什么是分析性研究

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.

什么是可行性研究报告？可行性研究报告又是做什么的那？可研的根本出发点本应该是论证项目的可行与否，但目前我国可研的编制基本沦为了制度的小妾，人们不再关注可研结论的重要性，而更多的是考虑它能不能通过行政审批，这也就不难理解我国为什么固定资产投资失败率如此之高了。对可研的忽视就犹如一个巨大的财富黑洞，大量的资金被这个吃钱的怪兽所吞噬，这种现状不只出现在民企之中，同时在国企中表现更加严重，百姓一分一分积攒起来的血汗钱就这样被白白浪费掉。面对严峻的现状，国务院最先提出来全过程工程咨询的发展方向，秉着对国家负责对百姓负责的态度，政府首先应该扭转可行性研究报告流于形式的局面，对于项目要进行充分的调研分析，立足于确定可行与不可行的基本出发点，对于不满足评价标准的项目坚决不予立项，这个过程中咨询机构扮演者举足轻重的角色，咨询单位的公证客观与否直接影响着项目的未来，也决定这一个企业家的未来。对于企业一个项目的失败也许就是十年二十年无法翻身，一个人又有几个十年二十年，更何况是一个企业那。所以作为一个优秀的企业家，首先要有决策的基本判断，如果自己不重视可行性研究，那就等于在钢丝上行走，在失败的边缘探足试险。

回顾性研究论文同其它研究论文一样，在陈述资料来源、总结方法和结果之后，尚须对资料的结果及在总结过程中所遇到的问题加以分析和讨论，以回答研究所提出的问题。达晋编译认为，分析的关键在于严格的科学态度，正确地反映客观事实。论点要正确，论据要充分，论证要有严密的逻辑性。切忌主观意断，言过其实。在这方面常见的问题有：一、主题不集中。有的作者往往想在一篇论文中解决过多的问题，片面地追求全面、系统、完整。其结果是面面俱到，主次不分，重点不明。需要强调的是，临床回顾性研究论文与教科书或其它研究论文不同，不可能对病因、发病机制等作出新的、科学的结论，也不可能对药物或疗法的作用机理做出科学的解释。这是研究本身的性质所局限了的。因此，在作资料的解释时，一般只要求着重解决一两个问题，把主题集中到最主要、最有实际内容、作者最有体会的问题上。围绕主题，展开讨论。其它有关的问题只能处于从属的地位，不能与重点问题相提并论，更不能喧宾夺主。企图什么问题都解决，结果是什么问题也解决不好。二、推论主观。临床回顾性研究可以总结和发现一些疾病的发生、发展乃至治疗的规律性，也可以从现有资料的分析中给今后工作的开展以某种启示。但是，不少作者往往以这些规律和启示为依据，无限延伸，加以推论。这种利用现有资料进行主题以外的某些推论，不管作者的逻辑过程如何合理，总不免带有一定的盲目性，甚至弄巧成拙。从统计学角度看，企图将现有资料的结论应用于超出样本所代表的总体，是绝对不允许的。因为这样做是不客观的。三、套用文献。在对临床资料做出解释时，常常需要引证有关文献材料，以说明作者所得结果与前人的同类研究的结果有什么联系和区别，从而表明作者的见解。但是，在引用时决不能把文献资料当作左右作者研究结果的先人之见。特别是当自己的结果与前人的结果有出入时，更应该慎重地分析自己研究的材料，仔细地审查各种因素的干扰，并找出差别的真正原因。既不要对自己的结果不加分析和探讨而轻易否定，也不要对自己的结果寄予过高的奢望，甚至偏爱，草率地肯定。因为这里有可能受到各种偏因的影响而出现假象。因此，既不能把文献作为左右资料分析的先验性概念，也不能以自己的结果去硬搬前人所作的结论，否则，将使资料的分析缺乏科学性。四、不正确地利用统计学数据。数理统计能帮助我们在实践中少走弯路，少犯主观片面的错误。但是统计学的处理只能在资料系统化的基础上进行。在统计处理的任务完成之后，对结果的解释则取决于研究者的专业知识和经验了。统计的显著性不能代表解释的正确性，因为回顾性研究很难避免各种干扰因素及偏因的影响。只有当各种干扰因素及偏因受到良好的控制时，统计的结果才更能说明问题。否则，即使得到“有显著意义”的结果，也很可能是由于某种干扰造成的。因此，不经统计学处理就下结论不对，而把统计学处理看成“万能”，也是不对的。

今天继续教大家写留学论文，选择定性分析还是定量分析？1什么是定性分析？分析方向：---定义---得出的数据方向---如何采集---是否具有目的性---研究类型---主客观---数据类型2什么是定量分析？分析方向：---定义---得出的数据方向---如何采集---是否具有目的性---研究类型---主客观---数据类型3定性分析的3种方式定性分析的3种方式：---Focus Group---Depth Interview---Photo Enthnography4定量分析的3种方式定量分析的4种方式：---Telephone Surveys---Personal Interviews---Web Surveys---Hybrid Method

从1854年伦敦爆发霍乱，到1918年的西班牙流感，再到新冠肺炎，都是典型的流行病。然而，流行病学专业不仅限于对这类传染病的研究。该专业对人群的健康状况以及疾病的分布做广泛的研究，最终为公共卫生和预防医学提供基础方法论。什么是流行病学流行病学（Epidemiology）研究与健康相关的状态或事件，包括疾病。在这之中，流行病学将事件的分布和决定因素作为研究的重点。流行病学将研究的成果应用于疾病和其他健康问题的控制。在其调查时，可采用各种方法。其中，监测和描述性研究可用于研究疾病分布情况，而分析性研究可用于研究决定因素。通俗的来说，流行病学可以用于找出在健康层面上一些看似不相关的事物之间的联系。以一个具体的例子来说，如果要了解盐分摄入和心血管疾病之间的关系，流行病学专业人员可以通过对不同人群的对比得出相关的结论，最终证明两者之间的具体关联。流行病学课程以约翰霍普金斯大学为例，该学校提供两种不同的研究生项目，分别是MHS（卫生科学硕士）和ScM（理学硕士）。两个项目都由校内课程和研究组成。基本课程包括三门流行病学方法课程（340.751、340.752、340.753）、一门生物统计学序列、研究伦理与观点和概述/调查课程。学生还需要选择适合于提供学术框架和指导研究的基础的选修课。MHS和ScM项目要求学生至少完成64个学分的课程，累计平均GPA在2.75以上，顺利通过系部综合考试，撰写一篇自己的毕业论文，并通过Poster Presentation在公开场合展示自己的作品。下图是JHU流行病学研究生项目的课程选择：就业前景工作领域流行病学的毕业生如果考虑在国外发展的话，可以继续研究生涯，进入科研机构，大学教育机构，药厂以及医院的科研部门。在国外的大环境之下，毕业生有更丰富的资源来进行专业的研究。而在国内，该专业的学生依然可以选择投身这些机构。在国内，流行病学家可能会需要亲自做更多信息的采集，以及代表机构做采访的工作。除去这一选项，国内的疾病控制预防中心（CDC）和类似的政府机构也对这一流行病学专业人员有着岗位需求。在工作中，实地考察可能会使流行病学家接触到传染病，但其风险很小，因为他们接受过适当的培训。与此同时，在与样本或患者互动之前他们一般会采取了广泛的预防措施。就业情况美国劳工统计局（BLS）的数据显示，在2019年，流行病学家的工作岗位数量在8500个左右。这个工作岗位数量和其他的一些工作相比不是特别的多。这和进入该行业的学历要求有一定的联系，BLS指出，对于流行病学家，典型的工作学历为研究生毕业而非本科。收入BLS总结的2019美国流行病学家中位数年薪为70990美元。而根据一家美国专业薪酬统计和数据公司Payscale的数据，流行病学家的年薪在46000美元到102000美元之间。在拥有一些特殊技能的情况下，流行病学家可以获得一些薪资的上涨。举例来说，拥有临床研究的技能可以带来39%的薪资涨幅。项目推荐1. 约翰霍普金斯大学项目名称：MHS/ScM in Epidemiology综合排名：#9专业排名：#1项目介绍：流行病学系的使命是通过栽培流行病学家，帮助有关疾病的预防以及促进健康的知识。约翰霍普金斯大学彭博公共卫生学院流行病学系作为世界上历史最悠久的自主流行病学学术部门，一直在履行这一使命。申请材料：- Statement of objectives and research goals - CV/Resume- GRE/MCAT test score- TOEFL/IELTS test score- Transcript- Three letters of recommendation 2. 埃默里大学项目名称：MPH in Epidemiology综合排名：#21专业排名：#5项目介绍：MPH项目为学生提供了流行病学的训练以及广泛接触其他公共卫生学科的机会。该项目由包含了流行病学和生物统计学知识，针对流行病学文献的批判性评估，以及课内概念的实践应用机会。毕业生已经为在政府、非盈利、工业和学术部门任职做好了充分的准备。申请材料：- Personal statement- Resume- Two letters of recommendation- Transcript- GRE test score3. 加利福尼亚大学洛杉矶分校项目名称：MPH in Epidemiology综合排名：#20专业排名：#11项目介绍：流行病学MPH是公共卫生领域的项目之一，学生在毕业后可获得公共卫生和流行病学方面的广泛知识，为改善人口健康作出贡献。该学位包括环境卫生、行为科学、生物统计学和卫生服务等课程。申请材料：- CV/Resume- Statement of purpose- Three letters of recommendation- Transcript- GRE test score- TOEFl/IELTS test score4. 哥伦比亚大学项目名称：MPH in Epidemiology综合排名：#3专业排名：#4项目介绍：哥伦比亚大学的流行病学MPH课程通过帮助学生对人类疾病的原因、预防和控制进行研究，为学生从事公共卫生事业做准备。课程强调掌握流行病学研究的方法。通过关于重要疾病的课程（如艾滋病、结核病和癌症），以及关于疾病诱因的课程（如遗传学、营养学和环境），该项目丰富了课程内容。申请材料：- Three letters of recommendation- GRE/GMAT/LSAT/MCAT test score- Personal statement/ Statement of purpose- CV/Resume- Transcript- TOEFL/IELTS test score5. 北卡罗来纳大学教堂山分校项目名称：MPH (Applied Epidemiology concentration)综合排名：#28专业排名：#2项目介绍：MHA是一个专业学位项目，供希望在卫生系统、医院、咨询公司、管理式护理组织、保险公司、非政府组织、医疗集团实践、政府机构和其他场合从事管理职业的学生选择。该项目的使命是提高有志于管理和领导的专业人士的决策和领导技能。申请材料：- Transcript- Three letters of recommendation- Statement of purpose/interest- CV/Resume- GRE test score- TOEFL/IELTS test score申请 5 tips1. 根据历年的实际经验，成功申请美国前30流行病学专业的申请者GPA一般都在3.4以上，个别学校的入学新生平均GPA可达3.72. 国际学生申请美国前30研究生的TOEFL成绩最好保持在100以上。一些学校平均录取学生托福甚至高达110+3. 除了其他专业的共性要求外，申请者需要对自己的职业规划十分清晰。能够通过个人陈述凸显自己在生物领域认知和未来发展方向4. 美国大学研究生学院招生时往往看重的是申请者的综合素质，流行病学专业也不例外。申请者需通过本科GPA和相关科研、实习经历，体现出较高的专业知识和技能储备。5. GRE也是一些优质流行病学研究生项目非常看重的。Verbal和Quant部分最好可以达到160以上，而Analytical Writing保证4.0分。

数据可视化工具包含许多非常先进的技术。这些技术方法可以通过使用图像，图形和计算机视觉来可视化数据。在进行数据分析时，有许多类型的数据，那么主要用什么类型的数据可视化工具进行数据分析？今天，DataFocus将为您提供详细的介绍。 市面上常用的数据分析工具可以简单的分为两大类。一个是探索性数据分析，另一个是定性数据分析。它们与其他同类产品不同，分析功能非常强大，交互方式也非常丰富，允许用户及时掌握信息，发现问题，找到答案并采取行动。 1.分析定性数据。数据可视化工具可以分析非数字数据或数据，例如照片，单词和观察。它也被称为定性研究，定性数据分析或定性研究数据分析。 如Tableau这类老牌的传统数据分析工具就有这这一类的鲜明特征。 2.分析探索性数据。这种方法由美国着名统计学家命名。它是对传统统计假设检验方法的有效补充。它是形成一个值得假设的测试。也是新一代可视化工具的一个主要特征。注重敏捷、探索和智能，比起工具，更像一个辅助的帮手，常常在可用性上做到极致，比如新一代的DataFocus数据分析工具。 近年来，数据可视化工具基本上基于视觉元素，例如图形，表格或地图。可以通过分析动态分析数据，例如钻孔，过滤，跳跃，链接和突出显示。它可以提供各种数据表示形式，以及各种图形渲染形式，还可以支持商业逻辑动态脚本引擎和丰富的人机交互等。可以说它是一个非常强大的工具，能够为公司的发展提供很多帮助。 除非注明，否则均为DataFocus企业大数据分析系统,让数据分析像搜索一样简单原创文章，转载必须以链接形式标明本文链接。

你是一个更有创造力或分析性的思想家吗？分析思想家特别擅长通过有条不紊地解决问题来解决明确的问题。富有创造力的思想家更有可能拥有一些洞察力或“aha时刻”，这些洞察力可以超越许多思维步骤来解决模糊或复杂的问题。德雷塞尔大学创造力研究实验室的一项新的脑部成像研究表明，创造性和分析性思考者的不同“认知风格”是由于他们的大脑活动的根本差异，即使人们没有解决问题也可以观察到。这些研究结果为开发基于神经科学的智力，教育和职业评估和咨询方法提供了新方向。该研究由博士后研究员Brian Erickson和实验室主任John Kounios博士领导，他是心理学教授，德雷塞尔大学艺术与科学学院应用认知和脑科学博士课程主任。每个参与者的脑电图（EEG），也称为“脑电波”，记录在七个星期的四个疗程中。记录了这些EEG，而42名参与者在“休息状态”放松，没有任务执行。在最后一次测试会议结束时，他们处理了一些谜题，他们不得不解读一系列字母来表达一个字。对于他们解决的每个字谜，他们报告了解决方案是在突然的“aha时刻”发生在他们身上，还是通过有条不紊地重新排列字母直到他们找到了这个词。字谜是一种可以通过洞察力或分析性地解决的问题，使其有助于评估一个人的认知风格。一个例子是像BELAT这样的字谜，它可以重新排列以形成单词TABLE。受试者可以通过重新排列字母进行分析，也可以在单词TABLE突然进入意识时一步完成。一些参与者 - “洞察力” - 从创意见解中获得了大部分解决方案。其他参与者 - “分析师” - 有条不紊地获得了大部分解决方案。所有参与者通过洞察力和分析解决了至少一些问题，因此没有参与者是纯粹的洞察力或分析师。这些标签只反映了以某种方式思考的倾向。然后，研究人员比较了几周前记录的Insightfuls和Analysts的静息状态脑电图。脑电图显示这两类思想家之间存在显着差异。此外，脑电图可以提前几周预测 - 哪些测试对象是Insightfuls，哪些是分析师。图片来源：德雷塞尔大学分析师显示他们的额叶活动水平较高。有远见的人在后脑区域表现出更多的活动，特别是颞叶和 。大量研究表明， 通过抑制和控制大脑的其他部分，在组织思想和行为方面发挥着关键作用。分析师的高额叶活动与他们解决字谜的方法有关。过去的研究还表明，当额叶活动减少时，例如受损或衰老，思维可能变得不那么集中和有组织。Insightfuls的额下额叶活动支持一种理论，即当精神焦点减少时，无意识形成的模式或想法会被视为“aha时刻”。其他发现包括Insightfuls左侧颞叶中更强的脑电图α波。大脑区域在其活动被抑制时会产生α波。左颞叶被认为通过处理彼此密切相关的想法（例如，“椅子”和“桌子”）来促进集中思考。有洞察力的左侧颞叶受到抑制，这表明它们倾向于依靠正确的颞叶专精来处理远距离相关的想法（例如，“数字”和“表格”，如数字表中所示）。整合远程相关想法的能力是创造性思维的标志。重要的是，在7周的测试期间，区分Insightfuls和Analysts的静息状态大脑活动模式是一致的，因此显示出这两类人之间的稳定差异。此外， 这些差异在anagram测试之前数周预测了参与者的认知风格。因此，洞察力和分析性的认知风格是 功能的基本特征的产物，即使一个人没有从事任务，也可以观察到这些特征。这些差异可能会从一分钟到另一分钟波动，但平均而言在较长时间内会持续存在。“这项研究为使用EEG录音来评估个人的职业咨询，教育测试和个人发展的认知风格奠定了基础，”Kounios说，他也是 合着者。这项题为“休息状态脑振荡预测特质样认知风格”的研究发表在2018年11月的“ 神经心理学”杂志上。#清风计划##健康真探社#

当香港市场的一些金融企业的估值只有几倍PE，而许多消费企业动辄享有几十倍、乃至上百倍的估值时，问一下“难道金融行业赚的钱就不是钱吗？”，是十分发人深省的。我从事投资和研究行业十几年，接触许多投资者和研究员，很多人跟我讲过他们看好的投资机会。在讲到自己看好的投资机会时，绝大多数人都可以把这个投资机会的优势如数家珍地讲出来：这个股票基本面怎么好啦，估值多么低啦，那个基金的基金经理如何靠谱啦，如此种种。投资易简单比较平心而论，能这样分析问题的投资者，已经比那些不管买的东西是什么、听到消息就下单的投资者，进步很多了。我曾经不止一次听到投资者和我说，我买这个股票是因为我家亲戚说马上要有大动作，因为我喜欢它的名字，或者是因为最近技术图形走得好。听到这些理由，常常让人哭笑不得。即使是认真分析了某项资产的投资者，往往也忽视了一个至关重要的问题：这个资产纵然不错，但是有没有比它更好的资产？有没有从跨资产、跨行业、跨公司比较的角度，确定这是“现在能找到的最好的投资标的”？举例来说，在2019年，有个投资者对我说，乘用车行业仍然有发展空间，行业空间比较大，人均水平大概与发达国家比有三倍的空间。三倍的空间确实不错，但是我说，当前中国的保险行业的平均水平，与发达国家比有十几倍的增长空间，保险行业有四十倍上下的增长空间，为什么你要看这个有三倍空间的行业呢？这位投资者当时就愣住了，因为他根本没有从这个角度考虑过这个问题。记得证券研究行业的前辈张化桥先生，就曾经提出过一个问题：“金融行业赚的钱，难道就不是钱吗？”这个问题提出的背景，是在2008年全球金融危机以后的很长一段时间里，香港市场的投资者对金融行业的企业都避之不及。这种恐惧是由2008年全球金融危机中，全球市场许多金融企业的基本面崩盘、股价暴跌所带来的。但是，当这种恐惧被蔓延到一些大陆的金融企业、尤其是由国家直接控制和管理的、很难出现信用风险的金融企业身上，就属于明显过犹不及了。当香港市场的一些金融企业的估值只有几倍PE（市盈率），而许多消费企业动辄享有几十倍、乃至上百倍的估值时，问一下“难道金融行业赚的钱就不是钱吗”，是十分发人深省的。投资比较像艺术当然，投资机会之间的对比，是一个有机的过程，而不是机械性的“这个行业和发达国家的差距比那个行业大，这个行业就一定比那个行业好”，或者“这个公司的估值比那个高，这个公司就一定差”。可以说，这种跨品种的、以期找到最高性价比的投资标的的工作过程，更像是一种艺术，而不像是一种科学。比如说，拿中国的人均咖啡消费量去对比美国的消费量，就是有失公允的。中国人天生对喝咖啡没什么兴趣，而美国人喝咖啡就跟喝水差不多。类似的，用中国的茶叶消费量直接对比美国的茶叶消费量，也会得到不准确的结果：中国是天生的茶叶大国。还有拿中国的消费水平对比韩国的泡菜消费量、德国的品酒消费量、美国的汽车保有量等等，都是没有仔细考虑国家和民族生活习惯之间的差异：韩国人有名的喜欢吃泡菜，德国人有名的喜欢喝啤酒，美国则是著名的车轮上的民族。而不同的行业之间，也有许多天生的差别。这种差别不一定是财务数据带来的，而是不同的商业和社会结构带来的。举例来说，服装行业以没有客户粘性著称，一个客户上一件衣服是李宁的，并不妨碍下一件是森马的。但是，对有些行业来说，客户粘性就更强，很少有人会随便更换自己的发型师或者按摩师。这种行业与行业之间的差别，需要用心去体会，而不能简单看看财务数据就下结论。当然，既然这种跨投资机会之间的对比更像一种艺术、而不是一种科学，就很难得到一个特别确定的结果。一般来说，投资者在进行了艰苦的对比工作以后，往往会得到一个模糊的范围、而不是一个精确的结论。所谓模糊的范围，指的是“这三四十个股票可能比其它股票要好，但是这三四十个股票里哪个股票最好很难说”。类似于“这个股票是世界上最好的股票”这样精确的结论，显然在充满了不确定性的世界中，几乎是不可能的。以最简单的、同时在A股和港股上市的股票来说，同一个股票按理说应该是同股同权、拥有相同的价值，但是，熟悉A股和港股市场的投资者都知道，同一家公司在内地和香港市场上市的股票，其价格可以相差甚远。比较需要研究在考虑对同一家公司的A股和港股股票哪个更有价值这件事情上，投资者最起码需要考虑以下因素：两个市场的估值体系不一定一样，两地对股息的税收并不相同，两地的市场波动性不同，港股市场的股票更容易退市，两市的股票在配售可转债、配售股票等可能带来原股东收益增厚的方面并不一定同步，等等因素。可以看到，如果想要在无数的股票、基金、债券、房地产、PE投资项目、信托、理财产品等等潜在投资标的中，做出“最优”、哪怕只是“模糊的最优”的选择，都是一件非常费力的工作。而由于备选标的的复杂性，这种选择必然无法简单地用模型测算代替。在这种情况下，想要做出哪怕是模糊的比较选择，都需要投资者有大量的知识储备和商业阅历。同时，投资者还需要依靠一些计算机模型的协助，通过一些数据筛选方法为主观的判断提供便利。两者齐下，就不难在许许多多的投资资产中，找到相对其它资产来说更加优秀的投资标的了。（作者系九圜青泉科技首席投资官）《证券时报》旗下专注上市公司新媒体平台

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。