文档介绍：大数据时代下数据分析的变化
（一）分析思路
大数据时代的分析常常是直接计算现象之间的相依性。传统的统计分析过程是
“定性-定量-再定性”，第一个定性是为定量分析找准方向，主要靠经验判断，一般针对数据短缺的情况下比较重要。现在大数据时代，可以直接通过数据分析做出判断，所要做的是直接从 “定量的回应”中找出数量特征和数量关
系，然后得出可以作为判断或决策依据的结论。因此大数据时代统计分析的过程可以简化为“定量 -定性”。在实证分析上，传统思路通常是 “假设-验
证”，先根据最终的研究目的提出假设性意见，然后收集分析数据，进而验证假设的成立与否。这种实证分析容易受到数据的缺失、假设的局限性以及指标选择的不当等的影响，得不到正确的结论。尤其是在假设本身的非科学性、非客观性、非合理性的情况下，得出的结论更是毫无用处，甚至歪曲事实本身。在现在的大数据时代，可以从中寻找关系、发现规律而不受任何假设的限制，然后得出结论，分析的思路可以概括为“发现一总结”。
（二）研究对象的变化
首先，从数据来源上看，传统的统计抽样调查方法有一些不足：抽样框不稳定，
随机取样困难；事先设定调查目的会限制调查的内容和范围；样本量有限，抽样结果经不起细分；纠偏成本高，可塑性弱。而在大数据时代，更多的是将总体直接作为研究对象，摒弃了抽样样本的研究，传统统计抽样调查方法的不足可以在大数据时代得到改进。其次，对于数据类型而言，传统数据通常是结构型的，即
定量数据加上少量的定性数据，格式化，有标准，可通过常规的统计指标和统计图来表示。而大数据则注重非结构性数据或者半结构、异结构数据，多样化、无标准，很难通过传统的统计指标或统计图表加以表现。
（三）假设检验的变化传统的统计研究，通常是根据内容提出假设意见，然后根据最初设定的理论模型来检验验证假设的真实效用性。但对于大数据时代而言，信息资源充足，可以采用人工智能对数据信息进行挖掘开发，需要验证的假设比传统经济学研究多出很多，不在一个数量级上。传统的假设验证分析是无法满足大数据时代的需求的。
（四）分析关系的变化预先假设事物之间的因果联系，再设定理论模型验证预先的假设，这是传统统计
分析工作的一般工作模式。在大数据时代，由于数据规模的庞大，数据结构的复杂多样等，使预设的因果关系会相对复杂很多，给分析工作带来很大的不便。预示，大数据时代的数据分析便侧重于关注事物之间的相关联性，而非因果关系。
在小数据时代，计算机存储和计算能力不足，导致大部分相关分析限于线性关系。大数据时代，现象的关系相对更复杂，不仅可能是线性关系，更有可能是非线性关系。这种非线性关系除了可能是非线性的函数关系外，更一