大數(shù)據(jù)從2011年起變成了炙手可熱的話題。大數(shù)據(jù)一詞雖然內(nèi)涵重心是數(shù)據(jù)，但其中更為重要的統(tǒng)計思維卻往往被忽視。而缺乏統(tǒng)計思維的“大數(shù)據(jù)”則有可能帶來“大偏差”。

谷歌流行病趨勢模型，曾經(jīng)被當(dāng)做推銷大數(shù)據(jù)概念的金牌案例。其作用是預(yù)測流感和登革熱的流行病趨勢，但實踐表明，這一模型并沒有經(jīng)得住時間的考驗。從2011年8月21日到2013年9月1日期間，谷歌流行病模型在108個星期里有100個星期高估了流行病數(shù)據(jù)。2013年1月，谷歌流行病趨勢模型的估計值是實際數(shù)據(jù)的2倍。如此大的誤差顯然是無法接受的。

大數(shù)據(jù)作為二手數(shù)據(jù)，缺乏行政監(jiān)督，很多時候也沒有辦法控制大數(shù)據(jù)的樣本，大數(shù)據(jù)的樣本往往是有噪音的和冗余的，這些問題給大數(shù)據(jù)分析帶來了一定的障礙。谷歌流行病預(yù)測模型的目的是預(yù)測全美流感發(fā)病率，用的數(shù)據(jù)是搜索引擎用戶的搜索記錄。但是，全美國民和搜索引擎用戶并不是同一個概念。有流感癥狀的人并不都會使用搜索引擎查詢，而使用搜索引擎查流感癥狀的人也不見得都得了流感。谷歌流行病模型的基礎(chǔ)是流行病發(fā)病和各種關(guān)鍵詞搜索之間的相關(guān)關(guān)系，但是這種相關(guān)關(guān)系不是一成不變的，當(dāng)媒體大量報道和普及流行病常識時，公眾在一定程度上產(chǎn)生恐慌，會帶來搜索量的突增，這種突增并不意味著流行病的爆發(fā)。這也是谷歌流行病預(yù)測模型失敗的主要原因之一。

在統(tǒng)計學(xué)視角里，樣本并不是越大越有價值，統(tǒng)計學(xué)強調(diào)的是樣本的代表性，這一代表性一般是通過抽樣調(diào)查來滿足的。如國家統(tǒng)計局為了更好進行抽樣調(diào)查，建立了基本單位名錄庫，名錄庫就是統(tǒng)計調(diào)查中的抽樣框，抽樣樣本均來自于抽樣框。抽樣框既是選擇樣本單位的依據(jù)，也是推斷總體的依據(jù)。在分析問題時，弄清楚自己的研究總體是非常重要的，如果大數(shù)據(jù)樣本不是研究總體，也不是研究總體的抽樣樣本，這個時候用大數(shù)據(jù)做結(jié)論就需要非常小心，不然很容易由“大數(shù)據(jù)”帶來“大偏差”。

統(tǒng)計與信息技術(shù)聯(lián)姻，是大數(shù)據(jù)發(fā)展的必由之路。直視當(dāng)下大數(shù)據(jù)分析中存在的問題，在利用機器學(xué)習(xí)算法的同時結(jié)合統(tǒng)計學(xué)的思維，才能更好地利用大數(shù)據(jù)這個工具，讓大數(shù)據(jù)時代變得更美。