描述数据

找到感觉

在确定自己的数据不是垃圾之后，你对数据的态度就从质疑转变为信任了。你开始要让数据来引导你的工作了。你要问的第一个问题是“我能用这个数据回答什么问题？”答案要通过数据探索才能找到。你在进行充分的数据探索之后，就会对数据的优劣有直观的感受了。有时候你会发现这个数据虽然不是编造的，但是并不好。原因并不是它和你的想法有相悖之处，而是你从中什么新东西也找不出来。 优秀 的数据往往是这样的：它和你的想法直接相悖，因此你从中能够找出新东西来。你寻找新东西的入手点，往往就是列表格。两向表、四向表、六向表……，只要你的头脑还受得了，就尽可能详尽地列下去。

在这样做的过程中你就会找到感觉，知道要沿什么方向去探索。“这个表中，92个人中有17个选这项……那个表中，108个人中有29个选这项……那就是19%比27%……这个差异不值得琢磨……还有个表，108个人中有37个选这项……17/92与37/108……，这个事情就值得琢磨一下了……”。你会有最初的一些推论（“也许这两个东西之间的差异是关键之处”），但是这些推论没有被证实，你就会意识到这条路可能行不通。数据又会帮助你产生新的假设，然后你再沿着这条路去探索。

下面这个例子是我写作本书时正在进行的一项研究。我想 同时 测量人们对于“占领华尔街运动”的支持度和对于“茶党运动”的支持度，借此来了解人们的政治意识形态立场与政党制度的关系。让我来告诉你，我把那些表格铺到了地板上之后发现了什么。首先，支持其中一项运动的人往往不会支持另一项运动。这在意料之中，不值得进一步琢磨。其次，民主党人或者自由派往往会支持“占领华尔街运动”而不支持“茶党运动”，而共和党人或保守派往往会支持“茶党运动”而不支持“占领华尔街运动”。你可能觉得这不过是常识而已，用数据发现这些内容实在是太愚蠢了。但是，我接着先根据是保守派还是自由派、有没有接受过大学教育将人群分为四类，然后对每一类人群列出是否“占领华尔街运动”和是否支持“茶党运动”的交叉列联表（这是一个 的表）。从这些表中能看出什么呢？

在每一种意识形态类别 内部 ，对“占领华尔街运动”的支持和对“茶党运动”的支持都是正相关的！这表明了一种很有趣的理论：是否支持“占领华尔街运动”和是否支持“茶党运动”测量的其实都是某个人对社会现状是否有一种“恼火生气”的感觉，而他的意识形态立场则使他对于哪一种运动更容易得到响应进行了 排序 。通过引入其他数据，我们可以进一步检验这种理论。当然，如果你得到了理论假设就止步于此，那你就可能会出现“过分拟合”的问题。你应该继续去检验你的解读是否正确，但这里的检验指的不是要你去进行某种 统计 检验，而是要你去检验这种理论的各种 实质 推论是否成立。不必担心，以后会有很多机会来驳斥你的假设。现在我们主要关注的还是如何产生这些假设。

化繁为简

上述做法之所以有效，是因为认知科学（而非统计学）说明，我们大多数人很容易识别出某种模式来。我们能通过 听觉 或 触觉 感受到某种模式，但最擅长的还是通过 视觉 感受到某种模式。最容易说服他人的方式是让他看到这种模式（Latour，1986）。在社会科学研究中使用这种能力的难点在于，我们的环境通常都太过复杂，以至于我们不能识别出模式来。因此在很多情况下，解决办法在于把数据简化成为某种形式，使得你可以识别出其中的模式。

因此，人们通常所谈论的“数据可视化”（visualizations）就非常重要。我前面讲过的列联表其实也可以看成一种数据可视化。列联表的优点在于它具有通用性，可以快速生成，易于理解（在你知道如何读表以后）。只需要一个单元格频数、一个列百分比、一个行百分比，你就可以开始工作了。

有很多可视化方法能够让人受益匪浅。但是，最简单的那种“预制图”（参数已经预先设定好）有可能会误导你。你必须花些时间来对它们进行调整，以便适用于你的数据。有些图被大家公认为是不适于展示任何数据（如“饼图”），另一些图则只适用于某些问题和某些数据而不适用于其他数据（如“条形图”）。有些图对于低维数据结构（如对应分析）来说是 极好 的，但是不适于展示高维数据。你可以用“旋转”或者不断地“切片”的方式来把握三维数据，但是我自己从来没有能够在头脑中想象出四维数据是什么样子。或许我们能够生成某种数据的三维全息图，它在我们沿第四个维度前后移动时可以不断变化，这样便可以展示出四维数据来。或者我们不仅可以上下移动，还能够左右移动，这样便能够展示出五维数据来。但是这一切都是假想，留给未来考虑吧。

数据可视化的关键在于，它能够让你尽快对数据有直观感受。举例来说，人口学家对于所谓的“年龄-时代-世代”问题很熟悉。事情发生了变化（如离婚率），我们想知道变化的原因是人们的年龄（无论是谁，到了这个年龄之后就会发生变化），还是由于时代（无论是谁，处在现在的时代都会这样变化），或者世代（80后那代人就是和其他人不一样）。麻烦在于，上述三个变量当中，某一个变量都是另外两个变量的函数（年龄=当前时代-出生世代）。因此我们无法把这三个变量同时引入分析。在数学上来讲，这是一个无解的问题。

但那只是在数学上无解。在社会学上，它是有解的。表2.1显示了这种数据的结构。纵向的维度代表年龄，横向的维度代表时代（即进行观察时的时间）。单元格里写的是世代（人们出生的年代）。我们使用10年为一个阶段，把这10年间的人都合并在一起。注意在表中，一个世代会向右上角不断上移（表中的箭头表示的是1910世代的上移轨迹）。表2.2中是我自己编出来用来演示的数据（假定它们是已婚女性在婚后一年内就有小孩的比例）。

可以马上做个小测验：你能从中看出什么？你可能会看出一些东西来，但也可能会看错。你可能会看出1940年代和1950年代与其他年代有所不同，这一点是对的。你还可能会看出60岁和70岁也和其他组有所不同，这就有些不确定了。我们可以把它制作成图，使得图中的灰度与单元格中的数目成比例（图2.1）。这是用R软件做的一个简单的黑白图（R2.1）。但是它表示了这种模式只是一种时代效应。你在表的行中似乎也看到了某种模式，但是那只是由于我们的肉眼对于1位数和2位数之间的差异比较敏感，其实在这个表中，主体部分中的数字是完全随机的（在从5到13的数字中随机抽选的）。

这个例子中存在的模式是非常明显的。表中的所有数字都是从5到13的数字中随机抽选的，除了中间两行是从5到85的数字中随机抽样的。除非你什么也看不见，否则就能看出这一模式来。现在来看另一个比较微妙的例子：请问表2.3中的数据中存在什么样的模式？这一次你就很难直接看出来了。我们还是试着把它制作成图吧（图2.2，R2.2）。

看图就清楚多了。如果看不清，可以眯起眼睛来（我自认为这是一种很重要的方法技巧）。看起来有两个世代与众不同，分别是1870世代和1930世代。从数学上，你是没法证明这就是世代效应，而不是年代与年龄的某种复杂的非线性交互作用的。但是不用管这些，直接去了解这两个世代在早年间经历了什么，有什么共同之处吧。

简单的数据可视化不仅可以发现某个主题，而且有时还可以证明它。最近有一个很好的例子，维埃斯和谢弗斯对于美国的世俗化进行了研究（Voas and Chaves，2016；Hout and Fischer，2014）。很多宗教社会学家对于美国宗教的兴盛印象深刻，将此作为重要证据来说明即便在发达国家当中，也并不存在世俗化的趋势。维埃斯和谢弗斯（Voas and Chaves，2016：1531）用折线图展示了不同世代对宗教的忠诚度随时间的变化轨迹。这些折线 没有任何 交叉。在任何年龄，美国的每一个世代的宗教忠诚度都比前一个世代更低。 这就是社会科学当中的证明方式。逻辑上讲，当然有可能存在其他的解释。但是既然还没有人提出其他解释，我们就接受这种解释。举证的责任这时已经落在了别人身上。

总之，我们可以通过各种方式来编排数据，以识别出其中存在的模式。数据可视化的目的就在于此。没有能够包治百病的灵药，有些数据作图确实根本没有什么用（比如说至今还会有人只是为了炫技，用大型网络数据绘制出仿佛毛线团一样的“网络图”来）。你应该做的就是暂时把理论放在一边，就像去探索一个地方的地貌一样去探索数据。有没有一些变量全部堆积在某些取值上？有没有一些变量完全没有变化？有没有其他变量有着几乎同样的变化趋势？如果你有一个全国性数据，数据的分布结构是按地区展开的，就一定要绘出地图来，或者至少区分城乡来分析。不要明明 知道 数据有某种特征，却非要用某种技术手段来把它“控制”掉，这种做法就相当于你非要在布鲁克林找一位种玉米的农民，来了解他对于用水政策的看法。相反，你要带着你的兴趣或者直觉，尝试在数据的呈现中深化它们；你已经了解数据的那些不可避免的特性，因此也会选择与之最相匹配的数据呈现方式。

另一方面

我热衷于模式识别。但是有一种做法与模式识别看似相似，其实却是个陷阱。我将其称为“玩数据”（messing around with data）（我在《领悟方法》第8章中对此略有涉及）。你得到了一个新数据，然后试验各种算法，对数据进行各种转换，使用你知道的各种炫酷技术，做出各种图表来，对某种算法的作图进行编码，然后再用某种算法再编码再作图……。你熬到凌晨四点的时候，终于得到了一张极酷的图，但是你怎么也搞不清是怎么画出来的。

归纳指的是寻找稳健的模式，那些模式不需要对数据进行过分的涂抹揉搓，它是直接跳入你的眼帘的。“玩数据”并不能帮助你对真实的数据有切实的了解，其作用有点像比萨饼上面的那堆配料。你以为那些花里胡哨的配料都是肉，但是你知道它们是怎么做出来的吗？我不告诉你，因为怕你会吐。他们使用了好多加工的办法，而里面其实没有多少肉。遇到这类花哨而空洞的东西，你最好躲远点。接下来，我们还是来看一些好懂又可靠的技巧，帮助你明白手头的数据在可能的全部数据集中的位置。 DPgvh+KW0QpSFMXAQMLxkLddhKpAVVkMv/R/bK4pqMgFbwmTugXQlNMfl4AzpuZp