Statistikas process ir posmu vai fāžu kopums, kas jāpabeidz, lai veiktu izmeklēšanu, kuras pamatā ir kvantitatīvā informācija, un iegūtu rezultātus, kas ir uzticīgi pētītajai realitātei.
Runājot par statistikas procesu, mēs runājam par virkni darbību, kuras ieteicams veikt, lai iegūtu rezultātus, kas ir uzticīgi realitātei, kuru mēs pētām statistiskajā pētījumā, kuru paredzēts veikt. Tas ir nepieciešams, jo, ja mēs neveicam šīs darbības, mēs varam izdarīt nepareizus secinājumus un līdz ar to pieņemt sliktus lēmumus.
Piemēram, iedomāsimies, ka mums ir saldējuma salons. Mums aptuveni jāzina, cik daudz saldējuma mums vajadzētu nopirkt, ņemot vērā pieprasījuma daudzumu. Tātad, ja mēs nokavēsimies, klienti varētu sasniegt to, kurš mums viņiem būtu jāpasaka, ka šajā saldētavā nav saldējuma. Gluži pretēji, ja mums ir par daudz, tas varētu tikt sabojāts. Tāpēc ir jācenšas aplēst, cik mums vajadzētu nopirkt, vai vismaz aptuvenu diapazonu. Ja, lai aprēķinātu šo diapazonu, mēs apkopojam datus, kas nav reprezentatīvi (piemēram, saldējuma salons, kas atrodas citā pilsētā ar mazāku turību), mēs varam kļūdīties.
Tātad, ņemot to vērā, mums jāzina virkne soļu un detaļu, kas mums jāievēro, lai rezultāti tiktu pielāgoti realitātei un mēs pieņemtu labākus lēmumus.
Statistikas procesa posmi
Atkarībā no apmeklētās rokasgrāmatas vai autora mēs varējām redzēt dažādus posmus ar dažādiem nosaukumiem. Būtībā gandrīz visos dokumentos par šo tēmu ir vienas un tās pašas sadaļas, tikai daži no tiem vienā ietver vairākus posmus, bet citi vairāk sadala procesu.
Mūsu gadījumā mēs uzskatām, ka statistikas procesu veido:
Problēmas izklāsts
Problēmas izklāstā atrodas centrālā ass, uz kuras var formulēt visu pārējo. Šis posms atbild uz šādu jautājumu: kas man jāmācās un kāpēc? Dažreiz, lai arī cik neticami tas varētu šķist problēma, tas var mūs novest pie secinājuma, ka mums patiesībā nav jāveic statistikas pētījums.
Datu savākšana
Kad esam izvirzījuši problēmu, mums jāsavāc dati. Šeit metodoloģija ir svarīga. Tātad pastāv dažādi apsvērumi. Tādējādi mums jānosaka izlases veids, izlases lielums, datu vākšanas veids (piemēram, izmantojot datu bāzes vai personalizētas aptaujas), personīgi, tiešsaistē vai pa tālruni utt.
Datu organizēšana
Kad mums būs visi dati, atliek tos apvienot un kārtot. Tāpat kā visā, arī mums ir jāievada dati programmā vai platformā, kas pēc tam ļauj aprēķināt noteiktu metriku un pareizi analizēt. Lai to izdarītu, vienmēr ir ērti sakārtot datus. Turklāt dažreiz mums būs jāapkopo dati no dažādām datubāzēm, kas piedāvā dažādus failu formātus, un būs nepieciešams visu vienot vienā formātā.
Datu analīze
Kad problēma ir izvirzīta, savāktie un sakārtotie dati, mēs varam tos efektīvi analizēt. Atkarībā no problēmas izklāsta tiks veikta viena vai cita veida analīze. Piemēram, ja mēs vēlamies uzzināt, vai divi mainīgie ir atkarīgi, mēs varētu izmantot kointegrācijas analīzi. Ja mēs vēlamies izpētīt finanšu aktīvu kopējo izkliedi, mēs aprēķināsim statistisko diapazonu.
Datu interpretācija
Visbeidzot, mums ir datu interpretācija. Pareizi veikt visus statistikas procesa posmus ir bezjēdzīgi, ja galu galā interpretācija ir nepareiza. Tas ir tāpēc, ka, ja interpretācija ir nepareiza, tad lēmumiem būs nevēlama ietekme. Piemēram, pieņemsim, ka mēs veicam pētījumu par uzņēmuma pārdošanas mainīgumu. Ja, tiklīdz mēs iegūstam rezultātus, izrādās, ka ir daudz izkliedes, tas būtu jāsamazina, un mēs interpretējam, ka tā nav, tas varētu negatīvi ietekmēt uzņēmumu.
Pieci soļi ir atspoguļoti šajā diagrammā:
Aprakstoša statistika
