朱利平：统计与大数据（2）

第三类是定距变量，也称间距变量。就是说2是比1更有价值的，它的差距为1，比如你是2012年入学的，就会比2013年入学的早一年。它就不仅仅有先后顺序，而且这个间隔大小是有含义的。2013年入学的比2012年入学的晚一年，2016年入学的就会比2013年入学的要晚三年，这个间隔本身是有含义的，它不像之前的ABCD，B减A是没有任何含义的。但现在减了以后是有含义的。第三类数据定距变量在之前那表中也是有的。

第四类是定比变量，也称“定比尺度”或“比率尺度”。这是我们最常用的一类数据。数据有先后，有高低，加减乘除都是有含义的。2就比1要多1，3就比1要多2，2就是比1要多1倍的，这个数据是能够做加减乘除运算的，而且数据之间的差距是有含义的，有绝对的零点。比如孙悟空做题花了12分钟（0.2个小时），唐僧做了2个小时，那么差1.8个小时。1.8个小时就是0.2个小时的9倍。这中间的差距是有具体含义的。这是我们最常用的一类数据，大家所说的数据，绝大部分时候指的是这一类。以下是我们常用的四类数据：

名义：男女、颜色

次序：名次、等级（军衔）

间隔：时间

比率：距离、体重

第一类数据，名义变量，数据大小只是一个符号，没有任何的大小含义。

第二类数据，数据大小有先后的含义，但是数据差之间是没有具体含义的。比如A段可能比B高一段，但是如果B减A不知道等于多少，那这也没什么实际含义的。

第三类数据，间隔数据，这个时候数据的间隔就有含义了，2013级的就比2012级的要晚一年入学。这个差距是有含义的。

第四类数据是我们最常用的，比如体重多少，距离多少。根据不同分类方法、标准，你会分成很多不同类型的数据。

数据还可以按来源来分，比如现有的数据、预测的数据以及国家统计局收集得各种历史数据等。

关于大数据，大家还常常会在书上看到这样一种说法，说大数据就是总体，我们以前分析的数据就是样本，其实这个说法不是很准确。大数据也不一定是全样本分析的，要做到全样本分析是非常非常困难的。

有一些数据就是一个常数，比如π、光速，这是一直不动的，这一类数据是常量。那么，变量是哪些呢？比如你的年龄是多少，这个数据会变，但它不会随机变，今年你是10岁，明年就会是11岁。我们最关心的是最后这一类：随机变量，这一类其实是我们常常会碰到的，所以这里面问题会特别多。比如你预测一下明天来听报告的人会有多少人，这只能预计一个大概范围，具体到多少人，你是不知道的。再比如你知道你明年大概会赚多少钱，但是你不能准确估计你明年能赚多少钱。

大家也常常会举一个例子，说本科生不要谈恋爱，因为谈恋爱成功的比例很低。统计其实关心的就是这类不确定性的问题，不一定是属于加加减减的问题。