Quartz 4

课堂笔记

8 min read

Slide 2–3 — Chapter 1: Introduction to Data in Business Statistics

第2–3页——第1章：商业统计中的数据介绍

Knowledge Points (知识点)

  1. Data (数据)
  2. Elements (要素)
  3. Variables (变量)
  4. Observations (观测值)

Data (数据)

  • Explanation (解释):
    Data are fact-based information (numbers, figures, tables) collected, analyzed, and summarized for interpretation.
    数据是基于事实的信息（如数字、图表、表格），需要被收集、分析并总结以便解释。

  • Example (例子):
    Sales revenue of a company in January is $500,000.
    一家公司一月份的销售收入是 500,000 美元。

  • Extension (拓展):
    Data provide the foundation for decision-making in business and economics.
    数据为商业与经济中的决策提供基础。

Elements (要素)

  • Explanation (解释):
    Elements are the objects or entities on which data are collected.
    要素是数据收集的对象或实体。

  • Example (例子):
    Each student in a class is an element in a survey about study habits.
    在一个关于学习习惯的调查中，每个学生就是一个要素。

  • Extension (拓展):
    Correctly identifying elements ensures data are representative.
    正确识别要素能保证数据具有代表性。

Variables (变量)

  • Explanation (解释):
    A variable is a characteristic, feature, or aspect of elements.
    变量是要素的特征、属性或方面。

  • Example (例子):
    Age, gender, and GPA are variables of a student.
    年龄、性别和绩点是学生的变量。

  • Extension (拓展):
    Variables can be qualitative (categorical) or quantitative (numerical).
    变量可以是定性（类别）或定量（数值）。

Observations (观测值)

  • Explanation (解释):
    An observation is a set of measurements collected for each variable of an element.
    观测值是针对某个要素在各个变量上的一组测量数据。

  • Example (例子):
    For one student: {Age = 20, Gender = Female, GPA = 3.5}.
    对于一个学生：{年龄 = 20，性别 = 女，绩点 = 3.5}。

  • Extension (拓展):
    Observations are usually recorded in rows of a dataset.
    观测值通常记录在数据集的行中。

Slide 5–6 — Chapter 1: Measurement Scales and Data Types

第5–6页——第1章：测量尺度与数据类型

Knowledge Points (知识点)

  1. Scales of Measurement (测量尺度)
  2. Categorical Data (类别数据)
  3. Quantitative Data (定量数据)

Scales of Measurement (测量尺度)

  • Explanation (解释):
    Variables can be measured using four scales: nominal, ordinal, interval, ratio.
    变量可通过四种尺度来测量：名义尺度、顺序尺度、区间尺度、比率尺度。

  • Example (例子):

    • Nominal: Gender (Male/Female).
    • Ordinal: Ratings (Very good=5, Very bad=1).
    • Interval: Temperature in °C.
    • Ratio: Distance in km, or stock market loss probability.
    • 名义：性别（男/女）
    • 顺序：评分（非常好=5，非常差=1）
    • 区间：摄氏温度
    • 比率：距离（公里）、股市亏损概率

  • Extension (拓展):
    Correct scale selection affects valid statistical methods.
    正确选择尺度影响统计方法的有效性。

Categorical Data (类别数据)

  • Explanation (解释):
    Categorical data represent categories or labels (nominal or ordinal).
    类别数据表示类别或标签（名义或顺序）。

  • Example (例子):

    • Nominal: Male=1, Female=2
    • Ordinal: Very good=5, Very bad=1
    • 名义：男=1，女=2
    • 顺序：非常好=5，非常差=1

  • Extension (拓展):
    Categorical data are often analyzed using counts, percentages, or frequency tables.
    类别数据通常通过计数、百分比或频率表来分析。

Quantitative Data (定量数据)

  • Explanation (解释):
    Quantitative data are numerical and measurable (interval or ratio).
    定量数据是数值型、可测量的数据（区间或比率）。

  • Example (例子):
    Distance = 10 km vs. 3 km; Stock loss chance = 0.5 vs. 0.3.
    距离 = 10 公里 vs. 3 公里；股市亏损概率 = 0.5 vs. 0.3。

  • Extension (拓展):
    Quantitative data allow advanced statistical analysis, such as mean, variance, and regression.
    定量数据能进行高级统计分析，如均值、方差、回归。

Slide 8–9 — Chapter 1: Data Collection and Sources

第8–9页——第1章：数据收集与来源

Knowledge Points (知识点)

  1. Cross-sectional Data (横截面数据)
  2. Time Series Data (时间序列数据)
  3. Data Sources (数据来源)
  4. Data Acquisition Errors (数据获取误差)

Cross-sectional Data (横截面数据)

  • Explanation (解释):
    Collected at a single point in time.
    在同一时间点收集的数据。

  • Example (例子):
    A survey of customer satisfaction conducted in May 2025.
    2025年5月进行的一次顾客满意度调查。

  • Extension (拓展):
    Useful for comparing groups but not for analyzing changes over time.
    横截面数据适合比较群体，但不适合分析时间变化。

Time Series Data (时间序列数据)

  • Explanation (解释):
    Collected over several time periods.
    在多个时间段内收集的数据。

  • Example (例子):
    Monthly sales revenue from 2020 to 2025.
    2020年至2025年的月度销售收入。

  • Extension (拓展):
    Time series is essential for trend, seasonality, and forecasting analysis.
    时间序列在趋势、季节性与预测分析中非常重要。

Data Sources (数据来源)

  • Explanation (解释):
    Data can come from existing sources (internal/external) or from statistical studies (experimental/observational).
    数据可以来自现有来源（内部/外部）或统计研究（实验/观察）。

  • Example (例子):
    Internal: company sales records; External: purchased industry reports.
    内部：公司销售记录；外部：购买的行业报告。

  • Extension (拓展):
    Different sources vary in cost, reliability, and accessibility.
    不同数据来源在成本、可靠性和可获得性上有所不同。

Data Acquisition Errors (数据获取误差)

  • Explanation (解释):
    Errors may occur in data collection and can be minimized by consistency checks and common sense.
    数据收集过程中可能出现误差，可以通过一致性检查和常识来减少。

  • Example (例子):
    Rejecting outliers like a reported age of 200 years.
    拒绝异常值，比如报告的年龄为200岁。

  • Extension (拓展):
    Data cleaning is an essential step before analysis.
    数据清理是分析前的重要步骤。

Summary (总结)

本章的核心内容：

  • 数据与要素、变量和观测值的关系
  • 测量尺度（名义、顺序、区间、比率）及数据类型（类别 vs 定量）
  • 数据收集方式（横截面与时间序列）和数据来源
  • 数据获取中的误差与清理的重要性

Graph View

Backlinks