Les techniques d’analyse des données permettent aux chercheurs d’examiner les données recueillies et de faire des inférences ou des déterminations à partir de l’information. La plupart des techniques se concentrent sur l’application de techniques quantitatives pour examiner les données. Quelques-unes des techniques d’analyse de données quantitatives les plus populaires comprennent les statistiques descriptives, l’analyse de données exploratoire et l’analyse de données de confirmation. Les deux derniers impliquent l’utilisation de soutenir ou de ne pas soutenir une hypothèse prédéterminée. Les groupes qui peuvent utiliser ces techniques comprennent des chercheurs individuels, des étudiants, des entreprises, des agences gouvernementales et des actuaires, entre autres parties ayant besoin d’informations et de données.
L’analyse des données quantitatives tente d’éliminer les biais des chercheurs des données recueillies. L’utilisation intensive de statistiques, de probabilités ou d’autres techniques mathématiques permet aux individus d’utiliser des méthodes standard pour interpréter les données. Lorsque les chercheurs tentent d’utiliser des techniques d’analyse de données qualitatives – souvent basées sur les antécédents personnels, les préférences ou la recherche fondamentale et les principes de raisonnement – les données recueillies peuvent être mal interprétées ou mal interprétées. Par conséquent, les techniques mathématiques sont moins sensibles à ces erreurs et souvent plus acceptées par d’autres personnes ou chercheurs.
L’analyse statistique descriptive sépare ou résume les données en groupes spécifiques. La démographie est un ensemble commun de statistiques descriptives. Les chercheurs recueilleront des informations relatives à l’âge, au sexe, à la taille du ménage, au revenu, au type d’emploi et à d’autres informations d’une population. Un autre type d’analyse statistique descriptive est le pourcentage d’achèvement d’un quart-arrière lorsqu’il joue dans un match de football. Si le quart-arrière réussit six des huit tentatives de passes, il a un pourcentage d’achèvement de 75 pour cent. Un défaut de cette technique est l’incapacité des statistiques à fournir des informations supplémentaires, telles que la durée de chaque passage.
Les techniques d’analyse exploratoire des données impliquent souvent l’utilisation de boîtes à moustaches, d’histogrammes, de diagrammes de Pareto, de nuages de points ou d’un diagramme à tiges et à feuilles. Le but principal de cette technique est de soutenir une hypothèse énoncée par un chercheur. Par exemple, un chercheur peut souhaiter prouver une hypothèse sur la tranche d’âge des propriétaires qui conduisent un type de voiture spécifique, comme une fourgonnette. Pour tester et étayer cette hypothèse, le chercheur rassemblera des informations et créera une boîte à moustaches pour déterminer le nombre de propriétaires dans sa fourchette indiquée. Les statistiques fourniront des informations pour étayer ou non l’hypothèse et indiqueront le nombre de valeurs aberrantes dans les données recueillies.
Les techniques d’analyse de données confirmatoires sont à l’opposé des techniques exploratoires. Dans ces tests, le chercheur cherche à réfuter l’hypothèse nulle, qui est une affirmation généralement acceptée comme vraie par la plupart des individus. Pour réfuter l’hypothèse nulle, le chercheur rassemblera des informations spécifiques liées à l’hypothèse et testera la moyenne, la variance, les valeurs p et les intervalles de confiance. L’intervalle de confiance prouvé par l’analyse des données confirmatoires fournira des informations sur le degré de confiance du chercheur quant à savoir si l’hypothèse nulle est vraie ou fausse.
SmartAsset.