描述性研究法

描述性统计分析，就是用来概括、描述数据整体状况以及数据各特征的统计方法。对于定量数据，比如量表评分（非常不满意，不满意，非常满意等）或者身高体重的值，可以通过描述性分析，计算数据的集中性特征和波动性特征等。在数据分析的时候，一般首先要对数据进行描述性分析，再选择进一步分析的分析方法。常见指标分类描述性统计指标大致可分为三类：集中趋势指标、离散趋势指标、分布形态指标。集中趋势指标集中趋势指标用于测量集中趋势，或者数据分布中心值的统计量，常用的集中趋势指标有平均数、中位数、众数等。平均值通常用于描述样本的整体态度情况众数用于描述样本的集中趋势点，代表多数的水平情况中位数用于表示样本的中间态度情况常见指标离散趋势指标离散趋势是反映资料的变异程度，常用指标有极差、四分位间距、方差与标准差、变异系数。极差：最简单的离散趋势，即分布中最大值和最小值之间的差。方差与标准差：方差越大，数据的波动越大；方差越小，数据的波动就越小。标准差是使用最为广泛的一种离散趋势量，即显示一批数据的值与均值之间平均差异的离散趋势量。25分位数是指有25%的点低于该值；类似还有中位数代表有50%的点低于该值，75分位数代表有75%的点低于该值。IQR（四分位距）：等于75分位数 – 25分位数，表示数据集中情况。变异系数(CV)：变异系数大，说明数据的离散程度也大；变异系数小，说明数据的离散程度也小。当进行两个或多个变量离散程度的比较时，如果单位和（或）平均数不同时，就需采用变异系数来比较。分布形态指标峰度和偏度：在数据分析中，通常需要用偏度和峰度两个指标来判断数据正态性情况，峰度的绝对值越大，说明数据越陡峭，峰度的绝对值大于3，意味着数据严重不正态。同时偏度的绝对值越大，说明数据偏斜程度越高，偏度的绝对值大于3，意味着严重不正态（可通过正态图查看数据正态性情况）。深入指标描述统计可在SPSSAU中操作其他说明在研究变量描述性分析时，应首先将反项题进行反向处理，使用SPSSAU中的数据编码功能反向赋值。描述性分析通常可用于查看数据是否有异常（最小值或最大值查看），比如出现-2，-3等异常等。除了使用描述性分析外，也可使用SPSSAU提供的箱盒图直观展示数据分布情况。通常情况下，描述性分析以变量为单位进行即可，如果希望进行更深入的分析，那么需要对变量对应的各个题项进行统计平均数。如果某个变量特别重要而且仅由少数题项表示，则可以通过计算各项的频数和百分比进行深入分析说明。对于问卷题项中的排序题，也可以使用描述性分析，通过计算平均值描述、分析选项的排名情况。描述分析与频率分析的不同之处在于：描述分析提供的统计量仅适用于连续变量，频率分析既可用于分析连续变量，也可用于分析定类变量。

“统计学就像比基尼，你所看到的就是真实显露的，但隐藏起来的才是至关重要的”——无名氏统计是有一些枯燥，但同时也可以很有趣，不是么？我们知道统计学包括描述性统计和推论统计，而今天的主题是描述性统计的介绍。什么是描述性统计呢？维基百科的定义："A descriptive statistic is a summary statistic that quantitatively describes orsummarizes features of a collection of information."中文翻译：描述性统计是一种汇总统计，用于定量描述或总结信息集合的特征。这里把关键词勾划一下：1、Describe-描述2、Summarize-总结注意：描述性统计的对象既可以是总体，也可以总体的一部分即是样本。一、描述性统计的分类描述性统计又分为 § 集中趋势 Measures of central tendency § 离散趋势 Measures of Dispersion1、集中趋势 Measures of Central Tendency集中趋势又称 “数据的中心位置”,它是一组数据的代表值。集中趋势的概念就是平均数(Average)的概念，它能够对总体的某一特征具有代表性，表明所研究的对象在一定时间、空间条件下的共同性质和一般水平。常用的集中趋势统计量（statistics)有:§ 算数均值§ 中位数§ 众数再强调下，在统计学中，这三个统计量都有 average（平均） 的含义。1、均值 Mean某组观测值的算术平均数（Arithmetic mean）2、中位数 Median按大小顺序排列的数据组之中点位置对应的数值，该数值把数据组分成两半3、众数 Mode出现频次最高的观测值。看起来集中趋势的概念很简单，那么有什么现实价值？这里我们举两个简化的例子加以说明：某创业公司A有10个员工，其中1人月薪10万，9人月薪2万；创业公司B也有10个员工，其中1人月薪5万，9人月薪2.5万。现在假设你要对两家公司员工的收入水平进行对比，你会如何做呢？通过简单计算我们可得：公司A： 算术平均 Mean 2.8万；中位数 Median 2万；众数 Mode 2万公司B： 算术平均 Mean 2.75万；中位数 Median 2.5万；众数 Mode 2.5万如果看均值 Mean，结果是A公司比B公司高（少数高收入者会把整体平均拉高）；如果看中位数 Median，显然B公司更高。那么应该用Mean还是Median？这取决于我们的目的。如果我们的目的是研究大多数人的薪资水平，显然用中位数更好，因为B公司90%的人的薪水要高于A公司。但是在现实生活中，我们往往看到的是用均值mean进行统计说明，尤其是国内媒体，经常用均值来描述某地区某时间段的收入水平。一个不好的结果是，大部分人都会觉得自己“被平均”了。这样做出来的数据固然好看（就像上述公司A），但并不能更准确地展示普通大众真实的收入水平。看到这里，你应该就能深刻理解“统计学就像比基尼，你所看到的就是真实显露的，但隐藏起来的才是至关重要的”这句话的含义了是不。二、离散趋势 Measure of Dispersion所谓离散趋势就是研究观测值偏离中心值（center) 的程度。仅仅研究集中趋势往往是不够的，所以还需要研究离散趋势Measure of Dispersion. 常用离散统计量有：§ 极差§ 标准差（方差）§ 四分位数间距§ 变异系数（相对标准差）1、极差 Range为一组数据的最大值和最小值之差。极差的计算较简单，但是它只考虑了数据中的最大值和最小值，而忽略了全部观察值之间的差异。极差在SPC控制图中有大量应用。2、方差或标准差 Variance or Standard deviation方差和标准差所反映的是一组数据与其均值为代表的中心的平均离散水平。因为标准差的计算应用到每一个变量值，所以，会受到极端值的影响，当数据中有较明显的极端值（outlier)时不宜使用。必须知道这一点，所有方差/标准差分析的前提是：样本总体服从正态分布，如果不服从，就要有补救措施，比如数据转换。3、四分位数间距 Inter Quartile Range (IQR)即把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值就是四分位数。第三 "四分位数" 与第一 "四分位数" 的差距又称四分位距, 常和中位数一起使用。比如箱型图。4、变异系数 Coefficient of Variation (CV)又叫相对标准差（RSD），变异系数CV是原始数据标准差与原始数据平均数的比。标准差只能度量一组数据对其均值的偏离程度。但若要比较两组数据的离散程度，用两个标准差直接进行比较有时就显得不合适了。例如一个总体的标准差是10，均值是100；如果另有一个总体的标准差是20，均值是2000。如果直接用标准差来进行比较，后一总体的标准差是前一总体标准差的2倍，似乎前一总体的分布集中，而后一总体的分布分散。但前一总体用标准差来衡量的各数据的差异量是其均值的1/10；后一总体用标准差来衡量的各数据差异是其均值的1/100，是微不足道的。可见用标准差与均值的比值大小来衡量不同总体数据的相对分散程度更合理。三、图形化工具前文刚开始我们提到关于描述性统计的两个关键词是 Describe（描述） 和 Summarize（总结）；同时我们也介绍了可以通过集中趋势统计量以及离散趋势统计量来对目标数据进行描述、总结。但这些统计量基本都是数学计算，比较抽象，有没有更好的方法呢？答案是有：Visulization！没错，那就是一系列的图形化工具。在Excel软件或者Minitab软件都有很多图形化工具用以描述、总结和展示数据，下面摘选部分：§ 柱状图§ 条形图§ 箱型图§ 散点图§ 雷达图§ 气泡图

最近加入一个数据挖掘学习小组，热心的群主制定了一个详细的每周学习计划，分为统计学和机器学习两大知识点。学习完要提交作业，以文章输出或者其它方式都行，现在开始第一周的统计学相关知识输出啦，先上一张思维导图。前面部分以文字为主，涉及到的数学公式放在最后。01—一、集中趋势集中趋势反映各数据向其中心值靠拢或聚集的程度。㈠ 众数数据集合中出现次数最多的变量值被称为众数。众数可能有一个，也可能有多个。如果所有数据出现的次数都一样，那么这组数据没有众数。在高斯分布（正态分布）中，众数位于峰值，和平均数、中位数相同。一般情况下，只有在数据量比较大的情况下，众数才有意义。㈡ 中位数将一组数据按大小顺序排列后，处于中间位置上的变量值就是中位数。计算中位数有两种情况，根据数据个数而定。中位数是一个位置代表值，同样不受极端值的影响。㈢ 分位数也许大家都比较熟悉十分位数，百分位数，但对于四分位数就没那么了解了吧。四分位数是一组数据排序后处于25%（下四分位数）和75%（上四分位数）位置上的值。箱线图就是利用数据中的五个统计量：最小值、上四分位数、中位数、下四分位数与最大值来描述数据的一种图。额，箱线图经常应用在识别检测异常值方面。㈣ 平均数平均数也称为均值，是一组数据相加后除以数据个数得到的结果。它是集中趋势的最主要测度值。对未经分组数据计算的平均数称为简单平均数，也就是常说的平均数。每年都会看到说哪个城市的平均薪资出炉了，大PK之类的，不看不知道，一看就扎心！对分组数据计算的平均数称为加权平均数。几何平均数是n个变量值乘积的n次方根，主要用于计算平均比率。对于具有单峰分布的大多数数据而言，众数、中位数和平均数之间具有以下的关系：如果数据是对称分布，众数=中位数=平均数如果数据是左偏分布，说明数据存在极小值，必然拉动平均数向极小值一方靠。而众数和中位数是位置代表值，不受极值的影响，所以平均数< 中位数< 众数如果数据是右偏分布，说明数据存在极大值，必然拉动平均数向极大值一方靠，则众数< 中位数 < 平均数均值、中位数、众数优缺点：02—二、离散程度离散程度反映各数据远离其中心值的趋势。㈠ 数值型数据① 极差极差：一组数据的最大值和最小值之差，也称全距，用R表示。极差容易受极端值的影响，不能反映出中间数据的分散情况。② 平均差平均差也称平均绝对离差、平均偏差，它是各变量值与其平均数离差绝对值的平均数。平均差以平均数为中心，反映了每个数据与平均数的平均差异程度。为了避免离差之和等于零而无法计算平均差这个问题，因此采取了绝对值，以离差的绝对值来表示总离差。③ 方差方差是各变量值与其平均数离差平方的平均数。④ 标准差标准差是方差的平方根。★ 注意 ★方差和标准差能较好地反映出数据的离散程度，是应用最广的离散程度的测度值。样本方差是用样本数据个数减1后去除离差平方和，其中样本数据个数减1，即n-1称为自由度。与方差不同的是，标准差是有量纲的，它与变量值的计量单位相同，其实际意义比方差清楚。因此，在对实际问题进行分析时会更多地使用标准差。㈡ 顺序数据四分位差四分位差 IQR（四分位距）：是上四分位数和下四分位数之差。它反映了中间50%的数据的离散程度，其数值越小，说明中间的数据越集中，反之则越分散。同样不受极值的影响。㈢ 分类数据异众比率异众比率指非众数组的频数占总频数的比例。主要用于衡量众数对一组数据的代表程度。异众比率越大说明众数的代表性越差，越小说明众数的代表性越好。㈣ 相对离散程度离散系数离散系数又称变异系数， 它是一组数据的标准差与其相应的平均数之比。离散系数主要用于比较不同样本数据的离散程度。离散系数大，说明数据的离散程度越大，离散系数小，说明数据的离散程度也小。03—三、分布的形状㈠ 偏态系数偏态是对数据分布对称性的测度。测度偏态的统计量是偏态系数，用SK表示。SK的值越大，表示偏斜的程度越大。如果一组数据的分布是对称的，离差三次方（具体公式看后面的图）后正负离差可以相互抵消，则SK等于0。如果分布是非对称的，偏态系数有正有负。SK为正值时，表示正离差值较大，判断为正偏或右偏。SK为负值时，表示负离差值较大，判断为负偏或左偏。㈡ 峰态系数峰态是对数据分布平峰或尖峰程度的测度。测度峰态的统计量是峰态系数，用K表示。峰态通常是相对于标准正态分布而言的：如果一组数据服从标准正态分布，则峰态系数的值为0；如果峰态系数的值明显不等于0，则表明分布比正态分布更平或更尖，称为平峰分布或尖峰分布。K大于0时为尖峰分布，数据分布更集中；小于0时为扁平分布，数据的分布越分散。相关的数学公式如下：（手写一遍，加深记忆，哈哈...）方差、离散系数、偏态系数和峰态系数：自认为是自己写得很用心的一篇文章啦，嘻嘻！总体来说，上述知识也算消化了大半了，比较不熟悉的是后面的偏态系数和峰态系数，有待后面继续深入探索。下周开始结合Python进行描述性统计实践。在看的小伙伴们如果觉得对你有用的话点个在看，发现有不对的地方欢迎留言指正，谢谢~

1、主效应：实验所获得的由一个因素的不同水平引起的因变量单独效应称为该因素的主效应。2、交互作用：在多因素实验中各因素间不同水平的结合所产生的复杂的变化称为因素间的交互作用。3、危险因素：又称危险因子，泛指能引起某特定不良结局(如疾病)发生，或使其发生的概率增加的因子，包括个人行为、生活方式、环境和遗传等多方面的因素。4、暴露因素：又称研究因素，凡是接触过某种因素或具备某种心理行为特征都可以称为暴露，暴露因素可以是机体固有的、先天的,也可以是体外的、后天的。5、自变量：由实验者主动操纵变化的条件称之为自变量。6、因变量：由实验变量引起的某种特定的反应称为因变量7、控制变量：除实验变量之外，其他一切能够影响因变量的条件和因素则称之为控制变量。8、定量研究：以实证主义方法论作为基础，目的在于预测和控制，采用演绎推理法对数据资料进行数量分析和统计分析的研究。9、定性研究：以人文主义方法论为基础，目的在于描述和解释，采用归纳推理法收集文本信息，并从整体上进行理解的研究。10、观察法：又称外观法、自然观察法或客观观察法，是在自然条件下通过有目的、有计划地观察被试的言语、表情和行为等外部表现来了解其心理活动的方法。11、问卷法（questionnairemethod）：是研究者以按照一定要求和程序编制的问卷为工具来收集数据资料的一种方法。12、相关研究：用于探索变量间的关系，并根据这种关系就研究对象的特征与行为作出解释与预测。13、因果研究：用于探讨引发变量之间的关系，心理科学研究中心任务就是确定各种变量之间的因果关系。14、现况研究：又称横断面调查，是通过对特定时点（或期间）和特定范围内人群中的相关因素与心理行为或疾病分布的描述，探讨因素与心理行为或疾病分布可能的病因关系。15、个案研究法：研究者通过对个案的深入调查来研究或探讨与之相关的心理或行为问题，这种心理学的研究方法称为个案研究法。16、实验研究：是指在观察和调查的基础上，对研究的某些变量进行操作和控制，创设一定情景，以探求心理现象的原因、发展规律的研究方法，其目的在于揭示变量之间的因果关系。17、总体：指在规定范围内共同具有某些可观测特征的个体或某类客体的完整集合体。18、样本：就是按照科学的抽样方法从研究对象的总体中抽取一定数量的个体，构成能够代表总体的集合。19、被试内设计：通常也叫重复测量设计，指通过观察和测量同一个被试接受所有处理条件，比较两个或更多的不同处理条件的效果。20、被试间设计：指每个被试(组)只能接受一种自变量水平或多个水平结合中的一种实验处理。21、系统误差：又叫常定误差，指由恒定而规律的无关变量引起的误差。22、随机误差：指由偶然的无关变量引起的误差。23、归纳法：先取样观察、收集资料并记录若干个别事例、探求事物的共同特征，找出事物间的关系，得出通则性结论。24、演绎法：从通则性的陈述开始，根据逻辑推理的法则，将通则性结论推广到其它未经观察的部分，从而获得一项个别性的陈述。25、信度：即可靠性，是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。26、效度：即有效性，是指一项测验能测到所要测量的内容或达到某种目的的程度。27、操作定义：在定义一个变量时，不直接描述被定义变量的特征、性质，而是说明观察或测量被定义变量所要做的实际活动。28、描述性研究：又称描述流行病学，是研究特定人群中疾病、健康状况的分布及其决定因素，并研究防治疾病及促进健康的策略和措施的科学29、访谈法：是研究者通过与研究对象有目的的交谈来收集有关对方心理特征与行为数据资料的研究方法，是定性研究最主要的方法。 30、现场研究：也称“实地研究”、“自然研究”，是指在自然条件下或真实生活情境中实施的各种研究。31、社会测量法：在社会心理研究中，对研究对象的属性在数量上赋值的过程称为社会测量。32、社会调查法：是有目的、有计划、有系统地搜集有关研究对象社会现实状况或历史状况材料的方法

雷锋网 AI 科技评论按：本文为 BIGSCity 的知乎专栏内容，作者王小贱。北航智慧城市兴趣组 BIGSCITY是隶属于北京航空航天大学计算机学院的一个学术研究小组，小组致力于研究机器学习与数据挖掘在城市科学、社会科学等领域的交叉应用技术。AI 科技评论获得 BIGSCity 授权转载，敬请期待更多后续内容。非常开心本文成为 BIGSCity 兴趣组的第一篇投稿，《深度学习的可解释性研究》系列预计包含 3-4 篇内容，用尽可能浅显的语言带领大家了解可解释性的概念与方法以及关于深度学习可解释性工作的研究成果，不定期更新内容（欢迎催更）。可解释性是什么？广义上的可解释性指在我们需要了解或解决一件事情的时候，我们可以获得我们所需要的足够的可以理解的信息。比如我们在调试 bug 的时候，需要通过变量审查和日志信息定位到问题出在哪里。比如在科学研究中面临一个新问题的研究时，我们需要查阅一些资料来了解这个新问题的基本概念和研究现状，以获得对研究方向的正确认识。反过来理解，如果在一些情境中我们无法得到相应的足够的信息，那么这些事情对我们来说都是不可解释的。比如刘慈欣的短篇《朝闻道》中霍金提出的「宇宙的目的是什么」这个问题一下子把无所不知的排险者卡住了，因为再高等的文明都没办法理解和掌握造物主创造宇宙时的全部信息，这些终极问题对我们来说永远都是不可解释的。而具体到机器学习领域来说，以最用户友好的决策树模型为例，模型每作出一个决策都会通过一个决策序列来向我们展示模型的决策依据：比如男性&未婚&博士&秃头的条件对应「不感兴趣」这个决策，而且决策树模型自带的基于信息理论的筛选变量标准也有助于帮助我们理解在模型决策产生的过程中哪些变量起到了显著的作用。所以在一定程度上，我们认为决策树模型是一个具有比较好的可解释性的模型，在以后的介绍中我们也会讲到，以决策树为代表的规则模型在可解释性研究方面起到了非常关键的作用。再以用户最不友好的多层神经网络模型为例，模型产生决策的依据是什么呢？大概是以比如 1/(e^-(2*1/(e^(-(2*x+y))+1) + 3*1/(e^(-(8*x+5*y))+1))+1) 是否大于 0.5 为标准（这已经是最简单的模型结构了），这一连串的非线性函数的叠加公式让人难以直接理解神经网络的「脑回路」，所以深度神经网络习惯性被大家认为是黑箱模型。17 年 ICML 的 Tutorial 中给出的一个关于可解释性的定义是：Interpretation is the process of giving explanations to Human.总结一下就是「说人话」，「说人话」，「说人话」，不以人类可以理解的方式给出的解释都叫耍流氓，记住这三个字，你就差不多把握了可解释性的精髓所在。我们为什么需要可解释性？广义上来说我们对可解释性的需求主要来源于对问题和任务了解得还不够充分。具体到深度学习/机器学习领域，就像我们上文提到的多层神经网络存在的问题，尽管高度的非线性赋予了多层神经网络极高的模型表示能力，配合一些堪称现代炼丹术的调参技术可以在很多问题上达到非常喜人的表现，大家如果经常关注 AI 的头条新闻，那些机器学习和神经网络不可思议的最新突破甚至经常会让人产生 AI 马上要取代人类的恐惧和幻觉。但正如近日贝叶斯网络的创始人 Pearl 所指出的，「几乎所有的深度学习突破性的本质上来说都只是些曲线拟合罢了」，他认为今天人工智能领域的技术水平只不过是上一代机器已有功能的增强版。虽然我们造出了准确度极高的机器，但最后只能得到一堆看上去毫无意义的模型参数和拟合度非常高的判定结果，但实际上模型本身也意味着知识，我们希望知道模型究竟从数据中学到了哪些知识（以人类可以理解的方式表达的）从而产生了最终的决策。从中是不是可以帮助我们发现一些潜在的关联，比如我想基于深度学习模型开发一个帮助医生判定病人风险的应用，除了最终的判定结果之外，我可能还需要了解模型产生这样的判定是基于病人哪些因素的考虑。如果一个模型完全不可解释，那么在很多领域的应用就会因为没办法给出更多可靠的信息而受到限制。这也是为什么在深度学习准确率这么高的情况下，仍然有一大部分人倾向于应用可解释性高的传统统计学模型的原因。不可解释同样也意味着危险，事实上很多领域对深度学习模型应用的顾虑除了模型本身无法给出足够的信息之外，也有或多或少关于安全性的考虑。比如，下面一个非常经典的关于对抗样本的例子，对于一个 CNN 模型，在熊猫的图片中添加了一些噪声之后却以 99.3% 的概率被判定为长臂猿。在熊猫图片中加入噪声，模型以 99.3% 的概率将图片识别为长臂猿事实上其他一些可解释性较好的模型面对的对抗样本问题可能甚至比深度学习模型更多，但具备可解释性的模型在面对这些问题的时候是可以对异常产生的原因进行追踪和定位的，比如线性回归模型中我们可以发现某个输入参数过大/过小导致了最后判别失常。但深度学习模型很难说上面这两幅图到底是因为哪些区别导致了判定结果出现了如此大的偏差。尽管关于对抗样本的研究最近也非常火热，但依然缺乏具备可解释性的关于这类问题的解释。当然很多学者对可解释性的必要性也存有疑惑，在 NIPS 2017 会场上，曾进行了一场非常激烈火爆的主题为「可解释性在机器学习中是否必要」的辩论，大家对可解释性的呼声还是非常高的。但人工智能三巨头之一的 Yann LeCun 却认为：人类大脑是非常有限的，我们没有那么多脑容量去研究所有东西的可解释性。有些东西是需要解释的，比如法律，但大多数情况下，它们并没有你想象中那么重要。比如世界上有那么多应用、网站，你每天用 Facebook、Google 的时候，你也没想着要寻求它们背后的可解释性。LeCun 也举了一个例子：他多年前和一群经济学家也做了一个模型来预测房价。第一个用的简单的线性于猜测模型，经济学家也能解释清楚其中的原理；第二个用的是复杂的神经网络，但效果比第一个好上不少。结果，这群经济学家想要开公司做了。你说他们会选哪个？LeCun 表示，任何时候在这两种里面选择都会选效果好的。就像很多年里虽然我们不知道药物里的成分但一直在用一样。但是不可否认的是，可解释性始终是一个非常好的性质，如果我们能兼顾效率、准确度、说人话这三个方面，具备可解释性模型将在很多应用场景中具有不可替代的优势。有哪些可解释性方法？我们之前也提到机器学习的目的是从数据中发现知识或解决问题，那么在这个过程中只要是能够提供给我们关于数据或模型的可以理解的信息，有助于我们更充分地发现知识、理解和解决问题的方法，那么都可以归类为可解释性方法。如果按照可解释性方法进行的过程进行划分的话，大概可以划分为三个大类：1. 在建模之前的可解释性方法2. 建立本身具备可解释性的模型3. 在建模之后使用可解释性方法对模型作出解释在建模之前的可解释性方法这一类方法其实主要涉及一些数据预处理或数据展示的方法。机器学习解决的是从数据中发现知识和规律的问题，如果我们对想要处理的数据特征所知甚少，指望对所要解决的问题本身有很好的理解是不现实的，在建模之前的可解释性方法的关键在于帮助我们迅速而全面地了解数据分布的特征，从而帮助我们考虑在建模过程中可能面临的问题并选择一种最合理的模型来逼近问题所能达到的最优解。数据可视化方法就是一类非常重要的建模前可解释性方法。很多对数据挖掘稍微有些了解的人可能会认为数据可视化是数据挖掘工作的最后一步，大概就是通过设计一些好看又唬人的图表或来展示你的分析挖掘成果。但大多数时候，我们在真正要研究一个数据问题之前，通过建立一系列方方面面的可视化方法来建立我们对数据的直观理解是非常必须的，特别是当数据量非常大或者数据维度非常高的时候，比如一些时空高维数据，如果可以建立一些一些交互式的可视化方法将会极大地帮助我们从各个层次角度理解数据的分布，在这个方面我们实验室也做过一些非常不错的工作。还有一类比较重要的方法是探索性质的数据分析，可以帮助我们更好地理解数据的分布情况。比如一种称为 MMD-critic 方法中，可以帮助我们找到数据中一些具有代表性或者不具代表性的样本。使用 MMD-critic 从 Imagenet 数据集中学到的代表性样本和非代表性样本（以两种狗为例）建立本身具备可解释性的模型建立本身具备可解释性的模型是我个人觉得是最关键的一类可解释性方法，同样也是一类要求和限定很高的方法，具备「说人话」能力的可解释性模型大概可以分为以下几种：1. 基于规则的方法（Rule-based）2. 基于单个特征的方法（Per-feature-based）3. 基于实例的方法（Case-based）4. 稀疏性方法（Sparsity）5. 单调性方法（Monotonicity）基于规则的方法比如我们提到的非常经典的决策树模型。这类模型中任何的一个决策都可以对应到一个逻辑规则表示。但当规则表示过多或者原始的特征本身就不是特别好解释的时候，基于规则的方法有时候也不太适用。基于单个特征的方法主要是一些非常经典的线性模型，比如线性回归、逻辑回归、广义线性回归、广义加性模型等，这类模型可以说是现在可解释性最高的方法，可能学习机器学习或计算机相关专业的朋友会认为线性回归是最基本最低级的模型，但如果大家学过计量经济学，就会发现大半本书都在讨论线性模型，包括经济学及相关领域的论文其实大多数也都是使用线性回归作为方法来进行研究。这种非常经典的模型全世界每秒都会被用到大概 800 多万次。为什么大家这么青睐这个模型呢？除了模型的结构比较简单之外，更重要的是线性回归模型及其一些变种拥有非常 solid 的统计学基础，统计学可以说是最看重可解释性的一门学科了，上百年来无数数学家统计学家探讨了在各种不同情况下的模型的参数估计、参数修正、假设检验、边界条件等等问题，目的就是为了使得在各种不同情况下都能使模型具有有非常好的可解释性，如果大家有时间有兴趣的话，除了学习机器学习深度模型模型之外还可以尽量多了解一些统计学的知识，可能对一些问题会获得完全不一样的思考和理解。基于实例的方法主要是通过一些代表性的样本来解释聚类/分类结果的方法。比如下图所展示的贝叶斯实例模型（Bayesian Case Model，BCM），我们将样本分成三个组团，可以分别找出每个组团中具有的代表性样例和重要的子空间。比如对于下面第一类聚类来说，绿脸是具有代表性的样本，而绿色、方块是具有代表性的特征子空间。使用 BCM 学到的分类及其对应的代表性样本和代表性特征子空间基于实例的方法的一些局限在于可能挑出来的样本不具有代表性或者人们可能会有过度泛化的倾向。基于稀疏性的方法主要是利用信息的稀疏性特质，将模型尽可能地简化表示。比如如下图的一种图稀疏性的 LDA 方法，根据层次性的单词信息形成了层次性的主题表达，这样一些小的主题就可以被更泛化的主题所概括，从而可以使我们更容易理解特定主题所代表的含义。Graph-based LDA 中的主题层次结构基于单调性的方法：在很多机器学习问题中，有一些输入和输出之间存在正相关/负相关关系，如果在模型训练中我们可以找出这种单调性的关系就可以让模型具有更高的可解释性。比如医生对患特定疾病的概率的估计主要由一些跟该疾病相关联的高风险因素决定，找出单调性关系就可以帮助我们识别这些高风险因素。在建模之后使用可解释性性方法作出解释建模后的可解释性方法主要是针对具有黑箱性质的深度学习模型而言的，主要分为以下几类的工作：1. 隐层分析方法2. 模拟/代理模型3. 敏感性分析方法这部分是我们接下来介绍和研究的重点，因此主要放在后续的文章中进行讲解，在本篇中不作过多介绍。除了对深度学习模型本身进行解释的方法之外，也有一部分工作旨在建立本身具有可解释性的深度学习模型，这和我们前面介绍通用的可解释性模型有区别也有联系，也放到以后的文章中进行介绍。如果对本系列感兴趣或有疑问，欢迎私信交流。关于 BIGSCity北航智慧城市兴趣组 BIGSCITY 是隶属于北京航空航天大学计算机学院的一个学术研究小组，小组致力于研究机器学习与数据挖掘在城市科学、社会科学等领域的交叉应用技术。BIGSCITY 的研究兴趣包括：城市计算，时空数据挖掘，机器学习可解释性，以及 AI 在交通、健康、金融等领域的应用等。本专栏将介绍 BIGSCITY 的一些研究成果，不定期更新与课题组研究相关的研究工作介绍，以及介绍与 BIGSCITY 相关的一切有趣的内容。关于 BIGSCITY 的详细情况参见研究组主页：https://www.bigscity.com/参考文献1. Google Brain, Interpretable Machine Learning: The fuss, the concrete and the questions.2. Kim B, Koyejo O, Khanna R, et al. Examples are not enough, learn to criticize! Criticism for Interpretability[C]. neural information processing systems, 2016: 2280-2288.3. Kim B, Rudin C, Shah J. The Bayesian Case Model: A Generative Approach for Case-Based Reasoning and Prototype Classification[J]. Computer Science, 2015, 3:1952-1960.4. Doshi-Velez F, Wallace B C, Adams R. Graph-sparse LDA: a topic model with structured sparsity[J]. Computer Science, 2014.

（一）符号分析法1、概念：20世纪六七十年代，符号学成为最流行的文本分析方法。对于理解文本的意义，符号学研究方法有其独到之处。符号就是代表某种事物或思想的记号或标志。它具有三个要素：符号的形式、被符号所指涉的对象，以及人们提供的对符号意义的解释。符号学是研究符号的学科。各种形式的符号都是它的研究对象。分析媒介文本里的符号，目的不在于描述符号本身，而在于发现每个符号的能指和所指之间的关系。2、分析步骤：（1）文本里都出现了哪些符号，尽可能多地列举它们，考察每个符号的能指和所指，判断重要的符号体现的隐含义和意识形态。（2）考察文本里的符号如何组合在一起。（3）考察文本里符号采用了什么手法而被联系在一起，是否运用可隐喻或转喻手法。（二）文本分析法1、概念：文本分析法是研究媒体内容的多种方法的总称，它包含多个理论流派和思想资源，并无统一的操作程序。一般来说，它是研究者用来描述和解释媒介讯息的一种研究方法，侧重于描述文本的内容、结构和功能，解释层次的潜在意义，很少使用数字和统计手段来呈现研究结果。用文本分析法研究媒介内容，也经常被称为“解读”媒介内容。2、特点：文本分析法强调对媒介内容的深入理解，它的优势在于获得深入的隐含的意义。但文本分析法研究对象规模较小，代表性低。（三）深度访谈法1、概念：深度访谈是为搜集个人特定经验及其动机和情感所做的深入的访问。在自由交谈中，从被调查者的反应、态度、意见中探求深层的东西，因此要求经过特殊训练的专家主持。深度访谈法不采用问卷，但必须事先准备好“面谈必要”；访问不要求面面俱到，但要对主题有深入的探讨；提问顺序和方式可以根据被访者的具体情况而调整，目的是促使被访者深入、连贯、自主地表达自己的态度和意见。2、特点：（1）无结构的、直接的、一对一的访问（2）样本量较小（3）可获取详细资料（4）访问时间较长（5）要求访员有很高的访谈技术和刺探技术（6）虽有访谈提纲，但根据被访者反应，允许改变提问的措辞和顺序（7）结果依赖访员（8）可对被访者的非语言反应进行较长时间的观察3、访谈技术（1）阶梯前进，沿着一定的问题线探索（2）隐秘问题寻探，重点放在个人深切相关的“痛点”上（3）象征性分析，通过反面的比较来分析对象的含义4、评价（1）优点：资料详尽；深入被访者内心（2）缺点：结果依赖访员；随机性小样本，不能概括普遍性的结论（四）民族志法1、概念：或称田野调查法，源于人类学。研究者通常采取参与观察的方式，深入到特定团体生活中，持续相当一段时间，从而询问或观察所发生的事物，然后从内部观点对其意义做出说明。近期媒体民族志的重要领域包括：日常生活情景式的接收；节目类型与文化认识能力的分析；科技与消费。2、步骤（1）选择研究对象（2）提出民族志对象（3）通过参与性观察、个案方法等途径搜集民族志资料（4）进行民族志分析（5）书写民族志3、原则（1）从广义来说，民族志学研究关注所有的文化形式，包括日常生活、宗教和艺术；（2）由于研究者本身就是最基本的研究工具，因而必须进行长期的参与观察；（3）必须采用多重资料收集法，以核实观察中发现的资料。4、评价：（1）优点：从人物和事件生产的自然环境下进行研究，因而能够得到丰富、系统、详细具体的资料。可以研究一些不容易接近、较封闭的群体。（2）缺点：花费较高的费用和较长时间；结果高度依赖研究者的个人能力。（五）人种学方法起源于欧洲现象学家的研究成果。它主要是利用参与观察法和深度调查，同时非常强调日常会话，因为会话是日常互动最基本的媒介过程。人种学是在广义的文化概念下对特定的文化情境做深入的、解析性的描述，它以一种非常全面的方式从人类认识自己的多个角度来思考。其目的在于认识一个社会制度里的人的信念和习俗，强调使社会成员联结起来的共同点。该方法要求从个体出发，摒弃了自然科学中的严格控制，观察发生在自然情境中的现象。大量依赖对研究对象的观察、定性判断和描述；重视过程，旨在获得整体的画面；还涉及反复的、即时的理解手段以及在研究过程中不断进行自我调整。（六）焦点小组座谈法一般由一位训练有素的主持人组织，引导6—12个人针对某一主题开展自由讨论。焦点小组访谈法包括在特定的情境下收集有关调查对象的情景定义的资料。这种方法通常采用一种开放式提问，以便得出有关研究的媒介信息的高度自主的资料。访谈一般以事先确定的假设为中心，然后这些假设被用作访谈的焦点，主持人努力引导个人理解某个媒体信息，由深入细致的、自由型的访问引起，帮助回忆，然后通过调查或实验而获得的更加量化的资料加以检验。作为一种研究技巧，小组访谈法曾在二战期间用于宣传效果的研究。后来很长一段时间内都作为市场研究的方法，直到20世纪80年代至90年代，大众传播学开始关注意义生成和媒介内容与技术的阐明时，这种方法才得以在传播学领域中复兴。（七）投影技法这是一种间接的（隐蔽性的）定性研究方法，其主要特点是：有隐蔽的调查目的；用无结构的、非直接的询问方式；鼓励被调查者将自己对所关心问题的潜在动机、态度等投射出来；不要求被访者描述自己的行为；在解释他人的行为时，将自己的动机、态度等投射到有关情景之中；类似心理咨询分析患者的心理，分析被访者所投射的态度。主要包括：联想技法、完成技法、结构技法、表现技法四种类型。具体程序有：1、收集资料：收集资料时，可以采用各种方法，如深度访谈、文献分析等。2、分析定性资料3、辅助分析：主要是实地调查或访谈，对资料进行选择、筛选；用矩阵、图形或表格等形式重新安排资料等。4、分析程序：包括归纳法和理论建立法。5、定性研究报告：三种形式是单纯描述、分析讨论（以研究产生的概念为主）、实质说明（以期对理论有所贡献）。

比较管理既要从事共时性研究，更要从事历时性研究科学研究不但要描述可观察的世界，而且要描述隐藏在现象背后的世界，描述可观察的世界可称为“描述性研究”，相应地，描述隐藏在现象背后的世界，可称为“解释性研究”翻阅国内20世纪90年代出版的一些《比较管理学》教材。有意无意地把比较管理视为描述性研究，许多内容停留在浅层次的比较或表面的现象堆积上，致使比较管理研究偏离了其发展的轨道，失去了其应有的学术魅力。不难说明，这种简单描述方法根本无法完成比较管理的使命。当然，不是说不需要描述性研究，描述性研究是比较管理研究的重要组成部分，是解释性研究的重要基础和前提。比如大内的《Z理论》一书，有约一半篇幅在讲述从A到Z的应用问题。但大内本人很清楚很谨慎，他提醒人们这些步骤只是供人们讨论的焦点，而不是提高管理水平的“食谱”。波普尔指出，科学的目的是：为所有那些给我们印象深刻而又需要解释的东西找到令人满意的解释。所谓的一种解释（或是一种因果性的解释）就是指组用来描述有待解释的事态的陈述，而其他的解释性的陈述，则构成有关“解释”这个词的更狭义的“解释”。在社会科学各领域，比较研究似乎呈现出一种共性，即解释性研究。凡是比较，而且能够在学术上有所创见者，在已有的事例中基本上都没超出解释性这一范围。比如，亨廷顿的比较研究著作《变化社会的政治秩序》及其文明冲突论，汤因比的皇皇巨著《历史研究》。这种比较基本上都属于认知和解释，这种研究很值得管理学界借鉴，比较管理的硏究对象是管理行为背后的管理运作机理，要比较不同情境下管理活动的异同，我们就必须回答“是什么因素决定了不同情境下管理活动的异同”。比较管理学虽然也要回答是什么。换句话说，比较管理既要从事共时性研究，更要从事历时性研究。因此，比较管理学在本质上应该属于解释性科学，唯有如此，比较管理研究才能对管理演化过程中复杂的多元因果关系做出深刻的理解和说明。这样，我们对管理模式进行解释性分析，就可能超越“存在”（共时性），进人“过程”（历时性），通过历史的时间长河分析其遗传机制、变异机制和选择机制等，从而对一国管理模式今天为何这样而不是那样做出有说服力的解释。这种解释既有利于人们发现一国管理模式中的特殊经验，也有利于提炼出管理模式中的普适规律。事实上，比较管理学从来没有离开解释和认知，大内的《Z理论》、戴尔的《伟大的组织者》、钱德勒的《战略与结构》，这些经典的比较研究的成功之作，也都没超出解释性这一学科的性质现实生活中还有一类研究，这类研究属于“改造世界”性质的研究。我们姑且把这类研究称为“对策性研究”我们不是不需要对策性研究，问题是，对策性研究的建议往往应该发生在理论解释之后。有许多学者常常不是先找准问题，寻找问题产生的原因，不去探究问题背后的社会环境与结构，不去运用恰当的理论工具和方法对问题进行深度剖析和解释，而是匆匆忙忙地提建议、做对策。这种所谓的“研究”不应该提倡，我们可以看到一些学者的有益提醒:较管理学的研究，不在于找出可以引进或者模仿的楷模，而在于通过比较认识不同模式之间的差异形成机制，提供引进或者模仿的可能性论证。学术研究从来都是解释性的，而不是对策性的。由比较研究直接进入对策研究，很可能不是比较管理学的真正出路。但是，对策研究往往具有现实的吸引力，这值得学界警惕。那么比较管理研究可以引人演化分析范式吗？解释性学科必须拥有解释性的分析范式与之匹配，我们才有可能对事物之间纷繁复杂的关系做出深刻的解释和说明。我们刚刚提及共时性与历时性这一对术语。共时性和历时性相对，是索绪尔提出的对系统的观察研究的两个不同的方向。共时性的一切牵涉到对事物的静态的方面，历时性的一切牵涉到事物的进化方面。共时性方法可以归结为对事物收集整理后在一个时点上进行截面式研究，历时性方法则随着时间从上往下探究或从下往上追溯。在比较管理研究领域，颇为流行的仍然是“文化分析范式”。比如，人们仍然习惯于采用霍夫斯泰德的文化五维度理论去解读管理问题，特别是跨文化管理问题。这是必要的，但又具有明显的局限性。五维度分析可以解释管理活动中的“文化”现象，可以进行一些管理活动的共时性分析，但在回答诸如一种管理模式的发生、发展和演化这类复杂的问题时，“文化分析范式”就显得有些苍白或空泛。在研究这类复杂问题时，进化生物学和演化经济学为我们提供了科学的分析方法，特别是一些历时性分析的方法。遗憾的是，迄今为止，这种科学方法没有进入比较管理学家的视野。与功能生物学研究分子工程不同，进化生物学研究物种的演化。遗传、变异和选择是进化生物学的核心范畴。演化经济学同进化生物学一样，始终在提问上致力于历史起源和过程解释，主张比较的、历史的、回溯的方法。霍奇逊指出，生物学将一般性原则（例如分类法和进化规律）与关于特定机制和现象的特殊研究相结合。这就是为什么社会科学必须更接近生物学而不是物理学的一个原因。比较管理学之所以在相当长的一段时间里几乎成为一门“沉闷的科学”一个方面的原因就是由于其缺乏有效的分析工具去解释是什么因素导致不同情境的管理特性的形成，这些因素是如何演化从而影响到管理特性的改变。现在，我们欣喜地发现，演化分析方法完全可能“激活”比较管理学，使其从“沉闷”转入“活跃”，在科学研究中，隐喻或类比是一种常见的方法。它是从其他学科引入新的认识论并与本学科杂交产生理论创新的重要途径。它既可以帮助当事人从本专业已“锁定”的思维模式中挣脱出来，又有助于新范式的内核的形成。演化理论中许多重要范畴和理论，对比较管理研究具有非常重要的价值。比如，演化经济学强调事物发生的初始条件与结构、注重分析主体能动性与制度结构的关系、致力于寻找事物发展的基因及发展过程中惯例的特殊作用，以及历史的偶然性和不确定性、累积因果效应、个体群思维方法、路径依赖、互补性等重要理论范畴具有深邃的学术内涵和极大的学术魅力。可以预见，引人演化分析方法会大幅度地改写比较管理学，甚至可能引发一场管理学方法上的革命。

在英国，无论是写Dissertation还是申请博士，都需要同学们先完成一篇Research Proposal，写research proposal的目的在于为自己梳理文献、理清思路和轮廓方向。同时它的作用还有告诉读者你的研究动机和课题价值，会有怎样的成果，你将如何完成该研究以及做研究所需的时间等等。Research Proposal写作不过，在开始research proposal之前，需要同学们考虑几下一个问题：This research interests in….The research aims or purpose of this study……The research questions are…….This research will contribute to…….Data will be gathered by……The reasons for choosing possible research methods….The research may have some potential limitations….The research will be expected to find out……Research Proposal写作结构：想要写出高质量饿research proposal，必定离不开你对研究的思考深度以及专业的水准。因此，结构以及逻辑的清晰程度就显得格外重要。Title一篇高质量的RP Title应该是简洁而觉有描述性的，这两者缺一不可。如果同学们在写作中只是做到了简洁却忽略了描述性，那么极有可能会导致读者无法知道你所想要研究的内容到底是什么。反之，如果过度注重描述性却忽略了简洁，那么过于冗长的句子也同样会使读者感到困惑。Abstract尽管Abstract字数有限，需要同学们进行简要的归纳，但是研究问题，研究的理论基础以及方法和主要发现等等都应该囊括在内。其中对方法的描述可能还包括了实验的设计、步骤以及样本。这样说起来可能会有些复杂，但其实在该部分主需要回答两点即可：一、告诉读者你所研究的问题是什么，简单的用一两句话来阐述自己的问题二、告诉你的读者你是用Qualitative还是Quantitative，具体是哪种方法。最后是why is important？why do you choose the methodology?要告诉你的读者你的研究的重要性和解释为什么这个研究方法是最适合解决这个问题的。Introction：关于这部分小编就不再进行过多的讲述了，但有一定需要注意的是，introction虽然也会有不少的文献需要引用，但同学们千万不要写成了literature review，在introction中列举的领域内的主要研究是为了说明研究的重要性。Literature Review：在Literature Review中需要重点罗列出学者们对于研究领域相关的问题研究，以及他们用了什么样的研究方法，得到了那些研究成果。在此有一点需要注意，LR既需要说出前人的研究有点，也需要指出他们的研究弊端，换句话说就是，LR一定要具有critical thinking。Methodology：在Rsearch Pproposal中，Methodology非常重要。因为在这一部分，你需要向你的读者描绘你的研究蓝图，证明你的研究是可行的。而具体研究方法会根据学科的不同有很大的差异，但基本研究方法选择的目的是一样的。简单来说，就是能够系统地回答你之前提出的research questions。Results：尽管在RP阶段没有研究结果，但是对于你将收集的那些数据，采用了何种统计方法，都将会与解答你的研究提问或验证假设。同学们在写作之前可以先对研究结果进行理性的预测，即使最后得到的真实结果与此有些差异也没关系，等到开始写论文的时候还是可以惊醒修改的。Detail Research Timetable在这部分，你可以列一个Timetable，说明一下什么时间段计划完成Literature review,什么时候开始收集数据，什么时候处理分析数据，以及什么时候完成论文，什么时候做Proofreading。Reference最后就是大家都知道的Reference。Research Proposal写完啦！更多留学新闻资讯请访问摆渡论文网(BayDue)。

记者 | 加琳玮1品牌logo的作用不容小觑。通过颜色、字体、形状所传达的视觉语言，logo对消费者做出购买决定、塑造品牌印象起到直接的作用。间接地，品牌业绩也会与之相关。近日，三位市场营销领域学者Ammara Mahmood、Mudra Mukesh和Jonathan Luffarelli在研究了597个品牌logo后发现，具有描述性的logo尤其对业绩和消费者行为有着较强的影响。描述性logo是指那些可以清晰传达产品类型和服务的图案。比如汉堡王的logo明显包含了“Burger（汉堡）”这个词，并且有汉堡的图案。而麦当劳只有一个“M”，属于非描述性logo。学者们的研究方法是，让两组消费者分别观察描述性logo和非描述性logo，并给出他们的评价。得出的结论是，描述性logo会让品牌在消费者眼中更真实，蓉儿让消费者产生好感、增加购买意愿、对品牌销售额产生正面影响。李维斯但近几年的logo设计出现简化趋势。例如美国甜点品牌Dunking Donuts（唐恩都乐）最终把logo中的“Donuts（甜甜圈）”一词和咖啡杯拿掉，变得更为简约。据三位学者统计，目前大约仅剩40%的公司在使用描述性logo。这并不代表品牌们正在放弃用logo博得消费者好感。事实上，这三位学者的logo研究中还揭露出了另一关联，即对于大众熟知的品牌来说，logo是否为描述性，对品牌的影响并不大。也就是说，描述性logo最主要起到的作用是在人们初期了解品牌之时。这也是为什么，从2018年开始，众多奢侈品牌都更换了更为简约的logo，有Rimowa、Fendi、Berluiti、Burberry、Celine、Balmain等。它们并不缺乏知名度，当下最需要的是被年轻一代消费者接纳。面对奢侈品消费者的低龄化、消费习惯以及消费行为的个性化转变，它们从一开始的“手足无措”逐渐到寻找入手点进行品牌变革，一些曾经因担心品牌失去原有调性而拒绝数字化的品牌，也纷纷开启线上销售的大门。但仅是数字化的调整并不能满足现如今消费者的需求。与曾经的奢侈品消费者相比，现在的年轻一代消费主力更讲究潮流、个性化，这使得品牌们开始任命更加年轻化的设计师，做跨界联名、玩快闪店。而转型的第一步往往就是对自己沿用了几十年甚至上百年的logo以及monogram（字母和图案的组合）的革新。新logo也都有较为统一的更改趋势：无衬线字体、更加紧凑的字母间隔、品牌名称全部采用大写字母、白色背景黑色字母的色彩搭配，多数品牌革新后还会多出一个更加容易印在品牌产品上的monogram。不管是品牌所谓的致敬经典还是拥抱消费者，致使这些logo走向简洁化的另一个重要的原因，就是在数字化电商平台以及社交媒体上更容易被记住。描述性logo除了对当前的奢侈品牌效用不大外，该研究还发现，对于殡仪馆、驱虫剂等带有负面元素的产品和服务的品牌logo，描述性logo反而会让消费者联想到死亡、虫咬等不好的概念，效果甚至会适得其反。