统计学实践方法在大数据中的应用研究

杨旭 对外经济贸易大学统计学院

引言：统计学在诞生之初只是简单的计数与描述分析之用，后期随着统计学方法在现实生活中应用的日益普遍，且与很多生产实践活动相结合，逐渐发展成为统计学更加系统的理论体系与实践方法，凭借其严谨、规范、准确的数学特性，广泛应用于经济建设与社会生活之中。

统计学实践方法从理论角度分析，正是对复杂数据进行简化处理的重要工具[1]。在生产与生活等实践活动中，通过统计工具的科学应用，能够帮助人们透过复杂的数据表象更为深入的了解其背后蕴藏的知识道理，而基于数据处理后更加客观准确的科学分析，才能够针对性的解决现实中复杂且困难的数据问题。

所以由此可知，统计学实践方法是处理大数据的重要工具及手段，尤其是在数据量不断扩大、更加复杂且多变的大数据时代，选择科学的统计实践方法来处理海量的复杂数据，从中发现数据背后事物的演变规律及发展趋势，并通过数据分析对这种规律进行准确掌握，才能更为有效指导生产生活的实践活动，以此来推动社会不断的发展与进步。

大数据时代，各行各业的数据属性日趋显著，因为数据作为重要的考量指标与判断依据，已经渗透到每一个行业的业务领域，并成为影响经济生产与社会发展的重要因素。所以新的数据环境下，金融经济、通讯通信、物理化学以及军事生产等不同行业都需要加强对海量数据的挖掘、分析与运用处理，这样才能发现数据背后所蕴藏的重要规律与道理，以此来推动行业的前进与发展。所以大数据时代，统计学实践方法作为专门用于处理和分析数据的重要工具，开始展现出其特有的作用，并对于当下的生产及生活有着重要的意义与价值。

一、统计学实践方法进行数据分析的重要意义

统计学是以高等数学为基础，重点强化了数理分析过程的科学体系，在现实生活中有着非常广泛的应用。因为统计学实践方法能够基于不同数据的特征变化规律，来发现与总结事物特性，并基于对复杂多维数据的简化处理，与其他经济及社会学科产生紧密联系，在经济建设与社会生活等不同领域发挥重要的功能及作用[2]。

二、大数据分析中的统计学实践方法

大数据时代，为了能够更好的处理与分析各行各业不断增长且日趋复杂的数据问题，选择科学合理的统计学实践方法，进行大数据分析，并透过海量数据分析问题本质，这是统计学实践方法在大数据中应用的意义所在。

统计实践方法作为处理与分析数据问题的重要工具，其与现实中大数据问题分析的目标是一致的，都是为了更为深入的对数据结构进行探索研究，以寻找数据背后的事物规律及发展趋势[3]。同时也正是因为数据的不断增长与复杂化发展，才为统计学开拓了一个应用维度，使统计学实践方法有了更为重要的作用及功能。所以统计学实践方法与大数据分析联系非常密切。

统计学实践方法有很多形式，其中概率论、假设检验、抽样调查这些都是针对常规数据样本所采取的实践方法，而面对海量复杂的大数据，现阶段较为常用的统计实践方法有三种，分别为回归分析法、因子分析法与层次分析法。

（一）回归分析法

回归分析法是探索数据之间相关性影响的一个重要分析，也是统计学在方法实践方面的一次重大进展，因为回归分析就是基数据统计原理对大量数据进行线性与非线性关系处理，以确定复杂数据背后不同变量之间经济影响关系的重要方法。

现阶段回归分析在大数据中的实践应用涉及以下几个方面：确定响应变量与预报变量间的回归模型、根据样本估计并检验回归模型及未知参数、判断变量对响应变量的影响是否显著、估计预报变量的值。这些回归分析的实践方法都能够对生产生活中复杂、多样的大数据关系进行更加简明有效的线性与非线性处理，从而透过数据表象来直接探究不同序列之间的经济影响关系。

（二）因子分析法

因子分析法也是现阶段用于处理海量数据的统计实践方法，该方法主要是实现多维数据的降维与简化处理，最后能够通过少数几个代表性因子，用于描述和解释原先大量数据间的错综复杂的关系。所以因子分析主要就是通过提取不同数据维度之间的内部影响关系，来将原先多维、复杂的众多数据归纳为少数几个综合性的、具有代表性的数据因子，即降低了数据维度，简化了数据分析的工作量，也不会造成数据信息的丢失，在现代生产及生活中的大数据处理中有着较好的应用及发展前景。

（三）层次分析法

层次分析法也是用于处理复杂、海量数据的统计学实践方法，该方法在大数据的处理过程中将数据作为一个整体，按照不同的评价标准或维度对数据整体内容进行层次分类，同时将原先复杂多变的数据信息通过计算处理转化为可以量化的权重数值，进而依据各层级指标的重要性关系进行排序与评价分析。

所以层次分析法能够实现对海量数据内容的系统化与层次化处理，以此来实现复杂数据问题的简化，同时又保留数据内容正确的逻辑关系，在大数据时代多个新兴经济领域的效果评价实践中都有着较为广泛适用性[4]。

三、统计学实践方法在大数据分析中的应用分析

统计学的分析都是以数据作为基础的，只不过传统的统计学实践方法，以实践调查为例，即便投入了大量的人力与物力，所能够获得的调查数据都相对有限，只能从一个方面来分析现实问题，并不具有广泛的应用价值。而大数据具有多样性、大量性、高速性等特征，这就对统计学方法也提出更高的要求，需要采用一些更具有实践意义的统计学手段来处理复杂多样的大数据[5]。

而现阶段应用于大数据的统计学实践方法比较具有代表性的有回归分析法、因子分析法以及层次分析法三类，本文具体采用这三种统计学实践方法来结合大数据实例问题进行应用分析：

（一）统计学实践方法在金融大数据中的应用

大数据时代，数据对于金融经济的作用是不言而喻的，而很多金融实践问题中也必须要对大量数据进行精准细致的分析处理，以发现数据背后蕴含的经济学规律，这样才能有效解决金融经济方面的实际问题。所以统计学实践方法在金融经济大数据中的应用，主要是透过海量数据表象去深入探究其内在的经济学规律，而回归分析方法是解决金融大数据中较为常用的一种实践手段。

宏观经济环境是复杂多变的，而外部经济环境的变化都会对金融市场带来一定的冲击，为了准确了解宏观经济因素对金融市场带来的影响，必须基于宏观经济各方面的数据变化来发现其内在规律，进而构建回归模型，基于数据演变的规律去透过复杂环境的表象来直接分析各因素之间存在的内在经济影响关系。这样通过回归模型对各金融市场数据变量的经济相关性分析，能够帮助人们进一步了解金融市场外部经济数据的变化规律，从而及时预测宏观经济对于金融市场潜在的风险，这样基于对金融数据的回归分析就能够为后续的经济计划进行灵活的制定与调整。

（二）统计学实践方法在企业大数据中的应用

大数据环境中，企业经营发展需要用到的商业数据相较于之前也变得更为复杂和多样。早期评价企业经营现状往往只需要通过营业收入，或者净利润等数据指标就能够体现，但是现如今则需要对企业各方面商业数据进行综合的评价分析，比如企业的毛利率、净利率、营业收入、营业利润、净利润、资产净值、净资产收益率、资产负债率等，通过各方面数据的综合分析，以评价企业的盈利能力、成长能力、营运能力和偿债能力，这样对于企业经营现状的分析才更加客观和全面。

所以大数据环境下，对于企业的统计分析也需要处理各个方面的经济数据，而这些经济数据代表企业不同的维度，每个维度都包含复杂的数据信息内容，要想能够从所有数据中准确判断企业经营情况具有一定的困难性。所以面对企业的大数据问题，因子分析法就是非常实用的一种统计学实践方法。因子分析能够实现多维数据的降维处理，这样在企业大数据的问题处理中，面对企业不同财务维度的复杂数据，采用因子分析方法能够从中提取最为关键的因子维度，并通过因子计算使其能够对企业各方面经营情况有一个代表性的综合体现，这样就将复杂的数据维度进行了降维与简化处理，得到了更具有代表性的评判标准，从而对企业经营情况进行客观准确的评价分析，有着较强的适用性和有效性。

（三）统计学实践方法在互联网大数据中的应用

互联网是大数据产生与发展的基础，面对复杂的互联网环境，不仅数据来源广泛，而且数据信息内容复杂，即包含有重要的信息内容，同时也有许多潜在的数据风险。因而对于互联网大数据的应用需要特别注意风险，并能够对复杂、多样且来源不明的互联网数据按照不同层级和维度进行分类处理，所以层次分析法是处理互联网大数据的重要统计学实践方法。

层次分析方法作为统计学实践中一种定量与定性相结合的方法，能够从混杂不清的互联网大数据中对不同类型、维度与层级的数据指标，按照层次关系与权重值进行计算与统计分析，实现对互联网数据的有效处理。层次分析法对互联网数据的处理，首先会将各类数据作为一个系统来逐一区分层次关系，这样就能够从海量的网络数据中区分出有用数据、重要数据，也能区分出无效数据和风险数据，既不会破坏原互联网系统内所有数据的层级结构，同时也能够实现原有复杂数据关系下的层级简化与问题分离，有利于互联网大数据问题的最终处理与解决，这样对于互联网大数据问题会起到非常有效的作用。

四、结束语

因此基于上述分析可以发现，统计学实践方法现如今在大数据分析中的作用是非常显著的。大数据时代，面对日益增长与复杂的数据环境，统计学方法已经不仅仅只是一种简单的数据工具，而是各行各业都不可或缺的是一件实践应用方法，能够高效、精准的处理经济生产与社会生活中的海量数据，并通过对数据信息、内容的分析，从中发现数据背后蕴藏的规律与发展趋势，以此来更好的指导生产生活，推动社会的发展与进步。