大數(shù)據(jù)時(shí)代統(tǒng)計(jì)學(xué)專(zhuān)業(yè)教學(xué)改革的初步探索

周茂袁

摘要：大數(shù)據(jù)涵蓋多學(xué)科領(lǐng)域的、海量的、各種復(fù)雜結(jié)構(gòu)的數(shù)據(jù)。各學(xué)科之間數(shù)據(jù)互相融合和貫通，學(xué)科之間的邊界已經(jīng)重疊和模糊。大數(shù)據(jù)涉及各種數(shù)據(jù)類(lèi)型，包括文本和語(yǔ)言、視頻和圖像、時(shí)空數(shù)據(jù)、網(wǎng)絡(luò)和圖形等。對(duì)于傳統(tǒng)的統(tǒng)計(jì)學(xué)專(zhuān)業(yè)來(lái)說(shuō)，大數(shù)據(jù)時(shí)代帶來(lái)的不僅是機(jī)遇還有挑戰(zhàn)。本文初步探索了以下幾個(gè)方面：《數(shù)據(jù)挖掘》中引入大數(shù)據(jù)分析方法;《非參數(shù)統(tǒng)計(jì)》中引入多元非參數(shù)方法、半?yún)?shù)回歸;《回歸分析》中引入隨機(jī)森林回歸等用來(lái)處理大數(shù)據(jù)的回歸方法、高維回歸變量選擇方法（其中以L(fǎng)ASSO回歸為典型代表）;《多元統(tǒng)計(jì)》中引入高維統(tǒng)計(jì)方法;以上引入的大數(shù)據(jù)分析方法均用R語(yǔ)言來(lái)實(shí)現(xiàn)。

關(guān)鍵詞：大數(shù)據(jù);統(tǒng)計(jì)學(xué);數(shù)據(jù)挖掘;非參數(shù)統(tǒng)計(jì);回歸分析;多元統(tǒng)計(jì)

中圖分類(lèi)號(hào)：G642.0 ? ? 文獻(xiàn)標(biāo)志碼：A ? ? 文章編號(hào)：1674-9324（2015）35-0105-02

從狹義上來(lái)講，大數(shù)據(jù)的構(gòu)成包括兩方面，一方面是大樣本，在統(tǒng)計(jì)學(xué)上要達(dá)到需要的精度就必須采取抽樣的辦法降低樣本數(shù)量;另一方面是高維度變量，對(duì)于這一問(wèn)題則需要采取壓縮、分解以及降維等方法。

一、大數(shù)據(jù)及其意義

大部分傳統(tǒng)的統(tǒng)計(jì)方法只適合分析單個(gè)計(jì)算機(jī)存儲(chǔ)的數(shù)據(jù)。而目前大數(shù)據(jù)的環(huán)境包括以下要素。

1.流數(shù)據(jù)：數(shù)據(jù)快速地不斷涌來(lái)，現(xiàn)有存儲(chǔ)設(shè)備和計(jì)算能力難以應(yīng)付這種數(shù)據(jù)流（比如歐洲高能粒子對(duì)撞機(jī)所產(chǎn)生的數(shù)據(jù)，每秒鐘可以達(dá)到500TB）。

2.磁盤(pán)存儲(chǔ)限制：數(shù)據(jù)已不能完全存儲(chǔ)在內(nèi)存中，需要硬盤(pán)存儲(chǔ)。

3.分布存儲(chǔ)狀態(tài)：數(shù)據(jù)分布存儲(chǔ)在多個(gè)計(jì)算機(jī)中。

4.多線(xiàn)條狀態(tài)：數(shù)據(jù)存儲(chǔ)在一個(gè)計(jì)算機(jī)中，多個(gè)處理器共享內(nèi)存。

大數(shù)據(jù)的發(fā)展就是對(duì)數(shù)據(jù)產(chǎn)生的機(jī)制進(jìn)行探索，將所產(chǎn)生的數(shù)據(jù)轉(zhuǎn)變?yōu)槿藗兯枰闹R(shí)，進(jìn)而對(duì)相關(guān)政策的制定產(chǎn)生影響。這個(gè)過(guò)程是一個(gè)漫長(zhǎng)的過(guò)程。一個(gè)小孩子隨著年齡的增長(zhǎng)可能會(huì)掌握更多的單詞，但是根據(jù)一個(gè)孩子的年齡確定他掌握的單詞多少則并不科學(xué)。

進(jìn)一步來(lái)說(shuō)，大數(shù)據(jù)有記錄保存自然與社會(huì)現(xiàn)狀的功能?，F(xiàn)在大家收集著海量數(shù)據(jù)，盡管他們還不清楚如何分析大量的數(shù)據(jù)，但是他們相信需要保存現(xiàn)今社會(huì)經(jīng)濟(jì)高速發(fā)展的過(guò)程，期待著今后能夠分析和解釋這段歷史。還有些人將百歲老人的血液和其他各種生物的標(biāo)本等存放在冰箱里，他們認(rèn)為當(dāng)今的技術(shù)還不足以測(cè)試和分析這些資源，期待今后更先進(jìn)的測(cè)試技術(shù)能夠做到。大數(shù)據(jù)就如同自然和社會(huì)的血液那樣記錄著社會(huì)的現(xiàn)狀和發(fā)展過(guò)程。

17世紀(jì)望遠(yuǎn)鏡以及顯微鏡的發(fā)明使人類(lèi)看到了以前從來(lái)沒(méi)有看到過(guò)的宇宙空間和微生物，擴(kuò)大了人類(lèi)對(duì)自然的基本認(rèn)識(shí)。大數(shù)據(jù)就像“望眼鏡”和“顯微鏡”那樣，使得人們能夠通過(guò)數(shù)據(jù)來(lái)觀察和分析自然、經(jīng)濟(jì)、社會(huì)的現(xiàn)象。借助于互聯(lián)網(wǎng)數(shù)據(jù)，可以及時(shí)了解疾病的疫情、科學(xué)的動(dòng)態(tài)、社會(huì)的動(dòng)態(tài)。谷歌借助頻繁檢索的詞條能及時(shí)判斷流感從哪傳播，哪些人可能已經(jīng)感染了流感。大數(shù)據(jù)將形成自然和人文社會(huì)的歷史長(zhǎng)河，不但能用于探索當(dāng)代的科學(xué)問(wèn)題，將來(lái)也可以用于研究人們食用轉(zhuǎn)基因食品對(duì)子孫后代的影響等追蹤研究問(wèn)題，為未來(lái)留下當(dāng)前的歷史資料。

二、大數(shù)據(jù)帶來(lái)的變革

時(shí)代的進(jìn)步有賴(lài)于大數(shù)據(jù)的發(fā)展，大數(shù)據(jù)的發(fā)展給時(shí)代變革增加了更多的不確定性。就當(dāng)前研究來(lái)看，數(shù)據(jù)的搜集很大程度上依靠所研究問(wèn)題的出現(xiàn)來(lái)推動(dòng)其向前發(fā)展。不過(guò)在不久的將來(lái)，隨著大數(shù)據(jù)時(shí)代的到來(lái)，人們對(duì)于問(wèn)題的研究將會(huì)由“數(shù)據(jù)”來(lái)驅(qū)動(dòng)。例如，如果我們想去某地旅行或出差，會(huì)首先查詢(xún)目的地的交通情況、天氣情況以及住宿情況等信息，但是將來(lái)我們可以根據(jù)所查詢(xún)的數(shù)據(jù)信息來(lái)決定所要去的目的地。在古希臘時(shí)代，當(dāng)時(shí)的哲學(xué)家無(wú)所不知，號(hào)稱(chēng)百科全書(shū)，到了文藝復(fù)興時(shí)代，隨著學(xué)科的不斷細(xì)化，不同學(xué)科出現(xiàn)了各自的專(zhuān)家。隨著大數(shù)據(jù)時(shí)代的到來(lái)，大百科全書(shū)式的人物將有可能再次出現(xiàn)，而不同領(lǐng)域的專(zhuān)家的權(quán)威性將被逐步消弱，隨著大數(shù)據(jù)的不斷發(fā)展，很有可能會(huì)逐漸將學(xué)科專(zhuān)家消亡掉。例如，隨著計(jì)算機(jī)專(zhuān)家和統(tǒng)計(jì)學(xué)家對(duì)數(shù)據(jù)的搜集越來(lái)越多并且處理能力不斷增強(qiáng)，他們將逐步成為生命科學(xué)方面的專(zhuān)家。再比如，如果我們掌握了足夠數(shù)量的相關(guān)專(zhuān)業(yè)書(shū)籍和日文譯本，就算我們對(duì)日文一無(wú)所知，我們也可以采取有效的方法將所需要的中文翻譯成為日文，因?yàn)槲覀冇泻芏喾浅？煽康姆g軟件，如谷歌翻譯軟件等。大數(shù)據(jù)已經(jīng)在各個(gè)領(lǐng)域和學(xué)科得到了應(yīng)用，例如醫(yī)療領(lǐng)域，大數(shù)據(jù)可以指導(dǎo)人們健康飲食，適時(shí)進(jìn)行身體檢查，并且確定檢查項(xiàng)目，幫助醫(yī)生對(duì)患者進(jìn)行疾病診斷等。

三、大數(shù)據(jù)時(shí)代統(tǒng)計(jì)學(xué)專(zhuān)業(yè)教學(xué)現(xiàn)狀

隨著科技的不斷發(fā)展和進(jìn)步，人們獲取信息和數(shù)據(jù)的途徑也發(fā)生了很大的變化，電子商務(wù)的發(fā)展和各種多媒體信息技術(shù)的飛速發(fā)展和應(yīng)用，給傳統(tǒng)的統(tǒng)計(jì)學(xué)應(yīng)用和教學(xué)帶來(lái)了機(jī)遇的同時(shí)也帶來(lái)了非常大的挑戰(zhàn)。一方面，由于各種信息和數(shù)據(jù)的不斷涌入，人們?cè)诒粍?dòng)搜集著各種數(shù)據(jù)。統(tǒng)計(jì)學(xué)的教學(xué)也需要不斷探索新的模式。另一方面，人們?cè)诒粍?dòng)接受數(shù)據(jù)的同時(shí)也在主動(dòng)搜集數(shù)據(jù)信息，不同學(xué)科有不同的數(shù)據(jù)需要。例如經(jīng)濟(jì)學(xué)領(lǐng)域的專(zhuān)家每天都在搜集各自的調(diào)查數(shù)據(jù)和觀察數(shù)據(jù)，而自然科學(xué)領(lǐng)域的專(zhuān)家學(xué)者則不僅搜集宏觀天文數(shù)據(jù)，還在搜集微觀基因數(shù)據(jù)。不同的人們搜集數(shù)據(jù)的方法也各不相同，有的在實(shí)驗(yàn)室通過(guò)試驗(yàn)進(jìn)行數(shù)據(jù)搜集，有的人則通過(guò)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)搜集和研究。

對(duì)于當(dāng)前大數(shù)據(jù)給統(tǒng)計(jì)學(xué)帶來(lái)的挑戰(zhàn)，美國(guó)科學(xué)院“大數(shù)據(jù)分析委員會(huì)”給出了分析，他們認(rèn)為這些挑戰(zhàn)在于對(duì)不同格式和結(jié)構(gòu)的數(shù)據(jù)的處理方面、對(duì)于數(shù)據(jù)來(lái)源的追蹤方面、對(duì)于共享數(shù)據(jù)的安全性問(wèn)題和完整性問(wèn)題方面、對(duì)于樣本異質(zhì)性和偏倚性處理方面、在對(duì)問(wèn)題進(jìn)行處理時(shí)的決策和分析方面以及對(duì)分布式和并行式在開(kāi)發(fā)時(shí)的算法方面的問(wèn)題等。國(guó)內(nèi)相關(guān)部門(mén)也對(duì)這一問(wèn)題進(jìn)行了研討，最早一次是2012年5月在香山召開(kāi)的“大數(shù)據(jù)科學(xué)與工程”會(huì)議，第二次是在2013年5月召開(kāi)的對(duì)于大數(shù)據(jù)原理以及發(fā)展前景的探討會(huì)，并同時(shí)制定了相關(guān)的科研計(jì)劃。但關(guān)于大數(shù)據(jù)背景下統(tǒng)計(jì)學(xué)專(zhuān)業(yè)教學(xué)的探索還非常稀缺。

四、統(tǒng)計(jì)學(xué)專(zhuān)業(yè)課程改革

針對(duì)以上所述大數(shù)據(jù)時(shí)代的特點(diǎn)和變革意義以及目前統(tǒng)計(jì)學(xué)專(zhuān)業(yè)教學(xué)的現(xiàn)狀，本文進(jìn)行了相應(yīng)的初步探索。

（一）改革的總體思路

將現(xiàn)有的統(tǒng)計(jì)學(xué)頂級(jí)雜志或著名文獻(xiàn)中的成熟的大數(shù)據(jù)分析方法逐步凝練，形成教學(xué)內(nèi)容;將使用R軟件中的函數(shù)包實(shí)現(xiàn)這些大數(shù)據(jù)分析方法。

（二）改革的具體內(nèi)容

1.在《數(shù)據(jù)挖掘原理與方法》課程中引入大數(shù)據(jù)分析方法及其R語(yǔ)言的代碼實(shí)現(xiàn)。

2.在《非參數(shù)統(tǒng)計(jì)》課程中引入多元非參數(shù)統(tǒng)計(jì)方法（諸如多元符號(hào)、多元秩、多元符號(hào)秩等）、非參數(shù)回歸模型、半?yún)?shù)回歸模型及其R語(yǔ)言的代碼實(shí)現(xiàn)。

3.在《回歸分析》課程中引入回歸樹(shù)、boosting回歸、bagging回歸、隨機(jī)森林回歸等用來(lái)處理大數(shù)據(jù)的回歸方法、高維回歸變量選擇方法（比如LASSO回歸、動(dòng)態(tài)LASSO回歸等）及其R語(yǔ)言的代碼實(shí)現(xiàn)。

4.在《多元統(tǒng)計(jì)分析》課程中引入高維統(tǒng)計(jì)分析方法及其R語(yǔ)言的代碼實(shí)現(xiàn)。

5.在工科《概率論與數(shù)理統(tǒng)計(jì)》課程中引入R語(yǔ)言的代碼實(shí)現(xiàn)。

（三）改革的主要?jiǎng)?chuàng)新點(diǎn)

在傳統(tǒng)的統(tǒng)計(jì)學(xué)專(zhuān)業(yè)課程教學(xué)中引入最新的大數(shù)據(jù)分析方法及其R語(yǔ)言實(shí)現(xiàn)。

其中R語(yǔ)言是區(qū)別SAS、SPSS等傻瓜軟件的結(jié)構(gòu)化程序設(shè)計(jì)語(yǔ)言，可以靈活實(shí)現(xiàn)傻瓜軟件所不能實(shí)現(xiàn)的各種高級(jí)數(shù)據(jù)分析功能。其非常適應(yīng)于大數(shù)據(jù)統(tǒng)計(jì)分析方法的教學(xué)。所以大部分國(guó)內(nèi)外著名大學(xué)已經(jīng)不再使用諸如SAS、SPSS等傻瓜統(tǒng)計(jì)軟件進(jìn)行統(tǒng)計(jì)分析方法的教學(xué)。R語(yǔ)言已經(jīng)逐步成為統(tǒng)計(jì)學(xué)系的標(biāo)準(zhǔn)的教學(xué)軟件。

參考文獻(xiàn)：

[1]Committee on the Analysis of Massive Data et al. （2013）Frontiers in Massive Data Analysis[J].National Academies Press，Washington. http：/ /www. nap. edu /catalog. php？record_id =18374.

[2]維克托·邁爾-舍恩伯格，肯尼思·庫(kù)克耶.大數(shù)據(jù)時(shí)代——生活、工作與思維的大變革[M].盛楊燕，周濤，譯.杭州：浙江人民出版社，2013.

[3]NIH Big Data to Knowledge （2013）.http：//bd2k.nih.gov/index.html#sthash.Yu5HxjcM.dpbs.

[4]納特·西爾弗.信號(hào)與噪聲[M].胡曉姣，張新，朱辰辰，譯.北京：中信出版社，2013.

[5]Yin J，Zhou Y，Wang C，He P，Zheng C，Geng Z. Partial orientation and local structural learning of causal networks for prediction. Challenges in Causality Volume 1：Causation and prediction challenge. Ed. by I. Guyon，C. Aliferis，G. Cooper，A. Elisseeff，J. Pellet，P. Spirtes and A. Statnikov，2009：93-105.

[6]趙暉，邢攀科，秦樂(lè)樂(lè)，張會(huì)肖.基于“云計(jì)算”的人力資源檔案信息決策支持系統(tǒng)的研究[J].河北工業(yè)科技，2013，（02）.

[7]郭海燕，魏遵鋒，石中英.研究生課程與教學(xué)現(xiàn)狀調(diào)查分析——以北京師范大學(xué)為例[J].中國(guó)大學(xué)教學(xué)，2012，（10）.