A組數(shù)據(jù)和B組數(shù)據(jù),在擁有海量的數(shù)據(jù)樣本的情況下,相差已是十萬八千里了。圖十顯示了偏差隨樣本量增加的變化情況。在樣本數(shù)量為4236左右,偏差的增加還不明顯。一過4236,偏差則出現(xiàn)了驚人的增長。
圖十
所以依此為判斷的話,我們可以說在數(shù)據(jù)樣本量4000左右,A組和B組比較,差別可能不大。但數(shù)據(jù)樣本量大于4000以后,A組和B組比較,可能就會相當(dāng)不一樣了。這個(gè)例子充分說明了大數(shù)據(jù)相比較小數(shù)據(jù)而言對數(shù)據(jù)偏差更容易進(jìn)行識別,從而發(fā)現(xiàn)數(shù)據(jù)收集過程中的問題并加以改善。
虛假相關(guān)(spurious correlation)
虛假相關(guān),我們用一個(gè)例子來加以解釋說明。這兒還是以前面提到過的心血管數(shù)據(jù)為例。現(xiàn)在只收集了200個(gè)記錄,但每條記錄都有100個(gè)各方各面因素的信息。這樣,我們想看是否這100個(gè)因素和“是否有心血管病”相關(guān)。如此,我們進(jìn)行兩兩檢驗(yàn)測試: 是否有心血管病和因素一進(jìn)行檢驗(yàn),是否有心血管病和因素二進(jìn)行檢驗(yàn)……是否有心血管病和因素一百進(jìn)行檢驗(yàn)。
每一個(gè)檢驗(yàn)測試結(jié)果只會出現(xiàn)兩種情況: 統(tǒng)計(jì)學(xué)上有意義和統(tǒng)計(jì)學(xué)上無意義。
統(tǒng)計(jì)學(xué)上有意義,簡單來說就是認(rèn)為心血管病和該因素有關(guān)。統(tǒng)計(jì)學(xué)上無意義就是認(rèn)為心血管病和該因素?zé)o關(guān)。 在此過程中,你可能發(fā)現(xiàn),大約會有5次在統(tǒng)計(jì)學(xué)上被認(rèn)為與心血管病相關(guān)的因素,實(shí)際上從常識和現(xiàn)實(shí)來判斷是沒有任何關(guān)聯(lián)的,也就是說統(tǒng)計(jì)學(xué)上有意義是錯(cuò)誤的。這就是虛假相關(guān)。
為了讓我們能知其然也知其所以然,這兒要解釋一下“統(tǒng)計(jì)學(xué)上有意義”究竟是怎么界定的 。一般做檢驗(yàn)測試時(shí),我們會界定一個(gè)值,叫做第一類統(tǒng)計(jì)錯(cuò)誤率。這個(gè)錯(cuò)誤率通常被設(shè)定為5%,也就是說每100次檢驗(yàn)測試,我們允許有5次在統(tǒng)計(jì)學(xué)上實(shí)際無意義的被錯(cuò)誤判斷為統(tǒng)計(jì)學(xué)上有意義(如果不允許統(tǒng)計(jì)錯(cuò)誤率的存在,那就是100%的正確率,也就是說沒有不確定性的存在。如果有這樣的數(shù)據(jù),就不需要做任何統(tǒng)計(jì)上的假設(shè)檢驗(yàn)了)。
也就是說,如果實(shí)際不存在相關(guān)性,我們允許100次假設(shè)檢驗(yàn)中出現(xiàn)5次錯(cuò)誤相關(guān)。這就是以上例子中出現(xiàn)虛假相關(guān)的原因。 在面對龐大的海量數(shù)據(jù)和超多維度的因素時(shí),當(dāng)同時(shí)對一個(gè)數(shù)據(jù)進(jìn)行許多檢驗(yàn)測試時(shí),不可避免會出現(xiàn)虛假相關(guān)。如何處理這個(gè)問題,統(tǒng)計(jì)學(xué)上還在做著進(jìn)一步的研究。
無意義顯著性(meaningless significance)
還有一種情況我們稱為無意義的顯著性 (Lin, Lucas, & Shmueli, 2013)。當(dāng)我們做兩組數(shù)據(jù)的分析比較時(shí),如果A組,B組各只有1000個(gè)數(shù)據(jù)記錄,我們測試兩組數(shù)據(jù)的平均值是否一樣,結(jié)果告訴我們統(tǒng)計(jì)學(xué)上無意義。也就是說,這兩組數(shù)據(jù)的平均值無統(tǒng)計(jì)學(xué)上的差異。但當(dāng)數(shù)據(jù)記錄達(dá)到上萬上百萬時(shí),測試的結(jié)果告訴我們統(tǒng)計(jì)學(xué)上是有意義的了。
這又是怎么回事?我們回到源頭上去看,為什么要做兩組數(shù)據(jù)的統(tǒng)計(jì)分析比較?不可以就算出兩組的平均值,比一比他們是否相同嗎?當(dāng)然不可以,因?yàn)槲覀冋嬲M治霰容^的結(jié)果是能夠反映100%總體數(shù)量數(shù)據(jù)的客觀現(xiàn)象。單純孤立的比較兩組各1000個(gè)記錄的平均值,就是比大小,比出來的結(jié)論不能推廣到100%總體數(shù)量數(shù)據(jù)的客觀現(xiàn)象上。
但這兩組數(shù)據(jù)等同于100%總體數(shù)量數(shù)據(jù)嗎? 當(dāng)然不是,就算是海量的大數(shù)據(jù)也并不能100%等同于總體數(shù)量數(shù)據(jù)。這樣我們分析總結(jié)出的這兩組數(shù)據(jù)的一些統(tǒng)計(jì)指標(biāo)就會和總體數(shù)量數(shù)據(jù)的統(tǒng)計(jì)指標(biāo)有一定的偏差。這個(gè)偏差一般有一個(gè)下限和上限,我們稱為置信區(qū)間。真實(shí)的總體數(shù)量數(shù)據(jù)的統(tǒng)計(jì)指標(biāo)就落在樣本數(shù)據(jù)統(tǒng)計(jì)指標(biāo)的左邊或右邊的一定范圍內(nèi)(置信區(qū)間)。
好了,我們實(shí)際要看的是A組總體數(shù)量數(shù)據(jù)和B組總體數(shù)量數(shù)據(jù)在平均值上是否一樣,換種說法就是A組總體數(shù)量數(shù)據(jù)平均值減B組總體數(shù)量數(shù)據(jù)平均值是否等于零,F(xiàn)在我們只有A組樣本數(shù)量數(shù)據(jù)平均值和B組樣本數(shù)量數(shù)據(jù)平均值,表達(dá)符號就是和。要看的就是A組樣本數(shù)量數(shù)據(jù)平均值減B組樣本數(shù)量數(shù)據(jù)平均值的差值是否等于0: 但我們已經(jīng)知道由于樣本均分差的存在,樣本平均值相減的差值不一定是零,而且這個(gè)差值有一定的置信區(qū)間。
那么我們實(shí)際上更精確的說是看0是否落在樣本差值的置信區(qū)間內(nèi)(置信區(qū)間的上限和下限和上面提到的第一統(tǒng)計(jì)錯(cuò)誤率是相一致的,有一個(gè)5%的概念在里面,這兒就不詳細(xì)介紹了。反正是否落在置信區(qū)間里否也可以用來判斷統(tǒng)計(jì)學(xué)上是有意義還是沒有意義)。落在里面我們就說是統(tǒng)計(jì)學(xué)上是沒有意義的也就是兩組數(shù)據(jù)的平均值是一樣。不落在里面我們就說是統(tǒng)計(jì)學(xué)上是有意義的也就是兩組數(shù)據(jù)的平均值不一樣。如圖十一所示:
圖十一
那為什么在樣本數(shù)據(jù)量為1000和上萬上百萬的情況下結(jié)果會不一樣。這兒我們進(jìn)一步要講的就是樣本數(shù)量和置信區(qū)間之間的關(guān)系了。隨著樣本數(shù)量的增加,樣本差值會和真實(shí)的總體數(shù)據(jù)差值接近(不一定就是0哦),同時(shí)不確定性會減小,置信區(qū)間會縮短,其實(shí)就是估計(jì)的差值越來越精準(zhǔn)了。這種情況下,就算樣本差值是非常接近0的一個(gè)數(shù)(就是說我們都覺得兩組數(shù)據(jù)的平均值是一樣的了),但是由于置信區(qū)間的縮小,0仍舊會落在置信區(qū)間的外面(如圖十一,下部分2所示)。
這樣一來,結(jié)果就會是統(tǒng)計(jì)學(xué)上是有意義的:兩組數(shù)據(jù)的平均值是不一樣的,F(xiàn)有的統(tǒng)計(jì)方法運(yùn)用在大數(shù)據(jù)時(shí)會帶來這樣的一種錯(cuò)誤信息。這是因?yàn)楝F(xiàn)有的傳統(tǒng)統(tǒng)計(jì)方法是針對小數(shù)據(jù)的,在被提出的時(shí)候,還沒有面對過或想到數(shù)據(jù)量可以如此龐大。如何解決如何改進(jìn)由于這樣的數(shù)據(jù)特性帶來的問題,我們還在研究的路上。
羊群效應(yīng)(herding effect)
大數(shù)據(jù)時(shí)代,我們的社會已經(jīng)在越來越多的把個(gè)人的觀點(diǎn)數(shù)字化,匯總化,并依賴于此做出決策(比如根據(jù)收集到的評分來進(jìn)行產(chǎn)品或服務(wù)的推薦)。這一現(xiàn)象在醫(yī)療界也漸漸的變的普遍起來。好多輔助醫(yī)療應(yīng)用軟件在移動(dòng)平臺上都會有使用者的評分,人們會根據(jù)評分來選擇是否使用一下。某些醫(yī)療網(wǎng)絡(luò)平臺推出的服務(wù),比如網(wǎng)絡(luò)問診,使用者也可以對提供服務(wù)的醫(yī)療人員進(jìn)行滿意度的評分,進(jìn)而影響他人決定是否選擇此醫(yī)療人員來進(jìn)行問診咨詢。
利用這種“眾人的智慧”的一個(gè)關(guān)鍵要求是個(gè)人意見的獨(dú)立性。然而,在現(xiàn)實(shí)的世界中,匯總收集的集體意見卻很少是由互不相干的獨(dú)立的個(gè)體意見所組成的。最近的實(shí)驗(yàn)研究證明先前已經(jīng)存在的收集到的意見會歪曲隨后個(gè)人的決策還有對質(zhì)量及價(jià)值的認(rèn)知。凸顯出了一個(gè)根本的差異既: 我們從集體意見感知到的價(jià)值和產(chǎn)品本身固有的價(jià)值之間的差異。
產(chǎn)生這種差異的原因在于“羊群效應(yīng)” 。羊群效應(yīng)簡單的描述就是個(gè)體的從眾跟風(fēng)心理和行為。羊群是一種很散亂的組織,平時(shí)在一起也是盲目地左沖右撞,但一旦有一只頭羊動(dòng)起來,其他的羊也會不假思索地一哄而上,全然不顧前 面可能有狼或者不遠(yuǎn)處有更好的草。因此,“羊群效應(yīng)”就是比喻一種從眾效應(yīng),很容易導(dǎo)致盲從,而盲從往往會陷入認(rèn)知偏差,決策偏差。
IBM Watson 研究中心 (Wang & Wang, 2014) 使用大規(guī)?v向的客戶評分?jǐn)?shù)據(jù)集(亞馬遜的)并建立統(tǒng)計(jì)模型演示了評分和意見的產(chǎn)生不是獨(dú)立,均勻的過程,而是創(chuàng)建了一個(gè)環(huán)境進(jìn)而影響以后評分或意見的產(chǎn)生。體現(xiàn)在這種社會化的客戶評分系統(tǒng)中的“羊群效應(yīng)”具體表現(xiàn)為:高評分傾向于產(chǎn)生新的高評分同時(shí)抑制低評分的產(chǎn)生。
接下來的問題就是:什么是真實(shí)的符合產(chǎn)品真正質(zhì)量的評分如果我們能把“羊群效應(yīng)”給剔除出去的話? 應(yīng)用 IBM Watson 研究中心建立的統(tǒng)計(jì)模型能夠部分回答這個(gè)問題。他們對亞馬遜的四類產(chǎn)品數(shù)據(jù)(書籍,電子產(chǎn)品,電影電視,和音樂)進(jìn)行了內(nèi)在評分(剔出“羊群效應(yīng)”)和外在(沒有剔出“羊群效應(yīng)”)測試。所有四個(gè)類別,50%以上的產(chǎn)品評分的差異大于0.5。這個(gè)差異,說明我們從集體評分中得來的感知和產(chǎn)品的真實(shí)價(jià)值之間存在著顯著的差異。
再深一步,鑒于產(chǎn)品現(xiàn)在的評分,如果我們施加一定的人為操縱,“羊群效應(yīng)”會如何影響今后的評分?這樣的預(yù)測分析對于很多領(lǐng)域都是相當(dāng)有價(jià)值的,包括市場盈利估計(jì),預(yù)算廣告和欺詐操縱檢測等。例如,在決定是否對以產(chǎn)品進(jìn)行促銷活動(dòng)之前,市場分析師可能希望估計(jì)由于推廣而出現(xiàn)的短期高評分對產(chǎn)品的長期影響。
研究中心通過對兩類產(chǎn)品(電影電視,和音樂)插入50個(gè)人為5星級的評分,預(yù)測到雖然這兩種產(chǎn)品在受歡迎程度上遇到類似的短期高評分,從長遠(yuǎn)來看,推廣對于電影及電視類產(chǎn)品有著更持久的影響(高評分消減的更慢)。這對于市場分析的決策提供了很有價(jià)值的情報(bào)。
此類大數(shù)據(jù)中的“羊群效應(yīng)”可以通過適當(dāng)?shù)慕y(tǒng)計(jì)方法加以消除,利用,以產(chǎn)生更有價(jià)值的信息用于決策分析中。
以上的各個(gè)例子充分說明了在大數(shù)據(jù)時(shí)代,雖然數(shù)據(jù)庫等操作建立需要專業(yè)計(jì)算機(jī)人才的貢獻(xiàn),統(tǒng)計(jì)專業(yè)人員的參與也是必不可少的。數(shù)據(jù)的管理分析并不僅僅是提取,檢索,簡單匯總,總結(jié)。數(shù)據(jù)本身的復(fù)雜性,使得分析的過程中充滿了種種陷阱,誤區(qū)。沒有一定統(tǒng)計(jì)方面的理論知識結(jié)構(gòu),就會出現(xiàn)分析上的偏差,或者低效率的數(shù)據(jù)利用。在計(jì)算機(jī)算法的基礎(chǔ)上去學(xué)習(xí)認(rèn)識數(shù)據(jù)統(tǒng)計(jì)的性質(zhì),把算法和統(tǒng)計(jì)分析結(jié)合起來是未來大數(shù)據(jù)分析的一個(gè)主要方向。
結(jié)論和展望
本文浮光掠影地講述了什么是大數(shù)據(jù),有選擇性地描述了大數(shù)據(jù)的一些特性,醫(yī)療大數(shù)據(jù)及其在北美醫(yī)療系統(tǒng)中的現(xiàn)況,揭示了大數(shù)據(jù)分析將會對醫(yī)療衛(wèi)生保健領(lǐng)域帶來巨大的影響和沖擊。 大數(shù)據(jù)通過對臨床及其他數(shù)據(jù)存儲庫進(jìn)行數(shù)據(jù)管理和分析獲得前所未有的洞察力并依此做出更明智的決策。
在不久的將來,大數(shù)據(jù)分析的應(yīng)用將會快速,廣泛的涌現(xiàn)在整個(gè)醫(yī)療保健機(jī)構(gòu)和醫(yī)療保健行業(yè)。本文描述的數(shù)據(jù)管理框架,數(shù)據(jù)統(tǒng)計(jì)分析揭示了大數(shù)據(jù)的有效應(yīng)用是一個(gè)系統(tǒng)性的工程,需要一系列專業(yè)技能來保證大數(shù)據(jù)分析的成功,包括:處理,整合,分析復(fù)雜的數(shù)據(jù)并能幫助客戶充分了解數(shù)據(jù)分析的結(jié)果。要做到這些 需要多方面的專業(yè)技能及特質(zhì),包括:
- 計(jì)算機(jī)科學(xué)/數(shù)據(jù)開發(fā)的專業(yè)技能:扎實(shí)的計(jì)算機(jī)科學(xué)基礎(chǔ)及運(yùn)用能力,明了大數(shù)據(jù)的基礎(chǔ)框架設(shè)施。
- 分析和建模能力:在了解數(shù)據(jù)的基礎(chǔ)上迅速分析并建立有效的統(tǒng)計(jì)模型。這不僅需要扎實(shí)的統(tǒng)計(jì)學(xué),還需要有敏銳的思考和洞察力。
- 好奇心和創(chuàng)意的思考能力:這需要對數(shù)據(jù)有著一種渴望激情,善于全面敏銳的思考并挖掘問題。一些機(jī)構(gòu)尋找人才就是看誰能在討論數(shù)據(jù)時(shí)能夠靈光一現(xiàn)。
- 突出的交流能力:整合數(shù)據(jù)和結(jié)果的分析報(bào)告,能清晰明了的用非專業(yè)語言幫助客戶或公眾正確理解數(shù)據(jù)分析結(jié)果并做出決定。
當(dāng)然,我們很難找到一個(gè)人才具有以上所有技能,但通過團(tuán)隊(duì)分工合作建立起高效的大數(shù)據(jù)小組是目前可行的方向。從而, 在這個(gè)大數(shù)據(jù)分析變得更加主流的時(shí)代,把握時(shí)機(jī),脫穎而出或百尺竿頭,更進(jìn)一步。
關(guān)于作者
本文作者陳遵秋,美國俄勒岡州,健康科技大學(xué),公共衛(wèi)生預(yù)防系,美國統(tǒng)計(jì)協(xié)會認(rèn)證統(tǒng)計(jì)分析師;陳漪伊,美國俄勒岡州,健康科技大學(xué),公共衛(wèi)生預(yù)防系,生物統(tǒng)計(jì)助理教授(交流微信號:2823095726)。
陳遵秋和陳漪伊夫婦是美籍華人,現(xiàn)在美國定居。其二人是目前研究醫(yī)療大數(shù)據(jù)及生物樣本大數(shù)據(jù)真正的專家,F(xiàn)將兩位的文章進(jìn)行公開發(fā)表,與大家一起探討。