样本量很少怎么样计算她的质量

[她的神话经典台词]她的神话经典台词《她的神话》讲述的是命运颠倒的两个女人和一个拥有一切的男人寻找真情的故事，这是一部热播的韩国电视剧，会让你看到不一样的经典爱情，还会让你看到非常经典...+阅读

样本量很少怎么样计算她的质量

样本容量又称“样本数”。指一个样本的必要抽样单位数目。在组织抽样调查时，抽样误差的大小直接影响样本指标代表性的大小，而必要的样本单位数目是保证抽样误差不超过某一给定范围的重要因素之一。因此，在抽样设计时，必须决定样本单位数目，因为适当的样本单位数目是保证样本指标具有充分代表性的基本前提。

样本容量的大小涉及到调研中所要包括的单元数。样本容量是对于你研究的总体而言的，是在抽样调查中总体的一些抽样。比如：中国人的身高值为一个总体，你随机取一百个人的身高，这一百个人的身高数据就是总体的一个样本。某一个样本中的个体的数量就是样本容量。注意：不能说样本的数量就是样本容量，因为总体中的若干个个体只组成一个样本。样本容量不需要带单位。

具体确定样本量还有相应的统计学公式，不同的抽样方法对应不同的公式。根据样本量计算公式，我们知道，样本量的大小不取决于总体的多少，而取决于（1）研究对象的变化程度；（2）所要或允许的误差大小（即精度要）；（3）要推断的置信程度。也就是说，当所研究的现象越复杂，差异越大时，样本量要越大；当要的精度越高，可推断性要越高时，样本量越大。

GIS数据质量的基本特点及常见的误差原因

1.数据质量的基本概念

1.1准确性（Accuracy）

1.2精度（Precision）

1.3空间分辨率（Spatial Resolution）

1.4比例尺（Scale）

1.5误差（Error）

1.6不确定性（Uncertainty）

2.空间数据质量问题的来源

2.1空间现象自身存在的不稳定性

2.2空间现象的表达

2.3空间数据处理中的误差

2.4空间数据使用中的误差

表1：数据的主要误差来源

数据处理过程误差来源

数据搜集

野外测量误差：仪器误差、记录误差

遥感数据误差：辐射和几何纠正误差、信息提取误差

地图数据误差：原始数据误差、坐标转换、制图综合及印刷

数据输入

数字化误差：仪器误差、操作误差

不同系统格式转换误差：栅格-矢量转换、三角网-等值线转换

数据存储

数值精度不够

空间精度不够：每个格网点太大、地图最小制图单元太大

数据处理

分类间隔不合理

多层数据叠合引起的误差传播：插值误差、多源数据综合分析误差

比例尺太小引起的误差

数据输出

输出设备不精确引起的误差

输出的媒介不稳定造成的误差

数据使用

对数据所包含的信息的误解

对数据信息使用不当

3.空间数据质量控制

数据质量控制是个复杂的过程，要控制数据质量应从数据质量产生和扩散的所有过程和环节入手，分别用一定的方法减少误差。空间数据质量控制常见的方法有：

3.1传统的手工方法

质量控制的人工方法主要是将数字化数据与数据源进行比较，图形部分的检查包括目视方法、绘制到透明图上与原图叠加比较，属性部分的检查采用与原属性逐个对比或其他比较方法。

3.2元数据方法

数据集的元数据中包含了大量的有关数据质量的信息，通过它可以检查数据质量，同时元数据也记录了数据处理过程中质量的变化，通过跟踪元数据可以了解数据质量的状况和变化。

3.3地理相关法

用空间数据的地理特征要素自身的相关性来分析数据的质量。如从地表自然特征的空间分布着手分析，山区河流应位于微地形的最低点，因此，叠加河流和等高线两层数据时，如河流的位置不在等高线的外凸连线上，则说明两层数据中必有一层数据有质量问题，如不能确定哪层数据有问题时，可以通过将它们分别与其它质量可靠的数据层叠加来进一步分析。因此，可以建立一个有关地理特征要素相关关系的知识库，以备各空间数据层之间地理特征要素的相关分析之用。

如何提升数据仓库的数据质量

随着国内电信市场竞争的日趋激烈，各大电信运营商纷纷建立了各自的数据仓库或经营分析系统，这些系统功能强大，让用户眼前一亮，但是随之而来的问题就是，系统提供的这些数据准确吗？这种怀疑并非没有道理，很多时候，数据仓库生成的数据和已有生产系统进行数据核对时存在一定的差距，有些指标甚至相差甚远，用户对数据仓库的数据可用性心存疑虑，数据质量的问题困扰着数据仓库的进一步应用和发展。数据质量不高，有人简单地以为数据是错误的，数据不可用。其实数据质量问题比较复杂，不能用简单的对错来区分。下面是数据质量问题所表现出来的几种典型情况： 1. 数据不完整。这种情况比较多，例如记录的缺失、字段信息的缺失、记录不完整等。最明显的例子就是用户入网登记的证件号码没有输入到系统。

2. 数据不一致。这种情况主要指由于系统之间或者功能模块之间记录不一致、编码不一致、引用不一致等。例如在97系统、计费系统、网管系统中由于业务受理处理流程不规范，或者系统之间同步时间不一致导致了不同系统中用户记录数不一致。 3.数据有错误。这种情况主要是指数据中存在各种不合法的情况，例如数据类型错误、数据范围越界、数据违反业务规则等。除了第三种情况是明显的数据错误之外，其他两种都不能简单地认为是错误，这两种情况在数据仓库建设中是比较普遍遇到的，关键是对数据质量的状况有深入的认识，在应用上加以注意。下面从数据仓库的各个主要关键点来剖析数据质量产生的原因。数据源不可否认，数据质量问题有些是从生产系统带入到数据仓库的。

在生产系统长期运作的过程中，很可能会引入一些噪音数据，直到有一天被数据仓库采集，并且被加工使用得出意外的结果之后，才发现有这个问题存在，这种情况在生产系统中并不少见。 ETL 在ETL过程中，有相当多的地方可能会产生数据质量问题： ● 数据抽取：从源系统中抽取数据，一般要编制数据抽取代码或者借助一些工具配置进行数据抽取，在这个过程，可能会出现编码错误或者工具配置不当，导致原始数据正确而抽取出来的数据不正确。 ● 数据转换：数据抽取完成之后，如果数据形式不一样还需要做形式的一致化处理，一致化处理如果不当就会引入数据质量问题。 ● 数据加载：数据转换完成之后要进行数据加载，在系统运作时可能会出现重复加载或者加载失败的情况，会导致数据量异常。

数据应用在数据经过ETL之后，进入系统的应该是规范化的数据，用户一般是通过应用界面来访问数据，如果应用访问逻辑有误，输出的结果也会有问题，最常见的就是多表连接时，关联条件不正确，导致结果也不对。在了解了数据质量的分类情况和可能产生数据质量问题的各个关键点和原因后，下一步是针对不同情况采取不同的措施，从而提升数据质量。在决定提升数据质量之前，首先要明确两个原则： ● 数据质量的提高和投入的成本是相关的。数据质量越高，所投入的人力物力成本就越高，因此数据质量提升工作应该量力而行。 ● 数据质量的高低和应用的需是相关的。不是所有应用所需要的数据质量要都一样，有些应用仅仅用于分析趋势的，要可以不那么严格，但是对于严格统计意义上的信息，要就比较高。

数据仓库中数据质量提升不仅仅是数据仓库本身的事情，还涉及到各个源系统本身的数据质量改进，需要从源头上杜绝一些问题数据，同时还涉及到数据仓库应用的数据质量改进。下面从产生数据质量的各个环节，考虑数据质量改善方法。 1. 数据源● 规范生产系统中的数据录入。对于新录入到系统中的数据需要严格审查，从源头上保障数据质量。 ● 清理历史数据：对于历史数据需要定期进行清理，对于缺失遗漏数据进行补充，对于错误数据进行改正，对于冗余数据予以清除，从而提高历史数据的准确性。 2. ETL● 数据抽取程序严格审核。抽取的结果要和源系统的数据定期核对，数据抽取逻辑和限制条件要注明。 ● 及时监控源系统的变更。一旦源系统发生变化，提供告警机制，对数据抽取代码和配置信息进行及时更新，以保障后续工作正常进行。

● 建立故障检测机制。由于故障发生是不可避免的，因此需要建立一套故障检测机制，定期对系统进行扫描，以及时发现故障的发生，进而主动采取控制措施，保证系统ETL的正常运行。 ● 建立数据审核机制。在经过ETL处理之后，需要建立一个可追溯的控制点，这样可以层层对数据进行审核。 3. 数据应用 ● 数据应用程序严格审核。不同应用进行交叉核对，检查数据结果是否正常。 ● 应用结果核对。把应用输出的结果和同类系统提供的报表数据进行核对，检查差异率。总体而言，数据质量管理是一个复杂艰苦的工作，需要持续不断地进行，才能有效地改善数据质量。只有有效的数据管理才能保证高质量的数据，高质量的数据才能支撑强大的数据仓库应用，才能保证更多的应用成果。