糖心vlog官网观看

Die Feststellung der Kausalit盲t ist h盲ufig die Hauptmotivation 蹿眉谤 die Forschung. Politische Entscheidungstr盲ger wollen oft verstehen, wie sich die Einf眉hrung eines neuen Programms oder eines anderen politischen Instruments auf ein bestimmtes Ergebnis auswirken wird. Werden kleinere Klassengr枚脽en das Lernen der Sch眉ler verbessern? Wird die Einf眉hrung von strengeren Hintergrundkontrollen 蹿眉谤 Waffenk盲ufer die Waffengewalt verringern? Biomedizinische Forscher wollen oft herausfinden, ob ein neues Medikament die Ergebnisse einer Krankheit verbessern wird. Wird die Einnahme eines Medikaments die Lebenserwartung erh枚hen oder gar die untersuchte Krankheit heilen? Um diese und 盲hnliche Fragen zu beantworten, m眉ssen Analysten Forschungsdesigns entwickeln, die 蹿眉谤 den Kausalschluss geeignet sind. Die Sch盲tzung eines kausalen Effekts ist eine Herausforderung, aber sie ist unerl盲sslich, um die Auswirkungen einer Politik, eines Medikaments oder einer anderen Art von Intervention zu verstehen.

In den n盲chsten vier Lektionen werden wir damit beginnen, Rohdaten zu verstehen. Die Betrachtung von Rohdaten, z.B. in einer Tabelle, sagt nicht viel 眉ber die wichtigsten Punkte aus. Nehmen wir eine Variable wie eine Umfrage, in der nach dem Ausma脽 der Diskriminierung in den USA gefragt wird (die Antwortm枚glichkeiten sind "viel", "etwas", "nur ein wenig", "gar nicht" und "wei脽 nicht"). Wenn Sie die Rohdaten lesen, erfahren Sie nichts 眉ber den durchschnittlichen Befragten oder die Verteilung der Antworten auf die m枚glichen Antwortm枚glichkeiten. Um die Form der Verteilung besser zu verstehen, k枚nnen wir Ma脽e der zentralen Tendenz und der Streuung berechnen und die Streuung der Daten charakterisieren. Diese zusammenfassenden Statistiken erm枚glichen es einem Forscher, einige einfache, aber aussagekr盲ftige erste Schlussfolgerungen dar眉ber zu ziehen, was die Daten uns in der realen Welt sagen.

Edward Tufte, ein weltbekannter Experte 蹿眉谤 Datenvisualisierung, sagte einmal: "Es gibt keine Informationsflut. Es gibt nur schlechtes Design." Wenn es darum geht, die Ergebnisse einer Analyse zu kommunizieren, und insbesondere, wenn Sie versuchen, ein Publikum zu 眉berzeugen, sagt ein Bild mehr als tausend Worte. Ein gut gestaltetes Diagramm kann sowohl eine kleine als auch eine gro脽e Menge an Daten nutzen, um ein 眉berzeugendes Argument zu liefern. Datenvisualisierungen heben bestimmte Punkte der zugrundeliegenden Informationen hervor und erm枚glichen es dem Betrachter, Erkenntnisse zu gewinnen, die beim alleinigen Blick auf die Zahlen fast unsichtbar sind. Kurz gesagt: Um gut mit Daten kommunizieren zu k枚nnen, m眉ssen Sie geschickt darin sein, Daten zu visualisieren.