Aprakstošās un inferenciālās statistikas atšķirība

Aprakstošā un inferenciālā statistika

Statistika ir viena no vissvarīgākajām pētījumu sastāvdaļām mūsdienās, ņemot vērā, kā tā datus sakārto izmērāmās formās. Tomēr daži studenti sajaucas starp aprakstošo un secinošo statistiku, apgrūtinot viņiem iespēju izvēlēties labāko variantu, ko izmantot pētījumos..

Ja paskatīsities uzmanīgi, atšķirība starp aprakstošo un secinošo statistiku jau ir diezgan acīmredzama to nosaukumos. “Aprakstošs” apraksta datus, savukārt “secinošs” secina vai ļauj pētniekam izdarīt secinājumus, pamatojoties uz savākto informāciju.

Piemēram, jums ir uzdots veikt pētījumu par pusaudžu grūtniecību noteiktā vidusskolā. Izmantojot gan aprakstošo, gan secinošo statistiku, jūs izpētīsit pusaudžu grūtniecības gadījumu skaitu skolā noteiktu gadu skaitu. Atšķirība ir tāda, ka ar aprakstošu statistiku jūs vienkārši apkopojat apkopotos datus un, ja iespējams, atklājat izmaiņu modeli. Piemēram, var teikt, ka pēdējos piecus gadus X vidusskolā lielākā daļa pusaudžu grūtniecību notika ar trešajā gadā uzņemtajām. Nav nepieciešams paredzēt, ka sestajā gadā trešā kursa studenti joprojām būs tie, kuriem ir lielāks pusaudžu grūtniecību skaits. Secinājumi, kā arī prognozes tiek izdarīti tikai secinošajā statistikā.

Apraksta vai secinājuma princips attiecas arī uz pētnieka datiem vai apkopoto informāciju. Atsaucoties uz mūsu iepriekšējo piemēru par pusaudžu grūtniecību, aprakstošā statistika ir ierobežota tikai ar aprakstītajiem iedzīvotājiem. Vienkārši sakot, dati, kas apkopoti par X vidusskolu par pusaudžu grūtniecību, ir piemērojami TIKAI šai konkrētajai iestādei.

Secinošajā statistikā X vidusskola varētu būt tikai mērķa grupas paraugs. Pieņemsim, ka jūsu mērķis ir noskaidrot pusaudžu grūtniecības stāvokli Ņujorkā. Tā kā nebūtu iespējams savākt datus no katras Ņujorkas vidusskolas, X vidusskola pēc tam darbosies kā paraugs, kas atspoguļos vai pārstāvēs visas Ņujorkas pilsētas vidusskolas. Protams, tas parasti nozīmē, ka pastāv kļūdas robeža, jo ar vienu izlasi nepietiek, lai pārstāvētu visu kopumu. Analizējot datus, tiek ņemts vērā arī šis iespējamo kļūdu līmenis. Izmantojot dažādus aprēķinus, piemēram, vidējo, vidējo un režīmu, pētnieki varēs aprakstīt vai pārbaudīt datus un procesa laikā sasniegt to, ko viņi vēlas..

Statistika, īpaši secinoša, mūsdienu nozarē ir ļoti svarīga, galvenokārt tāpēc, ka tā sniedz informāciju, kurai ir potenciāls palīdzēt indivīdiem pieņemt lēmumus nākotnē. Piemēram, secinošas statistikas atklāšana par iedzīvotāju skaita pieaugumu konkrētā pilsētā varētu būt par pamatu biznesam, lai izlemtu, vai šajā pilsētā izveidot veikalu. Fakts, ka tas secinājumu izdarīšanai izmanto arī skaitļus, uzlabo pētījumu precizitāti, kā arī datu saprotamību.

Statistikas rezultāti bieži tiek parādīti, izmantojot dažādus modeļus, sākot no grafikiem līdz diagrammām. Lai palielinātu precizitāti, pētnieki ņem vērā arī dažādus faktorus, kas varētu ietekmēt viņu populāciju, un pārveido to skaitliskos datos. Tādā veidā kļūdas iespējamība tiek samazināta līdz minimumam, un tiek iegūts rūpīgi apkopots skatījums uz lietu.

Kopsavilkums:

1. Aprakstošā statistika tikai “apraksta” pētījumu un neļauj izdarīt secinājumus vai prognozes.

2.Interiāla statistika ļauj pētniekam izdarīt secinājumus un paredzēt izmaiņas, kas var rasties attiecīgajā jomā.

3. Aprakstošā statistika parasti darbojas noteiktā apgabalā, kurā ir visa mērķa grupa.

4.Interiāla statistika parasti ņem populācijas paraugu, īpaši, ja to skaits ir pārāk liels, lai veiktu pētījumus.