Datenanalysetechniken ermöglichen es Forschern, gesammelte Daten zu überprüfen und aus den Informationen Rückschlüsse oder Entscheidungen zu ziehen. Die meisten Techniken konzentrieren sich auf die Anwendung quantitativer Techniken zur Überprüfung der Daten. Einige der populäreren quantitativen Datenanalysetechniken umfassen deskriptive Statistik, explorative Datenanalyse und bestätigende Datenanalyse. Die beiden letzteren beinhalten die Verwendung, eine vorbestimmte Hypothese zu unterstützen oder nicht zu unterstützen. Zu den Gruppen, die diese Techniken verwenden können, gehören neben anderen Parteien, die Informationen und Daten benötigen, einzelne Forscher, Studenten, Unternehmen, Regierungsbehörden und Aktuare.
Die quantitative Datenanalyse versucht, die Voreingenommenheit der Forscher aus den gesammelten Daten zu entfernen. Die starke Verwendung von Statistiken, Wahrscheinlichkeiten oder anderen mathematischen Techniken ermöglicht es Einzelpersonen, Standardmethoden zur Interpretation von Daten zu verwenden. Wenn Forscher versuchen, qualitative Datenanalysetechniken zu verwenden – oft basierend auf dem persönlichen Hintergrund, den Präferenzen oder grundlegenden Forschungs- und Argumentationsprinzipien der Person – können die gesammelten Daten falsch gelesen oder falsch interpretiert werden. Daher sind mathematische Techniken weniger anfällig für diese Fehler und werden von anderen Personen oder Forschern oft mehr akzeptiert.
Deskriptive statistische Analysen trennen oder fassen Daten in bestimmte Gruppen zusammen. Demografie ist ein allgemeiner Satz beschreibender Statistiken. Die Forscher sammeln Informationen zu Alter, Geschlecht, Haushaltsgröße, Einkommen, Berufsart und anderen Informationen einer Bevölkerung. Eine andere Art der deskriptiven statistischen Analyse ist der Abschlussprozentsatz eines Quarterbacks, wenn er in einem Footballspiel spielt. Wenn der Quarterback sechs von acht Passversuchen abschließt, hat er einen Abschlussprozentsatz von 75 Prozent. Ein Fehler bei dieser Technik besteht darin, dass die Statistik keine zusätzlichen Informationen wie die Länge jedes Durchgangs liefern kann.
Explorative Datenanalysetechniken beinhalten häufig die Verwendung von Boxplots, Histogrammen, Pareto-Diagrammen, Streudiagrammen oder einem Stamm-Blatt-Plot. Der Hauptzweck dieser Technik besteht darin, eine von einem Forscher aufgestellte Hypothese zu untermauern. Zum Beispiel möchte ein Forscher möglicherweise eine Hypothese über die Altersspanne von Besitzern beweisen, die einen bestimmten Autotyp, beispielsweise einen Minivan, fahren. Um diese Hypothese zu testen und zu untermauern, sammelt der Forscher Informationen und erstellt einen Boxplot, um die Anzahl der Besitzer innerhalb seines angegebenen Bereichs zu bestimmen. Die Statistiken liefern Informationen, um die Hypothese zu stützen oder nicht zu unterstützen und zeigen, wie viele Ausreißer in den gesammelten Daten enthalten sind.
Konfirmatorische Datenanalysetechniken sind das Gegenteil von explorativen Techniken. In diesen Tests versucht der Forscher, die Nullhypothese zu widerlegen, die von den meisten Personen allgemein als wahr akzeptiert wird. Um die Nullhypothese zu widerlegen, sammelt der Forscher spezifische Informationen in Bezug auf die Hypothese und testet den Durchschnitt, die Varianz, die p-Werte und die Konfidenzintervalle. Das durch die konfirmatorische Datenanalyse nachgewiesene Konfidenzintervall gibt Aufschluss darüber, wie sicher der Forscher sein sollte, ob die Nullhypothese wahr oder falsch ist.