Seite 1
Chương 9 Kể chuyện cái Sự thật với Dữ liệu Hình ảnh hóa N Ộ I D U N G S DỮ LIỆU HÌNH ẢNH HÓA THAY ĐỔI 9-4 LỪA DỐI Thiết kế Top-10 Phim của Tất cả Thời gian Thiết kế của biểu đồ 9-1 Mất tích DỮ LIỆU VÀ DỮ LIỆU LỖI Trục Trục kép biểu Nhận dạng Mất tích Dữ liệu Nhận đồ dạng Dữ liệu Lỗi Dữ liệu Lựa chọn Và Thời gian Tính thường xuyên Vấn đề Có liên quan ĐẾN 9-2 THIÊN VỊ DỮ LIỆU địa lý Bản đồ Sự thiên vị lựa chọn Người Bản tóm sống sót Sự tắt Từ điển thiên vị thuật ngữ 9-3 ĐIỀU CHỈNH vì Lạm phát VẤN ĐỀ L E A R N I N G O B J E C T I V E S After completing this chapter, you will be able to LO 1 Identify missing data and data errors using Excel. LO 6 Explain why dual-axis charts are often confusing LO 2 Define the meaning of biased data and explain the and misleading for audiences and suggest an concepts of selection bias and survivor bias. alternative to using a dual-axis chart that is less LO 3 confusing for the audience. Define Simpson’s paradox and explain how a LO 7 scatter chart can be used to identify some Explain how the range of data and the temporal instances of Simpson’s paradox. frequency of data included in a chart affects the LO 4 insights conveyed to the audience. Explain the importance of adjusting for inflation in LO 8 time series data that represent long time peri- ods Explain why some geographic maps can result in and use a price index to adjust nominal val- ues to misleading data visualizations and provide rec- account for inflation. ommendations for how to improve these types of LO 5 Identify deceptive design practices related to the axes used in charts and suggest ways to improve the axes in these charts to communicate insights to
Seite 2
Bản quyền 2022 Cengage Learning. Bảo lưu mọi quyền. Không được sao chép, quét hoặc sao chép, toàn bộ hoặc một phần. Do các quyền điện tử, một số nội dung của bên thứ ba có thể bị xóa khỏi eBook và/hoặc eChapter(s). Đánh giá biên tập đã xác định rằng bất kỳ nội dung nào bị xóa không ảnh hưởng đáng kể đến trải nghiệm học tập tổng thể. Cengage Learning có quyền xóa nội dung bổ sung tại bất kỳ lúc nào nếu các hạn chế về quyền sau này yêu cầu.
Seite 3
Dữ liệu Hình ảnh hóa Thay đổi diện mạo 361 D MỘT T Một chữ V TÔI S b nạ MỘT L TÔI z MỘT T TÔI Ồ NM MỘT tôi E Ồ V E R Top 10 phim hay nhất của Tất cả Thời gian Nhiều danh sách của cái đứng đầu phim của tất cả thời đứng đầu 10 là tàu Titanic , cái mà đã từng là phát gian Có thể là thành lập TRÊN cái internet. Một số của hành TRONG 1997. Các chín bộ phim khác được những cái này danh sách là chủ quan Và dựa trên xếp chiếu ở đây đã được phát hành kể từ đó 2009. hạng phim hoặc ý kiến. Các danh sách khác là dựa trên Dựa trên Hình 9.1, chúng ta có thể kết luận rằng TRÊN định lượng dữ liệu như là BẰNG doanh thu kiếm hầu hết gần đây năm có được sản xuất tất cả của cái được, vé đã bán, hoặc lợi nhuận được tạo ra. Hộp Văn đứng đầu phim TRONG điều khoản của vĩ đại nhất hộp phòng Mojo là Một trang web cái đó thu thập dữ liệu văn phòng doanh thu TRONG Phía bắc Người Mỹ ica. Từ TRÊN hộp văn phòng doanh thu Và làm cho những cái cái này nhân vật, Nó xuất hiện cái đó phim trước ĐẾN này dữ liệu có sẵn ĐẾN cái công cộng. Hộp Văn phòng 1997 đã từng không BẰNG phổ biến Tại cái hộp văn Mojo là sở hữu qua cái Amazon.com công ty con Ảnh: phòng BẰNG phim TRONG gần đây năm. IMDb. Khi xem xét thiết kế của Hình 9.1, chúng ta thấy Các trang web boxofficemojo.com chứa Một Tuyệt một số lỗi rõ ràng. Biểu đồ có giải thích tiêu đề, các thỏa thuận của dữ liệu vì phim Và hộp văn phòng trục được dán nhãn rõ ràng, không có gì rõ ràng doanh thu. Các trang web liên tục theo dõi cái đứng chứng cớ của lộn xộn, Và cái biểu đồ là tương đối đơn đầu phim dựa trên TRÊN giản với tỷ lệ dữ liệu-mực cao. Tuy nhiên, chúng ta hộp văn phòng doanh thu, Và Nó có đã thu thập dữ liệu vẫn phải lấy Tuyệt chăm sóc TRONG phiên dịch cái này vì nhiều phim làm ra TRONG cái Hợp nhất Các tiểu bang biểu đồ. MỘT chung vấn đề phát sinh khi đang kiểm tra qua cái cuối cùng 100 năm. tiền tệ đơn vị như là BẰNG doanh thu, chi phí, hoặc lợi Hình 9.1 cho thấy top 10 mọi thời đại phim làm ra nhuận Tại khác biệt điểm của thời gian. Cái này là bởi vì TRONG cái Hợp nhất Các tiểu bang dựa trên TRÊN 500.000 đô la kiếm được TRONG hộp văn phòng doanh hộp văn phòng tiết lộ- nues kiếm được qua phim thu TRONG 1951 là khác biệt hơn 500.000 đô la kiếm TRONG Phía bắc người Mỹ rạp hát. được TRONG hộp văn phòng doanh thu TRONG 2020. Trong Hình 9.1, trục ngang hiển thị năm cái bộ phim Cái này sự khác biệt là quá hạn ĐẾN lạm phát. Theo đã từng là phát hành Và cái thẳng đứng trục chương ĐẾN IMDb, 1 cái trung bình giá của Một bộ phim vé trình tổng doanh thu phòng vé thu được ở Bắc Châu TRONG 1951 đã từng là 0,53 đô la, trong khi cái trung Mỹ. Thật thú vị, chúng tôi nhìn thấy cái đó tất cả của bình cái top-10 phim đã từng làm ra gần đây; cái lâu đời nhất bộ phim TRONG cái Nhân vậ t 9.1 Tiêu tan Bi u để ồ Hi n thể ị cái Top-10 Phim của tất cả Thời gian Dựa trên TRÊN Trọn đời Phòng vé Bắc Mỹ Tổng doanh thu Top-10 Phim của Tất cả Thời gian Trọn đời Phía bắc Mỹ Hộp Văn phòng Tổng Doanh thu ($ hàng triệu) 1.000 900 Ngôi sao Chi n tranh:ế T p phimậ VII 800 - Các Lực lượng Thức t nhỉ Bi t đệ ội báo thù: K t thúcế Avatar Đen 700 Bi t đệ ội báo thù: Vô Con beo cực Chi n tranhế Titanic 600 400 200 T 500 300 100 h 0 Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 4
ế Bi t đ i báoệ ộ Gia đình siêu nhân 2 giới thù Chi n tranhế kỷ giữa các vì sao: T pậ Jura phim VIII - Cuối cùng Các Jedi 1930 194019501960197019801990200020102020 Năm của Giải phóng 1 Nhìn thấy https://help.imdb.com/article/imdbpro/industry-research/box-office-mojo-by-imdbpro-faq /GCWTV4MQKGWRAUAP?ref_=mojo_cso_md#lạm phát. (Tiếp theo) Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 5
chương 362 9 Kể chuyện cái Sự thật với Dữ liệu Hình ảnh hóa Nhân vậ t 9.2 Tiêu tan Bi u để ồ Hi n thể ị cái Top-10 Phim của Tất cả Thời gian Dựa trên TRÊN Lạm phát-Ad- Hộp Lifetime North America vừa vặn Tổng doanh thu văn phòng Top-10 Phim của Tất cả Thời gian Trọn đời Phía bắc Mỹ Hộp Văn phòng Tổng Doanh thu, Đã điều chỉnh vì Lạm phát ($ hàng triệu) 2.000 Đi m tấ với cái Gió 1.800 Chi n tranh giế ữa các vì sao: T p IV - Aậ Mới Mong 1.600 và cái Thêm- 1.400 Các Âm thanh của Âm nh cạ Trên c nạ Titanic 1.200 Các Mười Các đi u rănề Hàm Tuy tế Tr ngắ Và cái B yả Bác sĩ Zhivago 1.000 Người Các Người trừ tà lùn 800 600 400 200 0 1930 194019501960197019801990200020102020 Năm của Giải phóng giá của Một bộ phim vé TRONG 2020 đã từng là 9,37 2020. Điều này cho phép chúng ta ĐẾN so sánh phim phát hành đô la. Vì thế, ĐẾN kiếm 500.000 đô la TRONG doanh thu TRONG khác biệt năm BẰNG nếu như tất cả cái hộp văn phòng TRONG 1951, Một bộ phim sẽ nhu cầu ĐẾN bán doanh thu đã từng là kiếm được TRONG cái năm 500.000 đô la / 0,53 đô la 5 943,396 vé Tại cái hộp văn 2020. Nhân vật 9.2 chương trình cái top-10 phim dựa trên TRÊN phòng. ĐẾN kiếm 500.000 đô la TRONG doanh thu hộp điều chỉnh lạm phát tổng doanh thu văn phòng doanh thu. TRONG 2020, Một bộ phim sẽ chỉ một nhu cầu ĐẾN Từ Hình 9.2, chúng ta thấy rằng nhiều bộ phim cũ hơntạo ra một bán 500.000 đô la / 9,37 đô la 5 53.362 vé. TRONG số giá trị cao nhất của phòng vé tổng doanh thu TRONG Phía bắc Mỹ khác từ, bán 5,6% BẰNG nhiều vé xem phim năm 2020 sau đó điều chỉnh vì như một bộ phim năm 1951 Ăn cái như nhau số lượng của hộp văn phòng doanh thu. Cái này có nghĩa là những bộ phim cũ khó có thể xuất hiện trên bảng xếp hạng này của 10 bộ phim hay nhất vì những bộ phim cũ hơn sẽ phải bán nhiều vé hơn ở quầy văn phòng hơn những bộ phim gần đây. Điều này có hiệu quả thiên vị dữ liệu của chúng tôi để có trọng lượng phòng vé lớn hơn vé việc bán hàng của mới hơn phim. ĐẾN giúp đỡ di dời cái sự thiên vị TRONG những cái này dữ liệu, chúng tôi Có thể đo lường cái top-10 phim của tất cả thời gian dựa trên TRÊN điều chỉnh lạm phát hộp văn phòng tổng doanh thu. Sau đó TRONG cái này chương chúng tôi sẽ giải thích TRONG hơn chi tiết Làm sao để điều chỉnh vì lạm phát, Nhưng vì Hiện nay chúng tôi giải thích cái ý tưởng BẰNG đơn giản cái đó chúng tôi đo lường cái hộp văn phòng tổng doanh thu tính theo đô la năm Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 6
lạm phát. Cuốn theo chiều gió , được phát hành TRONG 1939, Thực ra được tạo ra cái mọi thời đại cao nhất hộp văn phòng tổng doanh thu TRONG Phía bắc Mỹ khi chúng tôi điều chỉnh vì lạm phát. Chúng tôi Mà còn nhìn thấy từ Nhân vật 9.2 cái đó KHÔNG bộ phim phát hành sau đó cái năm 2000 là TRONG cái đứng đầu 10 của tổng doanh thu phòng vé sau khi điều chỉnh theo lạm phát sự kiện. So sánh Nhân vật 9.1 ĐẾN Nhân vật 9.2, chúng tôi nhìn thấy cái đó chỉ một một bộ phim, Titanic , cái mà đã từng là phát hành TRONG 1997, xuất hiện TRONG cả hai số liệu. Hình 9.1 và 9.2 minh họa tầm quan trọng của điều chỉnh vì lạm phát khi đang hình dung tiền tệ giá trị cái đó đã xảy ra Tại khác biệt điểm của thời gian. Nó là nói chung là không quan trọng ĐẾN điều chỉnh vì lạm phát khi tất cả các giá trị tiền tệ đều có cùng thời gian (thường xuyên ở trong Một một vài năm), Nhưng thất bại ĐẾN điều chỉnh đối với lạm phát khi giá trị tiền tệ xảy ra trên rộng nhịp của thời gian Có thể sản xuất vô cùng thiên vị hình ảnh hóa. Các cái nhìn thấu suốt cung cấp qua Nhân vật 9.1 là rằng tất cả doanh thu phòng vé cao nhất đều sản xuất phim được phát hành khá gần đây, chỉ có một bộ phim TRONG cái đứng đầu 10 hiện tại phát hành trước ĐẾN cái năm 2000. Tuy nhiên, qua hiển thị giá trị đã điều chỉnh vì lạm phát, Nhân vật 9.2 cung cấp Một một cách quyết liệt khác biệt cái nhìn sâu sắc—tất cả 10 doanh thu phòng vé cao nhất việc sản xuất những ký ức đã được phát hành trước năm 2000. Điều quan trọng cần lưu ý là lạm phát chỉ một tiềm năng gây ra của sự thiên vị vì những cái này dữ liệu. Khi Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 7
9-1 Mất tích Dữ liệu Và Dữ liệu Lỗi 363 comparing data from different points in time, there were in 1951. This means that there is more com- are many other factors that could affect the data. petition, and more movies competing to be shown For instance, the population of North America has in the theaters. Until the 1950s, movies also did not increased substantially between 1951 and 2020. As have meaningful competition for an audience from the population has increased, so has the number of television. Adjusting for inflation removes one poten- movie theaters. This means that there are many more tially substantial source of bias in the data, but it is movie theaters in existence in 2020 than in 1951. important to realize that there can be other sources Thus, more recent movies can be shown in more of bias. The designer of a data visualization needs to theaters and possibly sell more tickets to generate consider the impact these potential biases may have more box office revenue. However, there are also on their visualization and what steps should be taken many more movies being released in 2020 than there to mitigate these biases. TRONG cái này chương chúng tôi bàn luận Làm sao ĐẾN thiết kế dữ liệu hình ảnh hóa ĐẾN kể cái sự thật Và Làm sao ĐẾN tránh xa tạo ra gây hiểu lầm hoặc gây bối rối hình ảnh hóa. Một số dữ liệu hình ảnh hóa LÀM không kể cái hoàn thành sự thật bởi vì cái nhà thiết kế là tích cực đang cố gắng ĐẾN làm cho lầm lạc hoặc không đúng mực ảnh hưởng cái khán giả. Hơn thường, dữ liệu hình ảnh hóa LÀM không kể cái hoàn thành sự thật bởi vì của không cố ý những sai lầm làm ra qua cái nhà thiết kế cái đó làm cho lầm lạc hoặc gây ra Khổng Tử sự phân loại vì cái khán giả. BẰNG đã hiển thị TRONG cái Dữ liệu Hình ảnh hóa Thay đổi diện mạo vì cái này chương, những cân nhắc BẰNG đơn giản BẰNG không điều chỉnh vì lạm phát Có thể hoàn toàn thay đổi cái kết quả dữ liệu sự hình dung Và cái hiểu biết sâu sắc đã vẽ từ cái hình dung. vấn đề được che phủ TRONG cái này chương sẽ giúp đỡ tạo nên dữ liệu hình ảnh hóa cái đó là thông thoáng Và trung thực vì cái khán giả. Tất cả các hình ảnh dữ liệu đều bắt đầu bằng dữ liệu. Nếu chúng ta sử dụng dữ liệu sai, không đầy đủ hoặc thiên vị, sau đó của chúng tôi sự hình dung sẽ không kể cái hoàn thành sự thật. Vì thế, chúng tôi bắt đầu cái này chương qua nói chuyện Về chung vấn đề với dữ liệu, như là BẰNG mất tích dữ liệu Và thiên vị dữ liệu, cái đó Có thể gây ra sự hiểu lầm hoặc gây nhầm lẫn về hình ảnh dữ liệu. Chúng tôi thảo luận về hình ảnh dữ liệu lừa dối thiết kế cái đó nên là tránh được khi tạo ra hình ảnh hóa. Những cái này lừa dối thiết kế thường bao gồm những lựa chọn không phù hợp liên quan đến thiết kế trục biểu đồ hoặc lựa chọn dữ liệu nào để bao gồm TRONG cái hình dung. Chúng tôi Mà còn bàn luận vấn đề cái đó Có thể nảy sinh khi tạo ra địa lý bản đồ và chúng tôi cung cấp các khuyến nghị về cách tránh các biểu đồ gây hiểu lầm khi tạo những loại bản đồ này. 9-1 M t tíchấ Dữ li uệ Và Dữ li uệ Lỗi Các loại dữ liệu bị thiếu là Nhiều tập dữ liệu thực tế bị thiếu giá trị dữ liệu và lỗi dữ liệu. Có nhiều lý do tại sao các đã thảo luận TRONG tập dữ liệu có thể chứa các giá trị bị thiếu và lỗi dữ liệu và điều quan trọng là hiểu được lý Chương 6. do đằng sau các giá trị bị thiếu để biết cách chúng nên được thực hiện được điều trị. Loại bỏ hoặc thay thế mất tích dữ liệu giá trị Và lỗi TRONG dữ liệu ảnh hưởng tất cả tiếp theo phân tích dữ liệu đó, bao gồm việc tạo ra các hình ảnh dữ liệu. Trong phần này, chúng tôi kiểm tra ine một số phương pháp phổ biến để xác định dữ liệu bị thiếu và lỗi dữ liệu, và chúng tôi thảo luận phương pháp xử lý dữ liệu bị thiếu và lỗi dữ liệu. Nhận dạng Mất tích Dữ liệu Coi như cái trường hợp của Blakely Lốp xe, Một nhà sản xuất của ô tô lốp xe xác định vị trí TRONG cái Hợp nhất Các tiểu bang. TRONG MỘT nỗ lực ĐẾN học hỏi Về cái điều kiện của của nó lốp xe TRÊN ô tô TRONG cái tình trạng của Texas, cái công ty có đã thu được thông tin vì mỗi của cái bốn lốp xe từ 116 ô tô với Blakely thương hiệu lốp xe cái Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 8
đó có là đã thu thập bởi vì gần đây tình trạng tự đô yng- di động điều tra cơ sở TRONG Texas. Các dữ liệu đã thu được qua Blakely bao gồm cái chức vụ của cái lốp xe TRÊN cái ô tô (bên trái đằng trước, bên trái ở phía sau, Phải đằng trước, Phải ở phía sau), tuổi của cái lốp xe, Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 9
chương 364 9 Kể chuyện cái Sự thật với Dữ liệu Hình ảnh hóa số dặm TRÊN cái lốp xe, Và độ sâu của cái còn lại bước chân TRÊN cái lốp xe. Trước Blakely người đàn ông- sự lão hóa những nỗ lực ĐẾN học hỏi hơn Về của nó lốp xe TRÊN ô tô TRONG Texas, Nó muốn ĐẾN đánh giá cái chất lượng của những cái này dữ liệu. Các Đầu tiên một vài hàng của cái dữ liệu đã thu thập qua Blakely là đã hiển thị TRONG Nhân vâ yt 9.3. FIGuRE 9.3 portion of Excel Spreadsheet Showing Blakely Tires Data Các bước chân độ sâu của Một lốp xe là Một thẳng đứng đo lường giữa cái đứng đầu của cái bước chân chà xát ber ĐẾN cái đáy của cái lốp xe sâu nhất rãnh, Và Nó là đã đo lường TRONG 32 giây của MỘT inch TRONG cái Hợp nhất Các tiểu bang. Mới Blakely thương hiệu lốp xe có Một bước chân độ sâu của 10/32 của MỘT inch, Và Một lốp xe bước chân độ sâu là được xem xét không đủ nếu như Nó là 2/32 của MỘT inch hoặc ít hơn. Nông bước chân độ sâu là nguy hiểm BẰNG Nó kết quả TRONG nghèo lực kéo Và Vì thế làm cho lái cái ô tô hơn khó. của Blakely lốp xe nói chung là cuối cùng vì bốn ĐẾN năm năm hoặc 40.000 ĐẾN 60.000 dặm. Chúng tôi bắt đầu đánh giá cái chất lượng của những cái này dữ liệu qua xác định cái mà (nếu như bất kì) quan sát có giá trị bị thiếu cho bất kỳ biến nào trong dữ liệu Lốp xe Blakely. Chúng ta có thể làm như vậy bằng cách sử dụng Hàm COUNTBLANK của Excel. Các bước sau đây cho thấy cách đếm số bị thiếu quan sát cho mỗi biến trong tập tin Lốp xe Blakely . Bước chân 1. Nhập cái tiêu đề # của Mất tích Giá trị TRONG tế bào Nhóm 2 Bước chân 2. Nhập cái tiêu đề Mạng sống của Lốp xe (Tháng) TRONG tế bào H1, cái tiêu đề Bước chân Độ sâu TRONG ô I1 và tiêu đề Dặm trong ô J1 Lốp xe Blakely Bước chân 3. Nhập cái công thức 5 COUNTBLANK(C2:C457) TRONG tế bào H2 Sao chép tế bào H2 đến tế bào I2 và J2 Kết quả trong ô H2 cho thấy không có quan sát nào trong dữ liệu này bị thiếu giá trị của nó cho Tuổi thọ của Lốp xe. Bằng cách lặp lại quá trình này cho các biến định lượng còn lại trong dữ liệu (Độ sâu gai lốp và Dặm) trong các cột I và J, chúng tôi xác định rằng không có dữ liệu nào bị thiếu giá trị vì Bước chân Độ sâu Và một mất tích giá trị vì Dặm. Các Đầu tiên một vài hàng của cái kết quả Xuất sắc bảng tính được cung cấp trong Hình 9.4. Tiếp theo chúng ta sắp xếp tất cả dữ liệu của Blakely về Miles từ giá trị nhỏ nhất đến lớn nhất để xác định quan sát nào thiếu giá trị của biến này. Quy trình sắp xếp của Excel sẽ liệt kê tất cả quan sát với mất tích giá trị vì cái loại biến đổi, Dặm, BẰNG cái cuối cùng quan sát TRONG cái dữ liệu đã được sắp xếp. Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 10
9-1 Mất tích Dữ liệu Và Dữ liệu Lỗi 365 FIGuRE 9.4 portion of Excel Spreadsheet Showing Number of Missing Values for Variables in Blakely Tires Data Chương 6 cung cấp từng bước hướng dẫn từng bước để sử dụng Định dạng có điều kiện của Chúng ta cũng có thể sử dụng công cụ Định dạng có điều kiện của Excel để khám phá Excel dụng cụ ĐẾN tìm thấy mất dữ liệu một cách nhanh chóng và sử dụng sự hình dung ĐẾN giúp đỡ chúng ta nhận dạng tích giá trị. bất kì mất tích giá trị. Nhân vâ yt 9,5 chỉ ra cái đó cái giá trị của Miles bị mất khỏi lốp trước bên trái của ô tô có Mã số ID 3354942. Bởi vì chỉ có một trong 456 quan sát bị thiếu giá trị của Miles, chúng ta có thể cứu vãn quan sát này bằng cách xác định một cách hợp lý một giá trị hợp lý để thay thế cho điều này giá trị bị thiếu. Thật hợp lý khi cho rằng giá trị của Miles cho lốp trước bên trái của ô tô có Mã số ID 3354942 sẽ giống hệt với giá trị dặm cho ba lốp xe khác trên chiếc ô tô này, vì vậy chúng tôi sắp xếp tất cả dữ liệu theo số ID và làm nổi bật dữ liệu giá trị có Mã số ID 3354942 để tìm bốn lốp xe thuộc về chiếc ô tô này (xem Hình 9.6). FIGuRE 9.5 Using Excel conditional formatting Tool to Highlight Missing Values in Blakely Tires Data Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 11
Chương 366 9 Kể chuy nệ cái Sự th tậ với Dữ li uệ Hình ảnh hóa FIGURE 9.6 Portion of Excel Spreadsheet Showing Blakely Tires Data Sorted from Lowest to Highest by ID Number with ID 3354942 Highlighted Nhân vâ yt 9.6 chương trình cái đó cái giá trị của Dặm vì cái khác ba lốp xe TRÊN cái ô tô với cái NHẬN DẠNG Con số 3354942 là 33,254, Vì thế cái này có thể là Một hợp lý giá trị vì cái Dặm của cái bên trái đằng trước lốp xe của cái ô tô với cái NHẬN DẠNG Con số 3354942. Tuy nhiên, trước thay thế cái này giá trị vì cái mất tích giá trị của cái bên trái đằng trước lốp xe của cái ô tô với NHẬN DẠNG Con số 3354942, chúng tôi nên nỗ lực ĐẾN xác định (nếu như khả thi) cái đó cái này giá trị là hợp lệ—ở đó là hợp pháp lý do Tại sao Một tài xế có thể thay thế Một đơn lốp xe. TRONG cái này ví dụ chúng tôi sẽ cho rằng cái đó cái Chính xác giá trị của Dặm vì cái bên trái đằng trước lốp xe TRÊN cái tự đô yng- di động với cái NHẬN DẠNG Con số 3354942 là 33,254 Và thay thế cái đó con số TRONG cái xấp xỉ linh mục tế bào của cái bảng tính. Nhận dạng Dữ liệu Lỗi Nhiều dữ liệu bộ bao gồm lỗi. Những cái này lỗi có thể là giới thiệu bởi vì của thủ công lối vào lỗi, hiệu chuẩn sai các cảm biến tự động thu thập dữ liệu hoặc nhiều lỗi khác lý do. Kiểm tra các biến trong tập dữ liệu bằng cách sử dụng thống kê tóm tắt, tần suất phân phối, biểu đồ histogram, biểu đồ phân tán và các công cụ khác có thể phát hiện ra các vấn đề về chất lượng dữ liệu và các giá trị ngoại lệ. Ví dụ, tìm giá trị tối thiểu hoặc tối đa cho Độ sâu gai lốp trong cái Blakely Lốp xe dữ liệu có thể tiết lộ không thực tế giá trị—có lẽ thậm chí tiêu cực giá trị—cho Độ sâu gai lốp, điều này sẽ chỉ ra vấn đề về giá trị Độ sâu gai lốp đối với bất kỳ quan sát. Nó là quan trọng ĐẾN ghi chú đây cái đó nhiều phần mềm, bao gồm Xuất sắc, phớt lờ mất tích giá trị- sử dụng khi tính toán nhiều bản tóm tắt thống kê như là BẰNG cái nghĩa là, tiêu chuẩn độ lệch, tối thiểu, Và tối đa. Tuy nhiên, nếu như mất tích giá trị TRONG Một dữ liệu bộ là đã chỉ ra với Một độc nhất giá trị (như là BẰNG 9999999), những cái này giá trị có thể là đã sử dụng qua phần mềm khi tính toán đang diễn ra nhiều bản tóm tắt thống kê như là BẰNG cái nghĩa là, tiêu chuẩn độ lệch, tối thiểu, Và tối đa. Cả hai các trường hợp Có thể kết quả TRONG gây hiểu lầm giá trị vì bản tóm tắt thống kê, cái mà là Tại sao nhiều các nhà phân tích thích hơn ĐẾN thỏa thuận với mất tích dữ liệu vấn đề trước ĐẾN sử dụng bản tóm tắt thống kê ĐẾN nỗ lực ĐẾN nhận dạng sai những ngoại lệ Và khác sai giá trị TRONG cái dữ liệu. Chúng tôi lại coi như cái Blakely Lốp xe dữ liệu. Chúng tôi tính toán cái nghĩa là Và tiêu chuẩn thiết- sự phân loại của mỗi biến đổi (tuổi của cái lốp xe, số dặm TRÊN cái lốp xe, Và độ sâu của cái còn lại bước chân TRÊN cái lốp xe) ĐẾN đánh giá liệu giá trị của những cái này biến đổi là hợp lý TRONG tổng quan. Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 12
9-1 Mất tích Dữ liệu Và Dữ liệu Lỗi 367 Trở lại ĐẾN cái tài liệu Lốp xe Blakely Và hoàn thành cái tiếp theo các bước: Bước chân 1. Nhập tiêu đề Mean trong ô G3 Nhập công thức 5 AVERAGE(C2:C457) vào ô H3 Lốp xe Blakely Sao chép tế bào H3 đến tế bào I3 và J3 Bước chân 2. Nhập tiêu đề Tiêu chuẩn Độ lệch TRONG tế bào G4 Nhập công thức 5 S TDEV.S(C2:C457) vào ô H4 Sao chép tế bào H4 đến tế bào I4 và J4 Các kết quả TRONG tế bào H3 Và H4 trình diễn cái đó cái nghĩa là Và tiêu chuẩn độ lệch vì cái mạng sống của lốp xe là 23,8 tháng Và 31,83 tháng, tương ứng. Những cái này giá trị xuất hiện ĐẾN là thực tế có thể nói được vì cái mạng sống của lốp xe TRONG tháng. Các nghĩa là Và tiêu chuẩn độ lệch vì bước chân độ sâu là 7.64/12 của MỘT inch Và 2,51/12 của MỘT inch, tương ứng, Và cái nghĩa là Và tiêu chuẩn độ lệch vì dặm là 25.834,54 Và 24,143.38, tương ứng. Những giá trị xuất hiện ĐẾN là hợp lý vì bước chân độ sâu Và dặm. Các kết quả của cái này Phân tích là chuyên nghiệp đã xem TRONG Nhân vâ yt 9.7. Trong khi thống kê tóm tắt về trung bình và độ lệch chuẩn hữu ích trong việc cung cấp một góc nhìn tổng hợp về dữ liệu, chúng ta cũng cần cố gắng xác định xem có bất kỳ các giá trị cá nhân sai lầm cho ba biến của chúng tôi. Chúng tôi bắt đầu bằng cách tìm giá trị tối thiểu và giá trị tối đa cho mỗi biến. Quay lại tệp BlakelyTires và hoàn thành tiếp theo các bước: Bước chân 3. Nhập tiêu đề Tối thiểu trong ô G5 Đi vào cái công thức 5 PHÚT(C2:C457) TRONG tế bào H5 Sao chép tế bào H5 đến tế bào I5 và J5 Bước chân 4. Nhập tiêu đề Tối đa trong ô G6 Đi vào cái công thức 5 TỐI ĐA(C2:C457) TRONG tế bào H6 Sao chép tế bào H6 đến tế bào I6 và J6 Các kết quả TRONG tế bào H5 Và H6 trình diễn cái đó cái tối thiểu Và tối đa giá trị vì Mạng sống của Lốp xe (Tháng) là 1.8 tháng Và 601.0, tương ứng. Các tối thiểu giá trị của mạng sống của lốp xe TRONG tháng xuất hiện ĐẾN là hợp lý, Nhưng cái tối đa (cái mà là bình đẳng ĐẾN nhẹ nhàng trên 50 năm) không phải là giá trị hợp lý cho Tuổi thọ của lốp xe (Tháng). Để xác định ô tô di động với giá trị cực đại này, chúng tôi sắp xếp toàn bộ tập dữ liệu về Tuổi thọ lốp xe (Tháng) từ nhỏ nhất ĐẾN lớn nhất Và cuộn ĐẾN cái cuối cùng một vài hàng của cái dữ liệu. Chúng tôi nhìn thấy TRONG Nhân vâ yt 9.7 cái đó cái quan sát với Mạng sống của Lốp xe (Tháng) giá trị của 601.0 là cái bên trái ở phía sau lốp xe từ cái ô tô với NHẬN DẠNG Con số 8696859. Cũng ghi chú cái đó cái bên trái ở phía sau lốp xe của cái ô tô với NHẬN DẠNG Con số 2122934 có Một một cách đáng ngờ cao giá trị vì Mạng sống của Lốp xe (Tháng) của 111. Phân loại cái dữ liệu qua NHẬN DẠNG Con số Và cuộn cho đến khi chúng tôi tìm thấy cái bốn lốp xe từ cái ô tô với NHẬN DẠNG Con số 8696859, chúng tôi tìm thấy cái giá trị vì Mạng sống của Lốp xe (Tháng) vì cái khác ba lốp xe từ cái này ô tô là 60.1. Cái này gợi ý cái đó cái số thập phân vì Mạng sống của Lốp xe (Tháng) vì cái này ô tô bên trái ở phía sau lốp xe giá trị là TRONG cái sai địa điểm. Cuộn ĐẾN tìm thấy cái bốn lốp xe từ cái ô tô với NHẬN DẠNG Con số 2122934, chúng tôi tìm thấy cái giá trị vì Mạng sống của lốp xe (Tháng) vì cái khác ba lốp xe từ cái này ô tô là 11.1, cái mà gợi ý cái đó cái số thập phân vì Mạng sống của Lốp xe (Tháng) vì cái này ô tô bên trái ở phía sau lốp xe giá trị là Mà còn thất lạc. Cả hai của những cái này sai mục nhập Có thể Hiện nay là đã sửa. Bằng cách lặp lại quá trình này cho các biến còn lại trong dữ liệu (Độ sâu rãnh và Dặm) TRONG cột Tôi và J, chúng tôi xác định rằng cái tối thiểu và tối đa giá trị vì Bước chân Độ sâu lần lượt là 0,0/12 inch và 16,7/12 inch, và tối thiểu và giá trị tối đa cho Miles lần lượt là 206,0 và 107.237,0. Không có mini- mẹ cũng không cái tối đa giá trị vì Bước chân Độ sâu là hợp lý; Một lốp xe với KHÔNG bước chân sẽ không có thể lái được và giá trị tối đa cho độ sâu của lốp trong dữ liệu thực sự vượt quá độ sâu của gai lốp độ sâu trên Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 13
lốp xe hiệu Blakely mới. Giá trị tối thiểu cho Miles có thể hợp lý, nhưng giá trị tối đa không phải là. Một cuộc điều tra tương tự nên được thực hiện vào những điều này và những điều khác vô cùng giá trị ĐẾN quyết tâm nếu như họ đang ở trong lỗi Và, nếu như Vì thế, cái gì có thể là cái Chính xác giá trị. Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 14
chương 368 9 Kể chuyện cái Sự thật với Dữ liệu Hình ảnh hóa FIGuRE 9.7 portion of Excel Spreadsheet Showing the Blakely Tires Data Sorted on Life of Tires (Months) from Lowest to Highest Value and with calculated Summary Statistics Không tất cả sai giá trị TRONG Một dữ liệu bộ là vô cùng; những cái này sai giá trị là Ghi chú cái đó hàng 8 ĐẾN nhiều khó tìm hơn. Tuy nhiên, nếu biến có giá trị nghi ngờ sai có liên quan mối quan hệ 451 là ẩn giấu TRONG Nhân mạnh mẽ với một biến khác trong dữ liệu, chúng ta có thể khám phá tập dữ liệu thông qua vật 9.7. các công cụ trực quan hóa dữ liệu như biểu đồ phân tán để giúp chúng tôi xác định lỗi dữ liệu. Tại đây chúng ta sẽ xem xét các biến Độ sâu rãnh và Dặm. Bởi vì nhiều dặm lái xe hơn nên chỉ huy ĐẾN ít hơn bước chân độ sâu TRÊN MỘT ô tô lốp xe, chúng tôi trông chờ những cái này hai biến số ĐẾN có Một phủ định- tích cực mối quan hệ. MỘT tiêu tan biểu đồ sẽ cho phép chúng tôi để xem có hay không của lốp xe trong bộ dữ liệu có giá trị vì Bước chân Độ sâu và Dặm mà là phản đối đến đây kỳ vọng. Hình elip màu đỏ trong Hình 9.8 cho thấy vùng mà các điểm biểu diễn Độ sâu gai lốp và Miles thường được mong đợi sẽ nằm trên biểu đồ phân tán này. Các điểm nằm ngoài hình elip này có giá trị cho ít nhất một trong những biến này không phù hợp với giá trị âm mối quan hệ được thể hiện bởi các điểm bên trong hình elip. Nếu chúng ta đặt con trỏ trên điểm bên ngoài hình elip tương ứng với các giá trị tương đối cao của Dặm và Độ sâu gai lốp, Excel sẽ phát ra Một bật lên hộp cái đó chương trình cái đó cái giá trị của Bước chân Độ sâu Và Dặm vì cái này điểm là 9,7 và 104658, tương ứng. Lốp xe được biểu thị bằng điểm này có Độ sâu gai lốp rất cao nhiều dặm này, điều này cho thấy giá trị của một hoặc cả hai biến này đối với lốp xe này có thể là không chính xác Và nên là đã được điều tra. Ghi chú cái đó cái khác hai dữ liệu điểm ngoài cái màu đỏ hình elip TRONG Nhân vâ yt 9.8 đại diện cái trước đó đã xác định rất có thể dữ liệu lỗi vì Bước chân Độ sâu. Gần hơn bài kiểm tra của những ngoại lệ Và tiềm năng sai giá trị có thể tiết lộ MỘT lỗi hoặc Một nhu cầu vì hơn nữa cuộc điều tra ĐẾN quyết tâm liệu cái quan sát là liên quan ĐẾN cái hay gây- phân tích tiền thuê. Một cách tiếp cận bảo thủ là tạo ra hai hình ảnh dữ liệu khác nhau, một với và một không có giá trị ngoại lệ và giá trị có khả năng sai. Nếu những hiểu biết được liên kết được xem xét bởi hai hình ảnh dữ liệu rất khác nhau, sau đó bạn nên dành thêm thời gian để tìm ra nguyên nhân của những điểm bất thường. N Ồ T E S1 C Ồ Tôi Tôi E N T S 1. Công cụ Xác thực dữ liệu của Excel có thể được sử dụng để thực dữ liệu được thực hiện TRONG Xuất sắc qua nhấp chuột TRÊN cái Dữ kiểm soát những gì người dùng có thể nhập vào một ô, hạn li uệ tab TRÊN cái Ruy-băng Và sau đó nhấp vào biểu tượng Xác thực chế khả năng tạo dữ liệu lỗi từ các mục nhập thủ công. Xác dữ li uệ trong Công cụ dữ li uệ nhóm. Cái này mở ra cái Dữ li uệ Xác Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 15
thực hộp thoại hộp cái đó cho phép bạn tạo các quy tắc 2. Giá trị ngoại lệ nên chỉ một là LOẠI BỎ sau đó cẩn thận sự cân xác định loại đầu vào nào là có hiệu lực, Và ngăn ngừa cái nhắc của của họ gây ra Và TRÊN của họ tác dụng TRÊN cái hiểu người sử dụng từ đang vào không hợp lệ đầu vào. biết sâu sắc đã vẽ từ cái dữ liệu. Nếu như MỘT ngoại lệ là quá hạn ĐẾN MỘT rõ ràng dữ liệu lỗi, sau đó Nó Có thể là LOẠI BỎ hoặc đã thay thế qua Một đã sửa giá trị. Nếu như những ngoại lệ cái đó là không quá hạn ĐẾN rõ ràng dữ liệu lỗi là LOẠI BỎ, Nó là nói chung khuyến cáo rằng việc loại bỏ này nên được lưu ý TRONG cái dữ liệu sự hình dung hoặc có liên quan tài liệu Vì thế cái đó cái khán giả biết cái đó cái những ngoại lệ có là LOẠI BỎ. Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 16
9-2 thiên vị Dữ liệu 369 FIGuRE 9.8 Scatter chart for the BlakelyTires Data Used to Identify possible Data Errors 9-2 thiên vị Dữ liệu Một vấn đề dữ liệu khác có thể dẫn đến hình ảnh dữ liệu sai lệch hoặc không chính xác là sự thiên vị. thiên vị dữ liệu hiện hữu khi cái vật mẫu dữ liệu là không tiêu biểu của cái dân số dữ liệu cái đó là đang được nghiên cứu. Có nhiều nguyên nhân dẫn đến dữ liệu bị sai lệch, nhưng chúng ta sẽ thảo luận một số nguyên nhân khác nguyên nhân phổ biến của dữ liệu bị sai lệch trong phần này cũng như cách khám phá dữ liệu có thể xác định dữ liệu có khả năng bị thiên vị. Sự thiên vị lựa chọn Lựa chọn sự thiên vị là Một chung nguồn của sự thiên vị TRONG dữ liệu cái đó Có thể chỉ huy ĐẾN gây hiểu lầm dữ liệu hình ảnh hóa Và không đúng hiểu biết sâu sắc. Lựa chọn sự thiên vị xảy ra khi dữ liệu là đã vẽ từ Một vật mẫu cái đó có không là đúng cách ngẫu nhiên ĐẾN đại diện cái dự định dân số. Lựa chọn sự thiên vị xảy ra thường xuyên TRONG nhiều khác biệt cánh đồng, bao gồm thuộc về chính trị khoa học. Coi như Một thuộc về chính trị thăm dò vững chãi cái đó muốn ĐẾN thăm dò rất có thể người bỏ phiếu TRONG cái Hợp nhất Các tiểu bang ĐẾN quyết tâm của họ sự ưa thích giữa ứng cử viên TRONG MỘT sắp tới bầu cử. Nếu như cái thăm dò vững chãi những nỗ lực ĐẾN liên hệ tiềm năng người bỏ phiếu sử dụng chỉ một điện thoại cố định điện thoại số, sau đó cái kết quả vật mẫu là rất có thể ĐẾN là thiên vị TRONG điều khoản của cái tuổi của người trả lời. Lớn hơn mọi người là nhiều hơn rất có thể ĐẾN có điện Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 17
thoại cố định điện thoại TRONG của họ nhà cửa Và ĐẾN trả lời họ khi gọi điện qua Một thuộc về chính trị thăm dò vững chãi. TRONG cái này trường hợp, lựa chọn sự thiên vị đã xảy ra quá hạn ĐẾN Làm sao cái Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 18
chương 370 9 Kể chuyện cái Sự thật với Dữ liệu Hình ảnh hóa vật mẫu đã từng là đã thu thập, kết quả TRONG Một vật mẫu gồm có của tiềm năng người bỏ phiếu rất có thể ĐẾN là nhiều lớn hơn hơn cái người bỏ phiếu dân số. Vì thế, cái thăm dò vững chãi phải là cẩn thận Về sử dụng cái này vật mẫu ĐẾN suy ra hiểu biết sâu sắc Về ứng viên sự ưa thích giữa cái dân số của tất cả rất có thể người bỏ phiếu. Hãy xem xét một thách thức có liên quan nhưng hơi khác biệt mà một nhóm nghiên cứu phải đối mặt trong Khoa Kinh tế tại Đại học Empire State. Nhóm các nhà nghiên cứu này đang cố gắng ĐẾN phân tích các yếu tố cái đó ảnh hưởng hàng năm thu nhập TRONG cái Hợp nhất Các tiểu bang. Các các nhà nghiên cứu có đã thu thập vật mẫu dữ liệu từ 106 người trả lời cái đó bao gồm nhiều các yếu tố bao gồm cái trả lời tuổi của người bị bệnh, nơi cư trú và thu nhập hàng năm của năm gần đây nhất. Một phần của những cái này dữ liệu được hiển thị trong Hình 9.9. FIGuRE 9.9 portion of Data Used to Examine Relationship between Age and Income TuổiThu nhập Các đường xu hướng được giới Để kiểm tra dữ liệu của họ, các nhà nghiên cứu tạo ra một biểu đồ phân tán đơn giản để thiệu trong Chương 6. khám phá mối quan hệ tàu thủy giữa tuổi Và hàng năm thu nhập vì cái này vật mẫu dữ liệu. Cái này tiêu tan biểu đồ là đã hiển thị TRONG Nhân vâ yt 9.10. Các nhà nghiên cứu cũng áp dụng đường xu hướng tuyến tính đơn giản vào dữ liệu này như thể hiện trong Hình 9.10. Điều đáng ngạc nhiên là các nhà nghiên cứu phát hiện ra rằng có một mối quan hệ tiêu cực giữa tuổi tác và hàng năm thu nhập trong các dữ liệu mẫu này. Điều này có vẻ trái ngược với kỳ vọng rằng thu nhập hàng năm tăng BẰNG người nào đó trở thành lớn hơn quá hạn ĐẾN hơn năm của công việc kinh nghiệm Và tiến triển TRONG của họ sự nghiệp. Tuy nhiên, hơn nữa cuộc điều tra chỉ ra cái đó cái này tiêu cực mối quan hệ là gây ra qua Một cụ thể hình thức của lựa chọn sự thiên vị. Các các nhà nghiên cứu khảo sát Làm sao cái dữ liệu đã từng được thu thập và họ thấy rằng dữ liệu được thu thập từ cư dân của ba thành phố khác nhau tại Hoa Kỳ: San Francisco, California; Dallas, Texas; và Naples, Florida. Những ba thành phố khác nhau có khoảng cách địa lý xa nhau với San Francisco ở phía tây, Dallas TRONG cái ở giữa, Và Napoli TRONG cái phía đông. Tuy nhiên, cái này làm không nhất thiết làm chúng đại diện cho toàn bộ dân số của Hoa Kỳ. Hình 9.11 cho thấy một phân tán Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 19
Biểu đồ ter tương tự như Hình 9.10 cho cùng dữ liệu. Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Seite 20
9-2 thiên vị Dữ liệu 371 FIGuRE 9.10 Scatter chart Depicting the Relationship between Age and Annual Income as a Negative Trend Hàng năm Thu nhập ($) 200000 180000 160000 140000 120000 100000 80000 60000 40000 20000 0 0 20406080 Tuổi (năm) Trong Hình 9.11, chúng tôi đã sử dụng màu sắc để phân biệt giữa các vị trí của phản ứng. vết lõm. Các các nhà nghiên cứu có Mà còn phù hợp đơn giản tuyến tính đường xu hướng ĐẾN cái mối quan hệ giữa tuổi Và hàng năm thu nhập của mỗi thành phố khác nhau. Nhân vâ yt 9.11 chương trình cái đó cái mối quan hệ vì cái dữ liệu ở trong mỗi thành phố là Một tích cực xu hướng: BẰNG tuổi tăng lên, hàng năm thu nhập Mà còn tăng lên. Tuy nhiên, khi chúng tôi tổng hợp tất cả cái dữ liệu cùng nhau, BẰNG TRONG Nhân vâ yt 9.10, cái mối quan hệ giữa tuổi Và hàng năm thu nhập xuất hiện ĐẾN là cái đối diện TRONG cái đó hàng năm thu nhập giảm BẰNG tuổi tăng lên. Cái này là bởi vì cái tuổi Và hàng năm thu nhập từ cái người trả lời TRONG mỗi của cái ba khác biệt các thành phố là khá khác biệt. Những nhân khẩu học sự khác biệt trở nên rõ ràng khi chúng tôi màu sắc cái tiêu tan biểu đồ qua vị trí TRONG Nhân vâ yt 9.11. Người trả lời TRONG San Francisco có khuynh hướng ĐẾN là trẻ hơn Và có cao hơn thu nhập, người trả lời TRONG Napoli có khuynh hướng ĐẾN là lớn hơn với thấp hơn hàng năm thu nhập, Và người trả lời TRONG Dallas có khuynh hướng ĐẾN là ở đâu đó TRONG giữa. Các tác dụng đã hiển thị TRONG Các con số 9.10 Và 9.11 là được biết đến BẰNG của Simpson nghịch lý. của Simpson nghịch lý xảy ra khi Một cụ thể xu hướng cái đó xuất hiện TRONG các tập hợp con của dữ liệu thất bại quả lê hoặc đảo ngược khi cái các tập hợp con là tổng hợp. TRONG cái này ví dụ, ở đó là Một tích cực xu hướng giữa tuổi Và hàng năm thu nhập ở trong cái dữ liệu từ mỗi thành phố, Nhưng cái này xu hướng xuất hiện ĐẾN đảo ngược khi chúng tôi tổng hợp cái dữ liệu sang tất cả ba thành phố. của Simpson par- quảng cáo là Mà còn Một hình thức của lựa chọn sự thiên vị bởi vì chúng tôi có đã chọn Một vật Copyright 2022 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Die ersten 20 Seiten werden angezeigt. Laden Sie das Dokument herunter, um alles zu sehen.
Kommentare (0)
Noch keine Kommentare. Seien Sie der Erste!