Popisná a inferenční statistika

Popisná vs. inferenční statistika

Statistika je jednou z nejdůležitějších částí výzkumu, která zvažuje, jak organizuje data do měřitelných forem. Někteří studenti se však mýlí mezi deskriptivními a inferenčními statistikami, což jim ztěžuje výběr těch nejlepších možností pro jejich výzkum.

Pokud se podíváte pozorněji, rozdíl mezi popisnými a inferenčními statistikami je již zřejmý v jejich jménech. "Popisný" popisuje data, zatímco "inferenční" vyvozuje nebo umožňuje výzkumnému pracovníkovi dospět k závěru založenému na shromážděných informacích.

Například, jste pověřen výzkumem dospívajících těhotenství v určité střední škole. Pomocí deskriptivní i inferenční statistiky budete zkoumat počet případů těhotenství v dospívajícím ve škole po určitý počet let. Rozdíl je v tom, že s popisnými statistikami pouze shrnujete shromážděná data a, pokud je to možné, zjistíte, jaký je vzorec ve změnách. Například lze říci, že za posledních pět let se většina dospívajících těhotenství na X střední škole stala těm, kteří byli zařazeni do třetího roku. Není třeba předpovědět, že v šestém ročníku by studenti třetího ročníku byli stále těmi, kteří měli větší počet teenagetických těhotenství. Závěry i předpovědi se provádějí pouze v inferenční statistice.

Zásada popisu nebo závěru platí také pro údaje nebo shromážděné informace výzkumného pracovníka. S odkazem na náš dřívější příklad o těhotenství dospívajících se popisná statistika omezuje pouze na popisovanou populaci. Jednoduše řečeno, údaje shromážděné na X High School týkající se těhotenství dospívajících jsou pro danou instituci použitelné pouze.

V inferenční statistice by X střední škola mohla být jen ukázkou cílové populace. Řekněme, že se snažíte zjistit stav těhotenství v New Yorku. Vzhledem k tomu, že by nebylo možné shromažďovat údaje z každé střední školy v New Yorku, bude X High School následovat jako ukázka, která by odrážela nebo reprezentovala všechny střední školy v New Yorku. Samozřejmě to obvykle znamená, že existuje chyba, protože jeden vzorek nestačí k tomu, aby reprezentoval celou populaci. Tato míra možných chyb je také brána v úvahu při analýze dat. Pomocí různých výpočtů, jako je průměr, medián a režim, budou výzkumníci schopni popsat nebo prozkoumat data a dosáhnout toho, co chtějí v procesu.

Statistiky, zejména inferenční, jsou v dnešním průmyslu z velké části důležité, a to zejména proto, že poskytují informace, které mají potenciál pomoci jednotlivcům při rozhodování v budoucnu. Například uvedení inferenční statistiky o tempa růstu populace v konkrétním městě by mohlo sloužit jako základ pro to, aby se podnik rozhodl, zda má v tomto městě založit obchod nebo ne. Skutečnost, že využívá čísla k vyvození závěrů, zvyšuje přesnost výzkumu i srozumitelnost údajů.

Statistické výsledky se často zobrazují prostřednictvím různých modelů, od grafů až po grafy. Pro zvýšení přesnosti vědci rovněž berou v úvahu různé faktory, které by mohly ovlivnit jejich populaci a převést je na číselné údaje. Tímto způsobem se minimalizuje pravděpodobnost chyby a dosáhne se důkladně shrnutého pohledu na případ.

Souhrn:

1. Popisná statistika pouze "popisuje" výzkum a neumožňuje závěry ani předpovědi.

2. Inferenční statistika umožňuje výzkumnému pracovníkovi dospět k závěru a předpovídat změny, ke kterým může dojít v souvislosti s obavou.

3. Popisované statistiky obvykle fungují v konkrétní oblasti, která obsahuje celou cílovou skupinu.

4. Inferenční statistiky obvykle berou vzorek populace, zejména pokud je populace příliš velká, aby mohla provádět výzkum.