为乃至情感，蕴含着丰富的内涵和很多规律性信息，通过分析相关数据，可以了解大众需求、诉求和意见， 反映舆情民意。大数据的重要价值还在于对其有效的开发和使 用能对社会的发展起到巨大的推动作用。企业和政府的信息系统每天源源不断产生大量数据。根据全球第四大独立软件公司，美国赛门铁克公司的调研报告，全球企业的信息存储总量已达２．２ＺＢ，年增６７％。医院、学校和银行等也都会收集和存储大量信息。政府可以部署传感器等感知单元， 收集环境和社会管理所需的信息。２０１１年，英国《自然》杂志曾出版专刊指出，倘若能够有效地组织和使用大数据，人类将得到更多的机会发挥科学技术 对社会发展的巨大推动作用。 （备注：1024B=1KB 1024KB=1MB 1024MB=1GB 1024GB=1TB 1024TB=1PB 1024PB=1EB 1024EB=1ZB 1024ZB=1YB 1024YB=1BB ） 三、大数据时代统计工作面临的挑战 可以预见，大数据时代的到来，对统计调查部门生产出更高质量的统计产品提供了难得的机遇和更大的可能性，但与此同时，带来更多的则是挑战。这种挑战集中体现在随着大数据时代的到来，统计调查部门应该能够使用更少的投入生产出时效性更强、质量更高的产品。社会各界对统计调查部门新的服务需求和更高的工作要求也将随之形成。基于此，笔者认为在大数据背景下，统计调查工作正面临六大挑战。 一是统计工作方式的挑战。在大数据科技大浪潮的背景下，数字化的行政商业记录、网络在线文本、流媒体数据大大拓宽了统计机构收集数据信息的渠道，统计调查部门的业务工作方式也势必发生改变。在数据收集方面， 会更多的需要从互联网、物联网的数据中进行挖掘收集。如物联网的发展将使工业生产、运输物流、最终消费、服务等各种交易生成直接可用的数据。又如，现行的居民家庭日记帐是通过统一的报表和计量方式将调查对象的收入消费行为转化为可用的数据，在大数据时代将有可能实现通过对超市商场收银系统、ＥＴＣ电子收费系统、ＧＰＳ定位测量、银行转账、微信等数据进行挖掘从而收集到需要的数据，不再需要调查对象长期认真的配合。这种数据收集方式可以有效避免人为误差，篡改数据的可能性越来越小，数据质量将更有保 大数据时代统计调查工作的挑战与思考 季晓晶 摘要：大数据(bi g d ata )泛指伴随社会化数据出现的大量在线文本、图片、流媒体数据。因其数据量巨大又可以从中挖掘出有价值的信息， 目前被世界经济论坛的相关报告认定为其价值堪比石油的新财富。随着互联网和移动互联网的发展，无处不在的信息感知和采集终端,将行政管理、生产经营、商务活动等众多领域源源不断产生的海量即时电子化数据，通过“云计算”技术构建了一个与物质世界相平行的数字世界，所以很多专家认为人类已经跨入了大数据时代。作为数据生产的权威机关，这样一个时代的到来给统计调查工作带来了什么样的挑战与启示？ 统计调查部门和统计调查工作者应该怎样应对才能满足时代提出的需求？对此，笔者结合多年基层工作经历进行了初步探讨。 关键词：大数据；统计调查工作；思考 问题研究 １７
统计学案例——相关回归分析
《统计学》案例——相关回归分析 案例一质量控制中的简单线性回归分析 1、问题的提出 某石油炼厂的催化装置通过高温及催化剂对原料的作用进行反应，生成各种产品，其中液化气用途广泛、易于储存运输，所以，提高液化气收率，降低不凝气体产量，成为提高经济效益的关键问题。 通过因果分析图和排列图的观察，发现回流温度是影响液化气收率的主要原因，因此，只有确定二者之间的相关关系，寻找适当的回流温度，才能达到提高液化气收率的目的。经认真分析仔细研究，确定了在保持原有轻油收率的前提下，液化气收率比去年同期增长1个百分点的目标，即达到12.24%的液化气收率。 2、数据的收集
目标值确定之后，我们收集了某年某季度的回流温度与液化气收率的30组数据（如上表），进行简单直线回归分析。 3.方法的确立 设线性回归模型为εββ++=x y 10，估计回归方程为x b b y 10?+= 将数据输入计算机，输出散点图可见，液化气收率y 具有随着回流温度x 的提高而降低的趋势。因此，建立描述y 与x 之间关系的模型时，首选直线型
是合理的。 从线性回归的计算结果，可以知道回归系数的最小二乘估计值 b 0=21.263和b 1=-0.229，于是最小二乘直线为 x y 229.0263.21?-= 这就表明，回流温度每增加1℃，估计液化气收率将减少0.229%。 （3）残差分析 为了判别简单线性模型的假定是否有效，作出残差图，进行残差分析。
从图中可以看到，残差基本在-0.5—+0.5左右，说明建立回归模型所依赖的假定是恰当的。误差项的估计值s=0.388。 （4）回归模型检验 a.显著性检验 在90%的显著水平下，进行t 检验,拒绝域为︱t ︱=︱b 1/ s b1︱>t α /2=1.7011。 由输出数据可以找到b 1和s b1，t=b 1/ s b1=-0.229/0.022=-10.313，于是拒绝原假设，说明液化气收率与回流温度之间存在线性关系。 b.拟合度检验 判定系数r 2=0.792。这意味着液化气收率的样本变差大约有80%可以由它与回流温度的线性关系来解释。 2r r ==-0.89 这样，r 值为y 与x 之间存在中高度的负线性关系提供了进一步的证据。 由于n ≥30，我们近似确定y 的90%置信区间为： s z y )(?2 α±=21.263-0.229x ±1.282×0.388 = 21.263-0.229x ± 0.497
大数据,统计学
大数据时代需要重视统计学 我们现在要开始重视大数据，要重视统计学，因为在数据足够大了之后，我们突然发现一切社会现象到最后都有统计规律，它不像物理学那样可以准确的去描述因果的关系，它从本质上来说就是一个统计的规律。统计学学好了，你再去学别的都战无不胜，因为一切社会现象到最后都是一个统计规律。 为什么要强调统计学呢，因为我们的认知能力中最差的是统计思维。人的大脑有一些功能优良得超过我们的想象，比如我们的语言能力。著名的语言学家乔姆斯基曾说，其实语言不是你学来的，语言是你天生就会的，因为语言太复杂了，要是从出生再学语言根本学不会，等你出生的时候，你的大脑里头已经预装了一套操作系统，语言的操作系统。所以语言我们是天生就会的。 还有，比如我们察言观色的能力，也是天生就会的。但有，一些是我们不会的。一位得诺贝尔经济学的心理学家写过一本书，《思考快与慢》。里面就讲到，我们有很多思维是靠直觉的快思维，这是我们几万年、几十万年、几百万年的自然演化，然后给我们留下来的，就是第六感觉。当你觉得可能有危险的时候，你就会跑掉。但是呢，我们另外一套操作系统是用来做逻辑推理以及进行统计分析的，装得很烂，所以我们天生缺的是逻辑推理能力和统计思维能力。 所以，在大数据的时代，我们最需要补的，其实是我们认知能力中最差的统计思维。如果有在学校的学生，我建议统计学这门课要好好地上。 “大数据”何以成为热门词汇？ 为什么突然之间，大数据变成了一个最热门的词汇？
首先是由于IT革命。IT革命之后，我们有了很多处理数据的能力，对计算机数据的处理能力、存储的能力和计算的能力不断的提高。人类储存信息量的增长速度比世界经济增长的速度要快4倍，而且这还是在金融危机爆发之前的世界经济增长的速度。而计算机数据处理能力的增长速度，比世界经济增长的速度要快9倍。 其次，能够被数据化的东西越来越多。最早的时候是数字可以被数据化，所以我们有了阿拉伯的计数，后来又出现了二进位，再后来我们发现文字也可以处理成数据，然后我们发现又图像也可以处理成数据。我不知道欧美同学会《时代大讲堂》位置在哪里，我就赶紧上网查一查地图，方位也可以被数据化；你用微信、微博，跟朋友在网上交流，说明你的社会关系也会被数据化。 所以这就是为什么现在要谈大数据，因为可处理的东西太多了。而当你能够被数据化的东西越来越多。当你能够拿到的数据越来越多时，就跟原来不一样了。原来的统计学得有一个抽样，因为你不可能拿到整体，因为整体太多了，而且无法去计算。而现在，当存储能力无限扩大，处理数据的计算能力不断的进步，致使现在我们所处理的往往不是一个样本数据，而是一个整体的数据。所以这个时候，有很多原来想都不能想的事情，现在你可以去做。 大数据时代的三个规律 规律一：知其然而不必知其所以然外行打败内行 我先讲一个案例就是葡萄酒。葡萄酒怎么品酒？过去是靠品酒方面的专家。他会先闻一闻，什么味道、什么香味，然后看看是不是挂杯，最后告诉你，这个酒大
统计学分析报告模版
统计学调查报告 （08级） 上海商学院学生消费状况调查报告 （奉浦校区） 徐伟杰，景宝龙，苏淳，张玮，贾金诚小组成员 指导教师姓名崔峰 物流管理系 系名称 论文提交日期2010.12.23
目录 一，调查目的： (3) 二，调查对象： (3) 三，调查项目： (3) 四，调查时间和时限 (3) 五，调查的组织工作 (4) 六，调查结果： (4) 七，调查问卷 (4) 市大学生消费状况调查问卷 (4) 八，调查分析： (6) （一）基本信息 (6) （二）消费结构状况分析： (7) （三）具体消费情况： (8) 九，预测分析 (13) 十，调查分析 (15) 十一，附录：调查统计汇总表 (17)
一，调查目的： 随着社会的发展，大学生的消费方式及消费状况引起了社会各界的极大关注，社会消费观念的转变和周围环境影响他们的消费观念和行为。大学生有着较为前卫的消费观念，消费来源主要有家庭父母供给，构成了一个比较特殊的消费群体，随着大学生数量的不断攀升，他们的消费行为在一定程度上形象着整个社会的消费观念和消费行为。而有拥有30所本科院校，大学生的数量比较庞大，并且有着更加前卫的消费观念。就此我们针对商学院学生的消费情况展开调查，了解我校学生的消费特征，进而探求更为科学的消费方式和行为，提高大学生的消费效益。 二，调查对象： 统计调查对象：商学院奉浦校区在读学生 统计调查单位：每一位在商学院奉浦校区就读的学生 统计填报单位：物流管理082班景宝龙、徐伟杰 三，调查项目： 统计标志：户籍所在地、就读年级、家庭月收入、个人月生活费、生活费来源、各方面的消费金额分配、是否满意目前的消费金额、期望月消费金额、消费计划、期望消费项目、超前消费的情况 四，调查时间和时限 调查时间：2010年10月 调查时限：两个月 五，调查分工： 问卷设计：徐伟杰 问卷校验：淳，玮，景宝龙 问卷调查：景宝龙，玮，淳，徐伟杰，贾金诚
(完整版)大数据时代对统计学的影响分析
大数据时代对统计学的影响分析 大数据和统计学两者在本质上是相互联系、相互促进，没有数据也不可能完成统计，所以二者缺一不可。在大数据时代，统计学必须与时俱进，跟上时代发展的脚步，勇敢地接受大数据带来的的挑战和变革，才会走得更长远。而大数据也要珍惜统计学，两者是无法离开的，只有在共同学习进步下，才能够实现双赢，成为主宰。 关键词：大数据时代；统计学；影响分析 引言 对于大数据(Big data)，可以理解为新模式中具备决策性、洞察力、发现力的一门技术。它主要概括数据的自然增长力和多样化的信息资产。 统计学是大数据里面的一门重要的学科。因为它和大数据有着千丝万缕的关系，所以它被人们广泛使用和学习。它是通过整理分析得出来的科学的数据。具有精准性、客观性即概括性。完成统计学的方法有很多种，如调查法、立案法、实验法等主要广泛应用于社会、科学等方面。 一、大数据和统计学的关系 (一)两者的关系 在当今信息时代，用数字代表的信息越来越多，科技迅速发展，互联网时代高速运转，在许多公司用来统计数据的时候，都用的电子表格，进行整理分析。在把它们汇总起来，就成了统计。数据是统计的本质，统计是数据的概括及意义。数据就像零零碎碎的字母，统计就是英语单词，通过整理分析，把字母拼成一个具有意义的单词，这就是数据和统计的意义。只有相互依存，你中有我我中有你。 （二）大数据和统计学的区别 信息功能不同。大数据的意义是某种事物的代表，有些东西要是用它原本的名称代替可能不太放便，这样一个简便的代号即简便又容易记忆。在工作中，工作人员根据超市销售的数据进行整理分析，在汇总起来就是统计，最终他们看得都是统计整理得出的数，分析的也是统计后的数据。因此，统计学是用样本单位来分析和推断数据总体的特征。由数据控制，我们只能根据获得的数据来推断总体数量。在信息时代，越来越多的东西可以用数据表示，几乎全部的信息资料都
spss的数据分析报告范例
关于某地区361个人旅游情况统计分析报告 一、数据介绍： 本次分析的数据为某地区361个人旅游情况状况统计表，其中共包含七变量，分别是：年龄，为三类变量；性别，为二类变量（0代表女，1代表男）；收入，为一类变量；旅游花费，为一类变量；通道，为二类变量（0代表没走通道，1代表走通道）；旅游的积极性，为三类变量（0代表积极性差，1代表积极性一般，2代表积极性比较好，3代表积极性好 4代表积极性非常好）；额外收入,一类变量。通过运用spss统计软件，对变量进行频数分析、描述性统计、方差分析、相关分析，以了解该地区上述方面的综合状况，并分析个变量的分布特点及相互间的关系。 二、数据分析 1、频数分析。基本的统计分析往往从频数分析开始。通过频数分地区359个人旅游基本 状况的统计数据表，在性别、旅游的积极性不同的状况下的频数分析，从而了解该地区的男女职工数量、不同积极性情况的基本分布。 统计量 积极性性别 N 有效359 359 缺失0 0 首先，对该地区的男女性别分布进行频数分析，结果如下
性别 频率百分比有效百分 比 累积百分 比 有效女198 55.2 55.2 55.2 男161 44.8 44.8 100.0 合计359 100.0 100.0 表说明，在该地区被调查的359个人中，有198名女性，161名男性，男女比例分别为44.8%和55.2%，该公司职工男女数量差距不大，女性略多于男性。 其次对原有数据中的旅游的积极性进行频数分析，结果如下表： 积极性 频率百分比有效百分 比 累积百分 比 有效差171 47.6 47.6 47.6 一般79 22.0 22.0 69.6 比较 好 79 22.0 22.0 91.6 好24 6.7 6.7 98.3 非常 好 6 1. 7 1.7 100.0 合计359 100.0 100.0 其次对原有数据中的积极性进行频数分析，结果如下表： 其次对原有数据中的是否进通道进行频数分析，结果如下表：
应用统计学专业大数据方向人才培养方案
应用统计学专业（大数据方向）人才培养方案 学科门类：理学 二级类：统计学类 专业代码：071202 英文名称：Applied Statistics（Big data） 一、专业培养目标 本专业培养德、智、体、美全面发展，掌握数学、统计学和经济学等相关学科的基本理论和知识，具备运用统计方法和大数据处理技术，利用计算机处理和分析数据的能力，能在企事业、经济、金融、保险等部门从事数据采集、预处理、数据挖掘、大数据应用分析及开发、数据可视化等工作的高素质应用型人才。 二、专业培养规格 1、知识结构 （1）掌握计算机的基础知识。 （2）掌握中外文资料查询、文献检索及运用现代信息技术获取相关信息的基本方法。 （3）熟练掌握一门外语，能顺利阅读本专业的外文资料和撰写外文摘要。 （4）具有社会学、文学、哲学和历史学等社会科学基本知识。 （5）掌握经济学、管理学的基本理论知识。 （6）掌握政治、形式与政策、思想道德修养与法律基础等基本知识。 （7）具有坚实的数学理论基础。 （8）了解与统计学相关的自然学科的基本知识，具有坚实的统计学和经济学理论基础。 （9）掌握统计学的基本思想和方法，熟悉统计政策和法规； （10）理解大数据技术领域的基本理论和基本知识。 （11）掌握大数据科学与技术的基本思维方法和研究方法，了解大数据技术的应用前景、以及相关行业最新进展与发展动态。 （12）具有分布式数据库原理与应用、大数据技术框架、数据分析与方法、数据挖掘技术、数据可视化技术、并行与分布式计算原理、大数据编程技术等专
业知识。 2、能力结构 （1）具有一定的语言文字表达能力，掌握资料查询，文献检索及运用现代信息技术获得相关信息的能力，能够跟踪统计学领域最新技术发展趋势。 （2）具备自主学习、对终身学习有正确的认识，具有不断学习和适应发展的能力。 （3）具有运用统计方法进行数据采集、处理、分析、推断和预测的能力。 （4）能熟练使用统计软件并具备一定的编程能力,并且能正确利用统计思想和方法分析判断软件的计算结果。 （5）具备应用统计方法解决企事业、经济、金融、保险等领域实际问题的能力。 （6）了解相关的技术标准，具有数据处理、分析、呈现等应用技能，具备大数据项目的组织与管理能力。 （7）具有大数据行业领域相关软件产品的应用、大数据系统分析、设计、部署以及维护和管理能力。 （8）具备一定的创新意识和从事大数据领域科学研究的初步能力，有获取最新科学技术知识和信息的基本能力。 （9）具有一定的独立工作能力、人际交往能力和团队合作能力。 3、素质结构 （1）掌握马列主义、毛泽东思想、邓小平理论和“三个代表”重要思想的基本原理，树立辩证唯物主义、历史唯物主义和科学发展观的基本观点。 （2）具有良好的道德品质、社会公德、职业道德和良好的文化素养。 （3）具有爱岗敬业、艰苦奋斗、团结合作的优秀品质。 （4）具有健全的人格、健康的体魄、良好的心理素质和积极乐观的人生态度，养成健全的职业人格和对统计的热爱态度以及良好的体育锻炼习惯, 达到国家规定的大学生体育合格标准和军事训练标准。 三、专业培养规格实现矩阵
大数据时代统计学发展的若干问题
大数据时代统计学发展的若干问题 作者：马双鸽，刘蒙阕，周峙利，方匡南，朱建平，谢邦昌 本文是发表在《统计研究》的论文基础上整理的，获国家社会科学基金项目“大数据的高维变量选择方法及其应用研究”( 批准号13CTJ001) 和国家自然科学基金面上项目“广 义线性模型的组变量选择及其在信用评分中的应用”(批准号71471152) 的资助。 一、引言 随着计算机技术，尤其是互联网和多媒体技术的普及与飞速发展，人类社会被呈爆炸性增长的信息所包围。据国际商业机器公司（IBM）资料显示[1]，目前数据的生成每日以千万亿字节来计算，全球近90%的数据是在过去两年产生的。大数据时代已经到来。 基于自身态度和学术背景的差异，目前，来自不同领域、学科的学者对大数据的理解并没有一个统一的定义。依照美国咨询公司麦肯锡（McKinsey）[2]的定义，大数据是指那些规模超出了典型的数据库软件工具的能力来进行捕获、存储、管理和分析的数据集。与传统数据相比，大数据的大不仅仅是体量上的扩充，数据的结构、形式、粒度、组织等各方面都更加复杂。凭借存储成本更低、运行效率更高的现代信息
技术，大数据可以认为是一切可记录的数字化信号集合。从数据特征来看，Grobelink. M（2012）提出了著名的“3V”定义，即多样性( Variety) 、规模性( Volume)、高速性 ( Velocity)[3]。在此基础上，国际数据公司（IDC）认为大数据还具有价值密度低的特点（Value），而国际商业机器公司（IBM）则提出大数据的真实性（Veracity）。[1] 近年来，IBM、Oracle、Microsoft、Google、Amazon、Facebook等跨国公司大力推动了大数据处理技术的发展，大数据在自然科学、金融、医疗、移动通信等领域涌现出了大量应用成果[3]。伴随着大数据的广泛应用，越来越多的学者开始关注和讨论大数据问题，形成了一些颇具影响力、有代表性的观点。其中最典型的要属舍恩伯格和库克耶（2013）提出的大数据时代三个重要的思维转变：更多（不是随机样本，而是全体数据）、更杂（不是精确性，而是混杂性）、更好（不是因果关系，而是相关关系）[4]。上述观点在业界、学术界引起很多共鸣，同时也存在很多质疑[5,6]。此观点对于大数据时代统计学的发展方向具有一定的指导性作用，然而却很少有文章在探讨统计学科如何发展的背景下系统地 对其进行反思。因此，本文首先回顾了统计学发展历史，剖析了统计学的发展总是以应用为驱动，并在此基础上讨论了大数据背景下统计学的发展定位，进一步分析统计学与计算机之间的关系，并针对舍氏“三个重要的思维转变”提出自己
统计学分析报告
统计学方案设计 ————问卷调查分析报告 目录 正文 (2) 1、确定研究问题 (2) 1.1背景分析 (2) 1.2确定研究问题 (3) 2、选择统计分析方法 (4) 2.1问卷设计 (4) 2.2问卷内容 (4) 2.3选择处理软件 (4) 3、收集样本数据 (4) 4、数据分析 (5) 4.1初步分析 (5) 4.2每周运动次数和设施紧缺度的参数估计 (9) 4.3体育项目与紧缺度假设检验 (11) 4.4、运动时间与场地紧缺度的列联分析 (15) 5、总结与建议 (16) 6、调查方案优缺点分析 (16)
附1：问卷 (18) 正文 通过一个学期对统计学原理的学习，我们学会了如何用利用数学分析来解决实际问题。在这次调查中，我们确定了以“校内体育设施利用状况”为主题的问卷调查。以下是我们小组这次调查分析的研究流程： 1、确定研究问题 1.1背景分析 众所周知，适当的体育锻炼对每个人的身体健康至关重要。对于我们大学生而言，适量的体育锻炼不仅有助于我们的身体健康，更有助于我们的心理健康。具体来说，一方面，体育锻炼有利于人体骨骼、肌肉的生长，增强心肺功能,改善血液循环系统、呼吸系统、消化系统的机能状况，有利于人体的生长发育，提高抗病能力，增强有机体的适应能力。另一方面，体育锻炼还可以调节人体紧张情绪，改善生理和心理状态，恢复体力和精力，培养人的团结、协作及集体主义精神。而在学业压力巨大的今天，大学生的身心健康越来越受到大众的关注。
在我校内部，师生积极参与各类体育活动。在一天的各个时间段，都会有师生在运动场锻炼。而学校方面也十分重视师生的身体健康：每年，校方都会开展“院级杯”篮球赛、“院级杯”羽毛球赛，校运动会等一系列的体育比赛，意在让师生了解体育锻炼的重要性，并提高师生对于体育锻炼的喜爱度。各类比赛也都得到了师生的积极参与。学校也在各项体育比赛中取得了相当不错的成绩。可以说，现阶段我校体育锻炼的氛围还是相当不错的。 但随着体育锻炼参与者的增加，校内的体育设施并没有得到同水平的增长。这就导致了在某些时间段，学校个别体育项目的设施供应出现了紧缺状况。有相当一部分的师生群体因为没有锻炼场地而不得不放弃了体育锻炼的机会，这也极大地降低了我校师生体育锻炼的热情。 1.2确定研究问题 基于上述问题之上，我们确定了以“校内体育设施利用状况”为主题的问卷调查。首先，主观因素方面，我们会对师生体育锻炼的现状进行调查，（比如经常参加的体育项目，参加锻炼的时间段等因素），以研究师生体育锻炼的基本情况。接着，客观因素方面，我们对师生在锻炼过程中感到的体育设施的供应情况进行调查。 通过此次调查，我们希望能了解存在设施紧缺状况的体育项目和具体紧缺的时间段。针对设施严重紧缺的体育项目，我们会向校方提出设施供应方面的建议（比如增加羽毛球场、篮球场的场地或者对篮球场地的照明情况进行改善等）；而针对少数紧缺的体育项目，我们会建议师生在设施利用度较低的时间段进行锻炼。 最终通过我们的调查问卷，我们希望可以给广大师生提供更多更好的锻炼机会。
统计学案例分析
统计学案例实习教学大纲（课程编号：00700397） 适用年级： 是否双语：是 否
课程类别：E：集中性实践 学时学分：课程总学时2周其中实验（上机）学时学分 2 先修课程：《统计学》《统计学案例》《市场调查与分析》 开课单位：管理学院统计系 适用专业统计学 开课学期 4 二、实践环节简介 统计学案例实习课程是统计学专业的一门技术基础课，是专业选修课程，也是统计学专业的重要实践环节课。它是在学习了统计学、市场调查与分析相关理论和方法的基础上，如何将相关理论和方法运用于实际问题的解决。拉近理论与现实的距离，使统计学专业的学生更好地掌握统计综合指标的计算和应用，抽样调查的基本理论和方法，统计预测的理论、方法及应用，并提高实践动手能力和综合分析能力。 三、实践环节教学目的与基本要求 教学目的： 1.通过课程实习，应使学生掌握统计学的基本理论，统计研究的基本方法，掌握统计综合指标的计算和应用，统计指数的编制和分析，抽样调查的基本理论和方法，掌握统计预测的理论、方法及应用。 2.通过课程实习,培养学生具备对经济运行的实际内容进行具体的计算分析,培养学生用统计方法解决实际问题的能力。 3.通过具体而全面的统计案例实习来启发学生的悟性,挖掘学生的潜能,培养学生用统计理论和统计方法解决实际问题的动手能力和创新能力，提高学生的统计素质。 基本要求： 在已学习了统计学、市场调查与分析和统计学案例等课程的前提下，要求学生既能够独立完成各项实习，又能够养成团队协作的精神，共同撰写实习报告。 四、实践环节注意事项 实习方式：学生自己动手实习。 1、以小组为单位进行实习。 2、实行开放式实习教学，增加学生选择实验项目和实验时间的自主性。 注意事项：1、实习前由教师向学生讲明课程内容、进度安排、书写实验报告要求等。 2、实习4-6人为一组, 分工、协作共同完成。 3、实习报告是本实习教学的一个重要环节, 需要学生掌握的内容可以通过实习报告反映学生对其掌握程度, 让教师了解尚存在的问题。 五、实践环节主要内容与时间安排 （一） 实习项目一大学生生活费收支状况调查 知识点：调查方案设计的基本内容,设计方法 重点：各种抽样统计调查方法的特点和应用条件 难点：大学生生活费收支状况分析 实习项目二关于逃课问题的调查 知识点：调查方案设计 重点：问卷设计 难点：对逃课问题分析。 实习项目三福州大学本科生自习情况调查 知识点：调查方案设计 重点：问卷设计
SPSS统计分析报告分析报告案例
SPSS统计分析案例 一、我国城镇居民现状 近年来,我国宏观经济形势发生了重大变化,经济发展速度加快,居民收入稳定增加,在国家连续出台住房、教育、医疗等各项改革措施和实施“刺激消费、扩大需、拉动经济增长”经济政策的影响下,全国居民的消费支出也强劲增长,消费结构发生了显著变化,消费结构不合理现象得到了一定程度的改善。本文通过相关数据分析总结出了我国城镇居民消费呈现富裕型、娱乐教育文化服务类消费攀升的趋势特点。 二、我国居民消费结构的横向分析 第一,食品消费支出比重随收入增加呈现出明显的下降趋势,这与恩格尔定律的表述一致。但最低收入户与最高收入恩格尔系数相差太过悬殊,城镇最低收入户刚刚解决了温饱问题,而最高收入户的生活水平按照恩格尔系数的评价标准早已达到了富裕型,甚至接近最富裕型。第二,衣着消费支出比重随收入增加缓慢上升,到高收入户又有所下降,但各收入组支出比重相差不大。衣着支出比重没有更多的递增且最高收入户的支出比重有所下降,这些都符合恩格尔定律关于衣着消费的引申。随着收入的增加,衣着支出比重呈现先上升后下降的走势。事实上,在当前的价格水平和服装业的发展水平下,城镇居民的穿着是有一定限度的,而且居民对衣着的需求也不是无限膨胀的,即使收入水平继续提高,也不需要将更大的比例用于购买服饰用品了。第三,家庭设备用品及服务、交通通讯、娱乐教育文化服务和杂项商品与服务的支出比重呈逐组上升趋势,说明居民的生活水平随收入的增加而不断提高和改善。第四,医
疗保健支出比重随收入水平提高呈现一种两端高、中间低的走势。这是因为医疗保健支出作为生活必须支出,不论居民生活水平高低,都要将一定比例的收入用于维持自身健康,而且由于医疗制度改革,加重了个人负担的同时,也减小了旧制度可能造成的不同行业、不同体制下居民医疗保健支出的差别,因而不同收入等级的居民在医疗保健支出比重上差别不大。第五,居住支出比重基本上呈先上升后下降的趋势,这与我国居民消费能级不断提升,住宅商品正在越来越成为城镇居民关注的热点是相吻合的,同时与恩格尔定律的引申也是一致的。可以看出,城镇居民的消费状况虽然受价格水平、消费习惯、消费环境、消费心理预期等诸多因素的影响,但归根结底仍取决于居民的收入水平,要提高城镇居民的消费支出,必须增加居民收入。因此,采取切实有效的措施增加城镇居民的可支配收入,不仅可以提高全国城镇居民的总体消费水平,促进消费结构向着更加健康、合理的方向发展,而且在启动需,促进我国的经济发展方面有着重大的现实意义。 三、我国居民消费结构的纵向分析 进入21世纪以来,随着经济体制改革的深入,国民经济的迅速发展,我国城乡居民的消费水平显著提高,居民的各项支出显著增加。随着消费水平的提高,我国城乡居民消费从注重量的满足到追求质的提高,从以衣食消费为主的生存型到追求生活质量的享受型、发展型,消费质量和消费结构都发生了明显的变化。城镇居民在食品、衣着、家庭设备用品三项支出在消费支出中的比重呈现明显的下降趋势,其中食品类支出比重降幅最大;衣着类有所下降;家庭设备用品类下降幅度不是很大。与此同时,医疗保健、交通通讯、文化娱乐教育服务、居住及杂项商品支出在消费支出中的比例均有上升,富裕阶段的消费特征开始显现。 四、我国城镇居民消费结构及趋势的统计分析