知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘在計(jì)算社會(huì)科學(xué)中的應(yīng)用

舒曉靈，朱博文

(1.美國加州大學(xué) 戴維斯分校 加利福尼亞州 95616；2. 武漢大學(xué) 社會(huì)學(xué)系，湖北 武漢 430072)

?

知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘在計(jì)算社會(huì)科學(xué)中的應(yīng)用

舒曉靈，朱博文

(1.美國加州大學(xué) 戴維斯分校 加利福尼亞州 95616；2. 武漢大學(xué) 社會(huì)學(xué)系，湖北 武漢 430072)

一、大數(shù)據(jù)時(shí)代的到來

科技的發(fā)展和大量運(yùn)用網(wǎng)絡(luò)、電腦、數(shù)據(jù)感應(yīng)儀和記錄設(shè)備使得數(shù)據(jù)的數(shù)量與復(fù)雜性呈幾何級(jí)的快速增長，這使得在有限時(shí)間內(nèi)記錄、管理與處理數(shù)據(jù)更加困難?；ヂ?lián)網(wǎng)和數(shù)據(jù)儀記錄了大量數(shù)據(jù)，提供了前所未有的研究人類行為與態(tài)度的機(jī)會(huì)。手機(jī)等移動(dòng)互聯(lián)網(wǎng)的的廣泛應(yīng)用，讓個(gè)體在網(wǎng)絡(luò)上留下了越來越多的痕跡，如微信、GPS跟蹤、Twitter、Facebook、Goolgle Research、網(wǎng)購、購物券、預(yù)定外賣，等等。物聯(lián)網(wǎng)逐步擴(kuò)大，個(gè)體活動(dòng)范圍、活動(dòng)影響力、電話記錄以及對(duì)步數(shù)、心跳頻率、深度睡眠、外出距離時(shí)間地點(diǎn)、就餐地點(diǎn)種類頻率、購物種類數(shù)目數(shù)額、朋友圈人數(shù)范圍與交流內(nèi)容、自動(dòng)上傳的照片、錄音、錄像等數(shù)字化數(shù)據(jù)的記載表明，越來越多的終端擁有我們的各式繁復(fù)信息數(shù)據(jù)。如果所有公司合作，那人們每分每秒的信息都有可能被獲取，這些數(shù)據(jù)構(gòu)建的大量信息可能比人們自己更深度地了解自己。這是很偉大也很令人擔(dān)憂的一件事情，因?yàn)樗械碾[私甚至連自己不知曉的一些信息都有可能被某些集體或者公司掌握。這為我們進(jìn)行科學(xué)研究與社會(huì)管理帶來了前所未有的機(jī)遇和挑戰(zhàn)。我們面臨著一個(gè)嶄新的時(shí)代，數(shù)據(jù)在科學(xué)研究中的作用越來越重要。

基于數(shù)據(jù)的科學(xué)發(fā)現(xiàn)將補(bǔ)充傳統(tǒng)的基于理論假設(shè)的科研。這種不同于傳統(tǒng)的研究方式影響著所有的領(lǐng)域，社會(huì)科學(xué)也不例外。大數(shù)據(jù)帶來了前所未有的機(jī)遇與挑戰(zhàn)，我們必須慎重考慮其深遠(yuǎn)影響及意義。大數(shù)據(jù)時(shí)代的到來，大規(guī)模數(shù)據(jù)的涌現(xiàn)，使得某些傳統(tǒng)統(tǒng)計(jì)方法已不再適用大數(shù)據(jù)的研究，隨之而來的是一種新的知識(shí)發(fā)現(xiàn)方式出現(xiàn)，即數(shù)據(jù)挖掘。數(shù)據(jù)挖掘具有以下三個(gè)特性：

1.自動(dòng)或者半自動(dòng)化的尋找模式。傳統(tǒng)統(tǒng)計(jì)方法依賴手動(dòng)調(diào)整模型，這是一個(gè)較為漫長的手工過程。數(shù)據(jù)挖掘發(fā)展、應(yīng)用現(xiàn)成的工具，自動(dòng)化比較強(qiáng)，可以自動(dòng)檢索、計(jì)算，并尋找各種數(shù)學(xué)模型,能夠有效減少知識(shí)發(fā)現(xiàn)的時(shí)間與人力資源成本。

2.跨學(xué)科的研究方式。知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘是個(gè)多學(xué)科綜合領(lǐng)域，包括統(tǒng)計(jì)、計(jì)算機(jī)科學(xué)、機(jī)器學(xué)習(xí)、人工智能、數(shù)據(jù)庫技術(shù)、模式識(shí)別,等等。而社會(huì)科學(xué)家們，則在最近幾年才將數(shù)據(jù)挖掘的新技術(shù)運(yùn)用于研究與教學(xué)中。面對(duì)這種嶄新的研究方式，社會(huì)科學(xué)家們需要加強(qiáng)交流、學(xué)習(xí)思考、拓寬眼界、擁抱機(jī)會(huì)、迎接挑戰(zhàn)。

3.通過一系列技術(shù)，可以發(fā)現(xiàn)過去未被發(fā)現(xiàn)甚至不可能發(fā)現(xiàn)的一些非常有意義的隱藏的模式。這是數(shù)據(jù)挖掘最有吸引力的地方, 對(duì)于各學(xué)科創(chuàng)新發(fā)展具有深遠(yuǎn)意義。因?yàn)槭芟抻诩夹g(shù)的發(fā)展，過去沒有發(fā)現(xiàn)這些信息的基礎(chǔ)，無法探尋這些有意義的隱藏于大數(shù)據(jù)中的規(guī)律。

二、知識(shí)發(fā)現(xiàn)過程中傳統(tǒng)統(tǒng)計(jì)研究與數(shù)據(jù)挖掘的差異

在社會(huì)科學(xué)研究中，基于抽樣數(shù)據(jù)運(yùn)用傳統(tǒng)的統(tǒng)計(jì)方式長期統(tǒng)領(lǐng)科學(xué)研究。傳統(tǒng)科研運(yùn)用基于理論的假設(shè)檢實(shí)方法。知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘?qū)?，改變?nèi)藗冄赜昧藥装倌甑目蒲蟹绞剑簭倪\(yùn)用演繹推理方式轉(zhuǎn)換到運(yùn)用總結(jié)歸納法，從注重自變量的統(tǒng)計(jì)模型到強(qiáng)調(diào)預(yù)告能力的新型模型，從運(yùn)用抽樣調(diào)查到運(yùn)用非設(shè)計(jì)的大型記錄數(shù)據(jù)庫。知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘在提供史無前例的新潛力的同時(shí)，也提出了新挑戰(zhàn)和新問題。對(duì)大數(shù)據(jù)進(jìn)行知識(shí)發(fā)現(xiàn)相較于傳統(tǒng)研究方式而言，有繼承、有改變，也有挑戰(zhàn)，對(duì)它們的不同之處總結(jié)如下。

1.傳統(tǒng)統(tǒng)計(jì)研究主要遵循演繹推理的方式，數(shù)據(jù)挖則掘強(qiáng)調(diào)演繹推理方式與總結(jié)歸納方式相結(jié)合。

傳統(tǒng)科學(xué)的訓(xùn)練從理論出發(fā)，從廣大、抽象的理論形成一個(gè)非常具體的假設(shè)，根據(jù)假設(shè)搜集數(shù)據(jù)和資料，再對(duì)搜集的數(shù)據(jù)進(jìn)行分析，根據(jù)變量構(gòu)建模型，通過對(duì)參數(shù)的估計(jì)來進(jìn)行統(tǒng)計(jì)推斷，驗(yàn)證假設(shè)是否成立，最后根據(jù)數(shù)據(jù)分析結(jié)果得出結(jié)論，這是所謂“自上而下”的演繹推理方式。另外一種是“自下而上”的方式，即總結(jié)歸納的方式，從數(shù)據(jù)出發(fā)，從數(shù)據(jù)中找尋規(guī)律，根據(jù)規(guī)律形成一個(gè)臨時(shí)的假設(shè)、設(shè)想，在這些規(guī)律模式形成完整證據(jù)后，再將設(shè)想上升到理論的高度。這種研究方式對(duì)社會(huì)科學(xué)家們并不陌生，尤其是做定性研究的社會(huì)學(xué)家。在實(shí)地調(diào)查前，可能沒有形成很明確的理論框架和概念，并不確定自己能搜集到什么樣的信息，所以會(huì)先進(jìn)行實(shí)地調(diào)查、觀察和訪談，獲取大量的資料信息，然后對(duì)資料進(jìn)行刪選、去除雜音，再從資料信息中找尋其中有意義的規(guī)律，最后上升到理論的高度。

傳統(tǒng)統(tǒng)計(jì)研究以演繹推理方式為主，計(jì)算社會(huì)科學(xué)的知識(shí)發(fā)現(xiàn)更多的基于數(shù)據(jù)，但基于數(shù)據(jù)的研究并非以數(shù)據(jù)為尊的研究?，F(xiàn)在從數(shù)據(jù)出發(fā)的研究常常被很多學(xué)者所質(zhì)疑，認(rèn)為數(shù)據(jù)挖掘是由數(shù)據(jù)牽著鼻子走，什么都是從數(shù)據(jù)出發(fā)，沒有理論、沒有假設(shè)、沒有想法，這其實(shí)是一種很大的誤解。實(shí)際上，數(shù)據(jù)挖掘不是由數(shù)據(jù)來統(tǒng)領(lǐng)的研究，也不光是探索性的研究，這是需要澄清的。做數(shù)據(jù)挖掘的學(xué)者需要強(qiáng)大、深厚的理論基礎(chǔ)，如果僅僅是電腦專家，只懂?dāng)?shù)據(jù)，不了解社會(huì)科學(xué)相關(guān)專業(yè)領(lǐng)域知識(shí)是無法完成這個(gè)任務(wù)的。數(shù)據(jù)挖掘過程需要具有深厚理論背景的專家來指導(dǎo)，其研究過程既是總結(jié)歸納法，也是演繹推理法，是一種雙向同時(shí)進(jìn)行的過程。這是一個(gè)由數(shù)據(jù)到規(guī)律到理論，然后又從理論重新設(shè)計(jì)再到數(shù)據(jù)分析再證實(shí)理論的一個(gè)過程，有時(shí)候這個(gè)過程在一個(gè)研究項(xiàng)目中就進(jìn)行了，有時(shí)候可以把數(shù)據(jù)分成好幾個(gè)部分，一部分?jǐn)?shù)據(jù)采用歸納的方式進(jìn)行研究，一部分?jǐn)?shù)據(jù)采用演繹的方式進(jìn)行研究。有時(shí)候完成整個(gè)研究過程需要一系列的項(xiàng)目，所以數(shù)據(jù)挖掘并非我們所想象的那樣，只不過是由數(shù)據(jù)來統(tǒng)領(lǐng)的研究過程，它仍然是需要理論基礎(chǔ)和相關(guān)領(lǐng)域?qū)＜覍?dǎo)航的研究過程。

二十年前的電腦信息學(xué)專家就曾提出一個(gè)知識(shí)發(fā)現(xiàn)過程模式，此模式提出在數(shù)據(jù)研究、知識(shí)發(fā)現(xiàn)方面的八個(gè)步驟：(1)雄厚的專業(yè)背景知識(shí)；(2)選擇一個(gè)數(shù)據(jù)集；(3)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，將數(shù)據(jù)中的雜質(zhì)、無關(guān)信息進(jìn)行處理；(4)數(shù)據(jù)簡化，尤其是數(shù)據(jù)非常龐大繁雜的時(shí)候；(5)尋找數(shù)據(jù)挖掘的方式；(6)選擇數(shù)據(jù)挖掘的算法；(7)進(jìn)行數(shù)據(jù)挖掘；(8)對(duì)數(shù)據(jù)挖掘的結(jié)果進(jìn)行解釋。這些步驟并不是一個(gè)循序往下的流水過程，而是一個(gè)反復(fù)的過程，當(dāng)你發(fā)現(xiàn)從1到2是錯(cuò)誤的時(shí)候，你需要思考自己的專業(yè)背景知識(shí)與所選擇的數(shù)據(jù)集是否合適，每一個(gè)步驟都是可以重復(fù)的，即使當(dāng)你已經(jīng)進(jìn)行到了第7步，當(dāng)你發(fā)現(xiàn)有問題，你仍可能需要返回第2步，重新選擇數(shù)據(jù)集。

上面提到的這個(gè)模式是最早的模式，最近幾年，這個(gè)模式被簡化成六步：(1)能夠?qū)I(yè)地理解研究問題。主要體現(xiàn)在以下幾個(gè)方面：研究主題、研究對(duì)象、目標(biāo)已經(jīng)確定，相關(guān)研究領(lǐng)域的知識(shí)以及專業(yè)術(shù)語都已經(jīng)掌握，研究問題已經(jīng)轉(zhuǎn)化成了可以進(jìn)行數(shù)據(jù)挖掘的對(duì)象，數(shù)據(jù)挖掘工具已經(jīng)選擇；(2)對(duì)數(shù)據(jù)有足夠的了解。搜集數(shù)據(jù)，檢查數(shù)據(jù)的完整性，是否存在冗馀或者缺失，等等；(3)將數(shù)據(jù)準(zhǔn)備好。進(jìn)行抽樣，分析變量之間的相關(guān)性，進(jìn)行顯著性檢驗(yàn)和數(shù)據(jù)清理。也可以通過使用特征選擇或者抽取算法來對(duì)數(shù)據(jù)進(jìn)行處理，減少數(shù)據(jù)的維度；(4)進(jìn)行數(shù)據(jù)挖掘。研究者運(yùn)用不同的數(shù)據(jù)挖掘方法從已經(jīng)清理的數(shù)據(jù)中發(fā)現(xiàn)知識(shí)；(5)對(duì)數(shù)據(jù)挖掘結(jié)果進(jìn)行評(píng)價(jià)。理解數(shù)據(jù)挖掘結(jié)果，將所發(fā)現(xiàn)的知識(shí)與以往的研究相比較，看是否找到了有意義的新發(fā)現(xiàn)；(6)運(yùn)用所發(fā)現(xiàn)的知識(shí)。計(jì)劃在何處以及如何使用所發(fā)現(xiàn)的知識(shí)，包括在其他領(lǐng)域進(jìn)行推廣。

每個(gè)步驟都有回溯至上一步甚至好幾步的過程。所以研究的過程并不是簡單的、很順暢的從第一步走到最后一步，而是一個(gè)循環(huán)往復(fù)、不斷推倒重來的過程。比如在進(jìn)行第2步理解數(shù)據(jù)時(shí)，需要再回到第一步，掌握其他專業(yè)領(lǐng)域的知識(shí)，才能更好地理解數(shù)據(jù)。在進(jìn)行第3步準(zhǔn)備數(shù)據(jù)時(shí)，可能需要回到第2步，因?yàn)樾枰鶕?jù)數(shù)據(jù)的其他信息，運(yùn)用獨(dú)特的算法來更好地處理數(shù)據(jù)。在進(jìn)行第4步數(shù)據(jù)挖掘時(shí)，可能需要回到1步，重新了解研究問題，因?yàn)槲覀儫o法通過已選擇的數(shù)據(jù)挖掘方式獲取滿意的結(jié)果，此時(shí)研究目標(biāo)需要進(jìn)行調(diào)整。但發(fā)現(xiàn)數(shù)據(jù)很難理解導(dǎo)致運(yùn)用了錯(cuò)誤的數(shù)據(jù)挖掘算法時(shí)，也需要回到第2步，重新理解數(shù)據(jù)。當(dāng)進(jìn)行到第4步數(shù)據(jù)挖掘，發(fā)現(xiàn)一種特殊算法需要特殊數(shù)據(jù)時(shí)，需要返回準(zhǔn)備數(shù)據(jù)階段，重新準(zhǔn)備相應(yīng)的數(shù)據(jù)。在第5步評(píng)價(jià)所發(fā)現(xiàn)的知識(shí)時(shí)，可能需要返回至第4步，甚至可能需要返回至第1步。當(dāng)所發(fā)現(xiàn)的知識(shí)并不新穎，也沒有趣或者沒有意義時(shí)，需要重新選擇數(shù)據(jù)挖掘工具，然后回到第4步，重復(fù)數(shù)據(jù)挖掘步驟。由于錯(cuò)誤地解讀研究問題或者是錯(cuò)誤的研究設(shè)計(jì)，沒有理解研究問題的限制、需求或者目標(biāo)導(dǎo)致所發(fā)現(xiàn)的知識(shí)無效時(shí)，整個(gè)知識(shí)探索過程需要重新再來一遍。

因此，合適的數(shù)據(jù)挖掘研究需要遵循以下幾點(diǎn)：數(shù)據(jù)挖掘前，有確定的理論框架、相關(guān)的經(jīng)驗(yàn)證據(jù)以及相關(guān)領(lǐng)域?qū)＜业闹笇?dǎo)；數(shù)據(jù)挖掘過程中，理論和數(shù)據(jù)需要進(jìn)行互動(dòng)，而不是單純的按照理論進(jìn)行或者僅從數(shù)據(jù)的角度考慮；數(shù)據(jù)挖掘后，分析得出的結(jié)論應(yīng)具有普適性，而不是僅僅只適合此項(xiàng)數(shù)據(jù)。此外，數(shù)據(jù)挖掘的結(jié)論能夠被經(jīng)驗(yàn)證據(jù)和理論框架所解釋。

2.傳統(tǒng)統(tǒng)計(jì)模型強(qiáng)調(diào)單個(gè)自變量對(duì)因變量的主要作用，數(shù)據(jù)挖掘模型則強(qiáng)調(diào)多個(gè)因素的共同作用。

因果關(guān)系，通常是多個(gè)自變量聯(lián)合起來共同對(duì)因變量產(chǎn)生作用的結(jié)果，而一個(gè)自變量單獨(dú)引起因變量變化的情況是很罕見的。歷史社會(huì)學(xué)家通常研究多個(gè)歷史原因聯(lián)合作用，比如哈佛歷史社會(huì)學(xué)家斯科克波在研究比較中國、法國、俄國大革命的差異時(shí)，提出革命的發(fā)生存在兩個(gè)聯(lián)合的充分條件，只要同時(shí)滿足這兩個(gè)條件，就會(huì)發(fā)生大革命。第一個(gè)條件是國家危機(jī)爆發(fā)；第二個(gè)是領(lǐng)導(dǎo)階層的涌現(xiàn)。這與我們傳統(tǒng)統(tǒng)計(jì)研究不一樣，傳統(tǒng)統(tǒng)計(jì)往往研究當(dāng)A變量出現(xiàn)時(shí)，比如說40%的可能會(huì)出現(xiàn)B變量，研究單個(gè)變量對(duì)另一變量的影響，可能性是百分之多少，而不是研究當(dāng)A、B變量同時(shí)作用或者C、D變量同時(shí)作用時(shí)，事件發(fā)生的概率是百分之百的絕對(duì)性。也是由于此原因，許多歷史社會(huì)學(xué)家對(duì)單原因模型往往持批判態(tài)度，他們認(rèn)為在影響事物發(fā)展的諸多變量中，單獨(dú)選擇某一個(gè)變量，分析其影響事物發(fā)展的幾率并不充分。

社會(huì)事實(shí)證明，幾乎所有的因果關(guān)系都是很多因素共同作用的結(jié)果，這些因素是同時(shí)的、必需的而且是充分的條件。這是什么意思呢？就如同下面這個(gè)公式所表達(dá)的那樣，P[y|(AnB)u(MnN)u(UnV)] = 1，當(dāng)A和B兩個(gè)條件同時(shí)滿足，或者M(jìn)和N兩個(gè)條件同時(shí)滿足，或者U和V兩個(gè)條件同時(shí)滿足時(shí)，Y事件發(fā)生的概率為1，即Y事件必定會(huì)發(fā)生。比如房屋著火是事件Y，當(dāng)線路短路(A)和附近有易燃物質(zhì)(B)兩個(gè)條件同時(shí)滿足時(shí)，房子會(huì)著火，或者是被雷擊(M)和附近有易燃物質(zhì)(N)兩個(gè)條件同時(shí)滿足時(shí)，房子會(huì)著火，等等。也就是說多個(gè)因素同時(shí)存在且必須多個(gè)因素同時(shí)存在時(shí)，某一事件一定會(huì)發(fā)生，這就是我們?nèi)粘Ｉ钪械囊蚬P(guān)系。

但是，在進(jìn)行統(tǒng)計(jì)研究時(shí)，卻并非按照此邏輯進(jìn)行。我們會(huì)把因素A(線路短路)挑選出來，研究因素A(線路短路)發(fā)生時(shí)，Y事件(房屋著火)發(fā)生的概率是百分之幾，在做結(jié)論時(shí)，就認(rèn)為因?yàn)锳因素存在，所以Y事件發(fā)生。所以，在哲學(xué)家看來，統(tǒng)計(jì)學(xué)中研究的因果關(guān)系乃是非必需非充分的，它只是由諸多子條件聯(lián)合構(gòu)成充分條件中的其中一個(gè)子條件。所以，在統(tǒng)計(jì)學(xué)中，研究的因果關(guān)系往往是事件發(fā)生的可能性而非絕對(duì)性。

針對(duì)多因素共同作用的社會(huì)事實(shí)，數(shù)據(jù)挖掘可以通過數(shù)據(jù)挖掘工具報(bào)告多個(gè)變量之間的交互關(guān)系，從而解決多個(gè)自變量共同作用于因變量的問題。很多學(xué)者認(rèn)為可以通過對(duì)因素A和因素B采取交互效應(yīng)分析解決A和B同時(shí)發(fā)生的問題，但若自變量較多，則會(huì)產(chǎn)生大量的交互項(xiàng)，如一個(gè)模型有三個(gè)自變量就會(huì)有四個(gè)交互項(xiàng)(三個(gè)二維交互項(xiàng)和一個(gè)三維交互項(xiàng))，加上變量本身，模型中將會(huì)有7個(gè)自變量，而我們?cè)趯?shí)際研究中，所構(gòu)建的模型涉及的自變量都是十幾個(gè)或者幾十個(gè)，如果做交互分析的話，產(chǎn)生的交互變量會(huì)非常之多，所以在實(shí)際分析中，我們很少對(duì)所有自變量的交互項(xiàng)進(jìn)行分析。在社會(huì)學(xué)研究當(dāng)中，很少有研究會(huì)關(guān)注交互項(xiàng)的分析，大部分研究關(guān)注的都是主效應(yīng)的分析。另外，很多情況下，大家忽視了社會(huì)的多樣性，用標(biāo)準(zhǔn)化的社會(huì)科學(xué)對(duì)策來處理復(fù)雜多樣的影響。在研究時(shí)，將男的、女的、老的、少的、富的、窮的、黑人、白人等不同特性的人群同質(zhì)化處理，僅僅通過平均效應(yīng)來評(píng)估主效應(yīng)的影響，認(rèn)為平均效應(yīng)是顯著的，那么理論就是可以成立的。但事實(shí)上，許多理論并不具有普適性，面對(duì)不同的歷史階段、不同國家、不同民族、不同人群，同一理論的適用情況是不一樣的，很多理論僅適合部分情況或族群。

在基于數(shù)據(jù)挖掘的知識(shí)發(fā)現(xiàn)過程中，在對(duì)變量之間的關(guān)系進(jìn)行預(yù)測時(shí)，數(shù)據(jù)挖掘技術(shù)可以把成千上萬的交互關(guān)系進(jìn)行自動(dòng)檢測，然后報(bào)告需要注意的交互關(guān)系。但這并不意味著可以直接將數(shù)據(jù)挖掘處理的結(jié)果直接拿來使用，這只是機(jī)器處理的結(jié)果，給你提供一個(gè)參考性的建議，至于這些交互關(guān)系是否具有實(shí)際意義、在模型中如何使用，仍然需要有思想的人來決定。這種技術(shù)處理能力可以為研究者節(jié)約大量時(shí)間。此外，在神經(jīng)網(wǎng)絡(luò)的預(yù)測模型中，神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)生成許多復(fù)雜的交互關(guān)系。神經(jīng)網(wǎng)絡(luò)是一種新的計(jì)算機(jī)技術(shù)，具有十層或者二十層的神經(jīng)網(wǎng)絡(luò)，里面包含非常復(fù)雜的關(guān)系。由于數(shù)據(jù)挖掘模型可以考慮很復(fù)雜的相互關(guān)系，所以數(shù)據(jù)挖掘所建構(gòu)的模型與實(shí)際數(shù)據(jù)的因變量結(jié)果匹配度非常高，往往達(dá)到80%或者90%，所以模型的預(yù)測力非常強(qiáng)。

3.傳統(tǒng)統(tǒng)計(jì)方法構(gòu)建的模型，強(qiáng)調(diào)自變量與因變量之間的系數(shù)，而基于數(shù)據(jù)挖掘的知識(shí)發(fā)現(xiàn)更強(qiáng)調(diào)模型預(yù)測力。

社會(huì)科學(xué)家和行為科學(xué)家強(qiáng)調(diào)單個(gè)預(yù)測因素的影響，即變量A與事件Y的相關(guān)系數(shù)，表明自變量一個(gè)單位的變化，因變量將變化多少。研究中很大的部分都是在考慮這個(gè)問題。社會(huì)科學(xué)家更加重視因變量與自變量之間的因果關(guān)系，理解其中的因果機(jī)制，不重視模型的解釋力。測量誤差或者是未解釋的殘差可以很大，R Square可以很小，這被認(rèn)為是正常、合理的情況。因此絕大多數(shù)傳統(tǒng)統(tǒng)計(jì)模型的解釋力通常低于25%，有些甚至低于10%。

數(shù)據(jù)挖掘不注重自變量與因變量之間的系數(shù)，因?yàn)槭褂么髷?shù)據(jù)的統(tǒng)計(jì)模型，所有自變量參數(shù)都具有顯著性。但是，數(shù)據(jù)挖掘很重視整個(gè)模型的解釋力，將準(zhǔn)確預(yù)測視為最重要的目標(biāo)。相對(duì)于傳統(tǒng)統(tǒng)計(jì)模型，數(shù)據(jù)挖掘能夠通過綜合運(yùn)用不同的方法使整個(gè)模型的預(yù)測能力達(dá)到最大，從而為模型提供更強(qiáng)的解釋力。而且，隨著數(shù)據(jù)挖掘工具的發(fā)展，它能夠提供更多有關(guān)因果機(jī)制的信息，這將極大地改變科學(xué)研究方式。

4．傳統(tǒng)統(tǒng)計(jì)模型更多關(guān)注線性關(guān)系，極少關(guān)注非線性關(guān)系，數(shù)據(jù)挖掘則自動(dòng)考慮變量的形式轉(zhuǎn)換，因而能夠更多地解讀自變量與因變量之間的非線性關(guān)系。

在傳統(tǒng)統(tǒng)計(jì)研究中，連續(xù)型變量和數(shù)值型變量通常進(jìn)入線性回歸模型中進(jìn)行分析，除了年齡、收入、GDP等變量會(huì)進(jìn)行平方處理，研究非線性關(guān)系，其他大部分連續(xù)變量研究的都是線性關(guān)系。這是為什么呢？因?yàn)樵诖罅康淖宰兞颗c因變量之間尋找非線性關(guān)系，需要耗費(fèi)大量時(shí)間去探索分析，而且大量的傳統(tǒng)統(tǒng)計(jì)分析都是建立在線性關(guān)系的校正矩陣上。但現(xiàn)實(shí)生活中，諸多變量之間的關(guān)系并非簡單的線性關(guān)系，而是非線性關(guān)系，簡單的線性函數(shù)無法描述現(xiàn)實(shí)生活中的各種曲線關(guān)系。

針對(duì)傳統(tǒng)統(tǒng)計(jì)研究的不足，數(shù)據(jù)挖掘工具提供了很多可視化工具，通過這些可視化工具可以發(fā)現(xiàn)自變量與因變量之間的很多非線性關(guān)系。在數(shù)據(jù)挖掘程序中，針對(duì)連續(xù)變量的非線性關(guān)系，它會(huì)自動(dòng)生成節(jié)點(diǎn)，這樣我們能夠更好地觀測其中的非線性關(guān)系。例如，現(xiàn)在最新版本的SPSS可以自動(dòng)提供變量的集中程度和離散程度，按照節(jié)點(diǎn)或者按照自變量與因變量之間的關(guān)系自動(dòng)生成一系列的輸出變量，這樣就可以將自變量與因變量之間非線性的關(guān)系自動(dòng)生成表示出來，供研究者參考，節(jié)約大量人力物力。

三、數(shù)據(jù)挖掘面臨的挑戰(zhàn)

雖然數(shù)據(jù)挖掘彌補(bǔ)了傳統(tǒng)統(tǒng)計(jì)研究的一些缺陷，為發(fā)現(xiàn)有意義的新問題、新想法提供了巨大機(jī)遇，卻也提出了新挑戰(zhàn)和新問題。我們需要運(yùn)用創(chuàng)新思維來享受其優(yōu)越性，并同時(shí)彌補(bǔ)其缺陷，解決新問題，迎接新挑戰(zhàn)。

眾所周知，統(tǒng)計(jì)推斷是建立在隨機(jī)樣本的基礎(chǔ)上，傳統(tǒng)統(tǒng)計(jì)研究的樣本是通過精心設(shè)計(jì)的抽樣方式進(jìn)行的系統(tǒng)調(diào)查所獲得。而在大數(shù)據(jù)時(shí)代，互聯(lián)網(wǎng)的發(fā)展、物聯(lián)網(wǎng)的不斷普及，大量的數(shù)據(jù)可以從已有的數(shù)據(jù)庫中獲取，數(shù)據(jù)樣本主要來源于大型數(shù)據(jù)庫，所獲取的樣本為“方便”樣本。雖然通過大型數(shù)據(jù)庫能夠獲取大量的樣本數(shù)據(jù)，但這并非總體數(shù)據(jù)，也不是統(tǒng)計(jì)學(xué)家精心設(shè)計(jì)的抽樣樣本, 因此存在一個(gè)問題，這種“方便”樣本的代表性如何？為什么以這些樣本為數(shù)據(jù)進(jìn)行研究？答案并不清楚，所以，如前所述，顯著性測試并不適合大數(shù)據(jù)“方便”樣本。數(shù)據(jù)挖掘然存在樣本代表性問題，但并非無計(jì)可施，現(xiàn)已有一些技術(shù)方法能夠處理，如復(fù)制、交叉驗(yàn)證、自助法(bootstrapping)、非參數(shù)法。復(fù)制是用不同的數(shù)據(jù)檢測模型，確立樣本代表性，防止模型過度吻合數(shù)據(jù)(overfitting)，保障模型的可靠性與普遍性。交叉驗(yàn)證是指將樣本分為訓(xùn)練樣本、調(diào)節(jié)樣本(tuning sample)、測驗(yàn)樣本。利用訓(xùn)練樣本對(duì)模型進(jìn)行訓(xùn)練，利用調(diào)節(jié)樣本對(duì)模型進(jìn)行調(diào)節(jié)，最后利用測驗(yàn)樣本對(duì)模型進(jìn)行驗(yàn)證。自助法是指從樣本中有放回的隨機(jī)抽樣，計(jì)算每次抽樣的統(tǒng)計(jì)量，對(duì)統(tǒng)計(jì)量進(jìn)行排序，在一定的顯著性水平下尋找置信區(qū)間，對(duì)樣本的顯著性進(jìn)行檢驗(yàn)。非參數(shù)方法主要是針對(duì)研究總體分布未假定的情況下，通過樣本本身的信息進(jìn)行估計(jì)和推斷，包括核回歸估計(jì)法、局部多項(xiàng)式估計(jì)法，等等。

在建構(gòu)模型的過程中，雖然數(shù)據(jù)挖掘能夠提供很強(qiáng)的解釋力，但是其自變量之間的關(guān)系非常復(fù)雜，比如神經(jīng)網(wǎng)絡(luò)中的一些交互關(guān)系，我們僅僅知道神經(jīng)網(wǎng)絡(luò)處理之后的結(jié)果，但對(duì)其中的過程并不清楚，其中的一些相互關(guān)系我們甚至無法通過經(jīng)驗(yàn)證據(jù)和理論框架進(jìn)行解釋。所以，雖然神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)適應(yīng)能力，能夠?qū)Χ喾N數(shù)據(jù)信息進(jìn)行處理，尤其是在模式識(shí)別、人工智能和信息處理等方面，但卻常被大家質(zhì)疑，因?yàn)楹谙蛔又械奶幚磉^程，我們無從知曉。數(shù)據(jù)挖掘模型有強(qiáng)大的解釋力與預(yù)測力，這是很有吸引力的。如果這樣的模型能提供因果關(guān)系機(jī)制, 將極大地改變科學(xué)研究方式。

2016-10-12

國家社科基金重大項(xiàng)目“大數(shù)據(jù)時(shí)代計(jì)算社會(huì)科學(xué)的產(chǎn)生、現(xiàn)狀與發(fā)展前景研究”(16ZDA086)的階段性成果。

舒曉靈(1968-)，女，美國華裔學(xué)者，加州大學(xué)戴維斯分校社會(huì)學(xué)系教授，系副主任。研究方向：定量研究方法、計(jì)算機(jī)仿真；朱博文(1974-)，女，湖南邵東人，武漢大學(xué)社會(huì)學(xué)系博士生。研究方向：經(jīng)濟(jì)社會(huì)學(xué)、空間社會(huì)學(xué)。