
SPSS中異常值檢驗(yàn)的幾種方法介紹(7)_數(shù)據(jù)分析師
加權(quán)方法:
采用因子加權(quán):對(duì)滿足特定變量或指標(biāo)的所有樣本賦予一個(gè)權(quán)重,通常用于提高樣 本中具有某種特性的被訪者的重要性;例如,研究一種香煙的口味是否需要改變, 那么不同程度吸食者的觀點(diǎn)也應(yīng)該有不同的重要性對(duì)待:例如:重度吸食者=3,經(jīng) 常吸食者=2,偶爾/不抽煙=1,記?。簩?shí)際應(yīng)用時(shí)候,如果“經(jīng)常/偶爾”的基數(shù)足 夠大,往往單獨(dú)分析,不進(jìn)行加權(quán)處理;
采用目標(biāo)加權(quán):對(duì)某一特定樣本組賦權(quán),以達(dá)到們預(yù)期的特定目標(biāo);例如:我們想 要:品牌 A 的 20%使用者 = 品牌 B 的 50%使用者;或者品牌 A 的 20%使用者 = 使用品牌 A 的 80%非使用者;
采用輪廓加權(quán):多因素加權(quán),因子/目標(biāo)加權(quán)不同(一維的),輪廓加權(quán)應(yīng)用于對(duì)調(diào)查 樣本相互關(guān)系不明確的多個(gè)屬性加權(quán);面對(duì)多個(gè)需要賦權(quán)的屬性,輪廓加權(quán)過程應(yīng)
該同時(shí)進(jìn)行,以盡可能少的對(duì)變量產(chǎn)生扭曲;
我們應(yīng)該知道,無論加權(quán)的動(dòng)機(jī)是什么,但操作過程是一樣的:
1. 依不同屬性變量/指標(biāo)將樣本分為多個(gè)組(加權(quán)組), 然后根據(jù)所希望各個(gè)組代表的個(gè) 體規(guī)模賦予不同的權(quán)重;即明確分析子集/樣本組,通常,經(jīng)常以人口結(jié)構(gòu)變量、地 域變量作為分類指標(biāo);明確各個(gè)分析子集/樣本組中個(gè)體的代表性強(qiáng)弱(權(quán)重); 2. 加權(quán)是在數(shù)據(jù)收集結(jié)束后采取的數(shù)據(jù)“糾偏”行為,但一定要清醒的知道:配額設(shè)置 不合適、FW 執(zhí)行差或其他錯(cuò)誤而造成的“不好”的原始數(shù)據(jù)收集,即使加權(quán)也一定 是“無效的”; 3. “提前避免錯(cuò)誤/失誤發(fā)生,總好過事后的任何補(bǔ)救!”
事后加權(quán)案例: 例如:我們?yōu)榱搜芯?,得到某小公司職員吸煙習(xí)慣的信息,進(jìn)行了一項(xiàng)調(diào)查。從 N=78 個(gè) 人的目錄中抽出了一個(gè) n=25 人的簡(jiǎn)單隨機(jī)樣本。在調(diào)查的設(shè)計(jì)階段,并沒有可用于分層 的輔助信息。在收集關(guān)于吸煙習(xí)慣的信息的同時(shí),還收集了每個(gè)回答者的年齡和性別情況。 總共有 nr=15 個(gè)人作出了回答。 由此得到樣本數(shù)據(jù)的下列分布:
假設(shè)我們估計(jì)知道某公司約有 16 個(gè)男性職員和 62 個(gè)女性職員,而且男女的吸煙比例 不同。經(jīng)過加權(quán)后我們得到該公司吸煙的比例估計(jì)在 53%; 我們總是希望調(diào)查所得的估計(jì)值與已知的男性和女性數(shù)量比例相一致,當(dāng)我們認(rèn)為一個(gè) 人是否吸煙與他的性別之間可能存在相關(guān)性, 因此他們認(rèn)為, 使用事后分層能夠提高估計(jì)的 精度。 然而實(shí)際上,如果在調(diào)查的設(shè)計(jì)階段就已經(jīng)獲得這些信息的話,就可以用性別來進(jìn)行分層。
數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
訓(xùn)練與驗(yàn)證損失驟升:機(jī)器學(xué)習(xí)訓(xùn)練中的異常診斷與解決方案 在機(jī)器學(xué)習(xí)模型訓(xùn)練過程中,“損失曲線” 是反映模型學(xué)習(xí)狀態(tài)的核心指 ...
2025-09-19解析 DataHub 與 Kafka:數(shù)據(jù)生態(tài)中兩類核心工具的差異與協(xié)同 在數(shù)字化轉(zhuǎn)型加速的今天,企業(yè)對(duì)數(shù)據(jù)的需求已從 “存儲(chǔ)” 轉(zhuǎn)向 “ ...
2025-09-19CDA 數(shù)據(jù)分析師:讓統(tǒng)計(jì)基本概念成為業(yè)務(wù)決策的底層邏輯 統(tǒng)計(jì)基本概念是商業(yè)數(shù)據(jù)分析的 “基礎(chǔ)語言”—— 從描述數(shù)據(jù)分布的 “均 ...
2025-09-19CDA 數(shù)據(jù)分析師:表結(jié)構(gòu)數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結(jié)構(gòu)數(shù)據(jù)(如數(shù)據(jù)庫表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-19SQL Server 中 CONVERT 函數(shù)的日期轉(zhuǎn)換:從基礎(chǔ)用法到實(shí)戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉(zhuǎn)換是高頻需求 —— 無論 ...
2025-09-18MySQL 大表拆分與關(guān)聯(lián)查詢效率:打破 “拆分必慢” 的認(rèn)知誤區(qū) 在 MySQL 數(shù)據(jù)庫管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18DSGE 模型中的 Et:理性預(yù)期算子的內(nèi)涵、作用與應(yīng)用解析 動(dòng)態(tài)隨機(jī)一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結(jié)構(gòu)數(shù)據(jù)特征價(jià)值的專業(yè)核心 表結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如數(shù)據(jù)庫表、Excel 表、 ...
2025-09-17Excel 導(dǎo)入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實(shí)戰(zhàn)應(yīng)用 在用 Python(如 pandas 庫)處理 Excel 數(shù)據(jù)時(shí),“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗(yàn)與 t 檢驗(yàn):差異、適用場(chǎng)景與實(shí)踐應(yīng)用 在數(shù)據(jù)分析與統(tǒng)計(jì)學(xué)領(lǐng)域,假設(shè)檢驗(yàn)是驗(yàn)證研究假設(shè)、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結(jié)構(gòu)數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計(jì)劃中 rows 數(shù)量的準(zhǔn)確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計(jì)劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對(duì)象的 text 與 content:區(qū)別、場(chǎng)景與實(shí)踐指南 在 Python 進(jìn)行 HTTP 網(wǎng)絡(luò)請(qǐng)求開發(fā)時(shí)(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結(jié)構(gòu)數(shù)據(jù)價(jià)值的核心操盤手 表格結(jié)構(gòu)數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫表)是企業(yè)最基礎(chǔ)、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請(qǐng)求工具對(duì)比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請(qǐng)求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長(zhǎng)浮點(diǎn)數(shù)據(jù)的科學(xué)計(jì)數(shù)法問題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長(zhǎng)浮點(diǎn)數(shù)據(jù)時(shí)的科學(xué)計(jì)數(shù)法問題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務(wù)數(shù)據(jù)分析步驟的落地者與價(jià)值優(yōu)化者 業(yè)務(wù)數(shù)據(jù)分析是企業(yè)解決日常運(yùn)營(yíng)問題、提升執(zhí)行效率的核心手段,其價(jià)值 ...
2025-09-12用 SQL 驗(yàn)證業(yè)務(wù)邏輯:從規(guī)則拆解到數(shù)據(jù)把關(guān)的實(shí)戰(zhàn)指南 在業(yè)務(wù)系統(tǒng)落地過程中,“業(yè)務(wù)邏輯” 是連接 “需求設(shè)計(jì)” 與 “用戶體驗(yàn) ...
2025-09-11塔吉特百貨孕婦營(yíng)銷案例:數(shù)據(jù)驅(qū)動(dòng)下的精準(zhǔn)零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當(dāng)下,精準(zhǔn)營(yíng)銷成為企業(yè)突圍的核心方 ...
2025-09-11