大数据和互联网技术的发展，为统计学的变革和创新提供了新的技术支持和发展环境，探索统计科学也变得十分关键。大数据依托于数据主体，而统计是一种数据科学，这就说明大数据在统计学发展中占有主导地位，但如今很多人还没有意识到大数据在统计调查中的重要性。对此，在大数据环境下，统计学从业人员要转变思维，正确意识到大数据和统计调查之间的关系，学会利用大数据来开展统计调查工作，提高统计调查的科学性，将大数据和数学统计有效融合，进而促进统计学的可持续健康发展。在这样的环境背景下，探究大数据环境下的统计调查研究具有非常重要的现实意义。
1 大数据统计目的
从狭义角度上看，大数据属于大样本与高维变量的数据集合体，在样本大问题上，统计学主要选择抽样调查的方式降低样本数量，以达到所需精度；而在维数高问题上，则必须对变量进行选择、压缩、分解等方式，以达到统计要求，但却存在认知维度小样本的问题。从广义上看，大数据横跨多个学科领域，属于多源混合型数据，将自然科学、人文社会、通信网络以及商业娱乐等领域数据集合在一起，形成一片数据海洋，使得各个学科数据可以融合在仪器，模糊各个学科的边界。同时，大数据囊括多种数据类型，主要涉及文本语言、网络图形、录像图像等类型，大数据统计具备数据量大、类型多、覆盖范围广的特点。
一般而言，传统统计方式适用性不足，只能应用在单个计算机储存数据分析研究中，而大数据环境下的统计方式包含以下内容：（1）数据流环境，数据流通速度较快，流通量也很大，现有储存设备与计算能力无法应对这一巨大的数据流；（2）磁盘储存环境，大量数据不满足内存，而要求硬盘储存；（3）分布储存环境，将数据流分布到多个计算储存中，消化大量数据；（4）多线条环境，大量数据不满足单一计算机，需要多个处理器共同工作，共享内存。从这一层面上看，大数据统计的目标是将数据知识化，明确数据形成规律，并对其形成进行预测，制定相关政策，将信息转化为价值知识，这也是一个长期的过程。总之，在大数据环境下，人们可以借助数据观察来分析自然现象、经济现象以及社会现象，掌握疫病疫情、社会动态以及科学动态，为统计学的发展提供新的方向和途径。
2 数据和统计学的异同点
2.1 大数据和统计学的区别
从形象上看，大数据和统计学的区别类似于一部电影和一幅画，主要体现在以下几方面：
（1）信息规模。大数据以分析事物相关联数据为主，不依靠少量数据样本；而统计学是利用少量数据证明重大发现。在统计调查工作中，受工作习惯的影响，统计调查相关制度与激励机制过多倾向于少量数据的使用，但在如今信息时代中，大规模数据的分析和小规模数据分析最终结果的差异性较大，在一些方面，小规模数据无法比拟，这也造成了传统统计方式的局限性。
（2）动静标准。在大数据环境下，数据不再是静止状态，人们接受和认定数据的变化和复杂，也不苛求数据精确性；而减少错误是统计的基本要求，统计数据必须精准而方向单一，数据完成分析目标后，价值不复存在。类似于飞机降落后，票价数据失去价值一样，大数据环境下，这类数据依然有价值，可以通过数以万计或是几十万的票价信息，推断当时票价的合理性。
（3）数据收集形式。统计数据分析以随机采样为核心，范围局限性大，没有表示出准确细节信息，但在大数据时代下，通过海量数据的收集，不存在事前预设数据，将不精确发挥极致，这种数据混乱已然成为一种标准的途径，而不是极力避免。
（4）哲学关系。在大数据环境下，统计人员的思想得到新的开发和转变，不再苛求因果关系的研究，而是将目光转为事物相关关系上。
2.2 大数据和统计学的关联性
大数据和统计学属于直系血亲关系，统计学的基础成就了大数据的存在，二者有很大的关联性。
2.2.1 社会+数据
在大数据环境下，可以利用数据分析实现知识获取、商业机会以及社会服务等方面的能力，打破传统学术精英圈子局限，并将其蔓延至普通机构、政府部门或者是企业单位，由大数据和大社会组建为如今的大数据时代。而统计学主要是为了辅助政治工作进行数据收集，在系列研究分析后，达到预设目标的科学手段。获得数据分析结果，可以直接反映出客观事实，并分析内在联系，验证假设愿和事物客观本质的关联，借助现实统计实现人们主观目的，不断完善主观愿望和事物客观本质的衔接性，进而达到统计目标。
2.2.2 哲学+数学
从本质上看，统计学是哲学思想和数学思想融合后的结果，验证了定性方法和定量方法的融合，作为一种量化而表现不确定性现象的科学，统计学内包含着大量的哲学思想，并为为统计学提供定性思维研究理论，追寻事物本质，通过哲学思想开展研究的定量思维。在这一环境下，大数据的出现，利用数学基础与哲学研究等方式融入到实际应用中。
2.2.3 数据+方法
统计学以定量方法为主，无法单独存在，必将以定性方法为基础使用定量方法，实现统计数据和统计方法的相互促进和融合；而大数据包容了数据不精确，并以全数据模式为主，提高海量数据的利用价值，不仅可以发现信息，还可以揭露出数据信息内容间的关系。
3 大数据环境下的统计调查途径
3.1 做好数据预处理
在大数据环境下，统计调查工作要做好数据预处理工作，主要涉及到数据清理、数据填补以及数据纠正，通过随机抽样数据进行非标准数据源的纠正，统计机构数据都是在严格抽样设计程序下形成的，具备代表性强、误差小的特点，但数据获取时间长，调查项目均采取代表性数据，包含数据类别和覆盖范围小。互联网数据收集时间短、数量大、类别多，但无法避免数据偏倚性。对此，在进行统计调查中，要将大数据和数学统计有效结合在一起，相辅相成，取长补短，以统计机构数据为标准框架进行互联网数据的纠正，而将互联网数据当成统计机构数据的补充资源，实现统计机构数据的实时更新，实现大数据和数字统计的融合，提高统计调查的综合质量水平。除此之外，借助多源数据重叠关系，构建多源数据库，打破传统单一数据的局限性，实现统计调查工作的最终目标。
3.2 完善统计抽样调查
在大数据环境下，抽样方法要进行创新和变革，样本并非是全部“数据”，要适当选择，结合大数据流环境特点，探索在数据流中选择符合统计要求与高精度的样本，这就需要相关统计人员要加大研究力度，根据大数据环境的契机，探索出适应性和连贯性强的抽样方法，形成动态化抽样体系。在实际抽样调查中，根据现有样本调整调查项目与抽样对象，将频繁出现的数据或是感兴趣的数据纳入到样本数据库中，并根据统计调查需要，构建数据流缓冲区，对数据频数和变动进行记录，动态化调整已经备选入库的样本，进而提高样本的代表性和精确性，实现统计抽样调查的最终目标。针对一些罕见案例，若单纯应用随机抽样方式，会选到极少案例或是非案例性数据，这就需要统计人员应用大数据案例抽样法，通过事件本身进行抽样调查，设计信号强度限值，抽样数据要高于限值范围，再利用其他抽样技术进行辅助调查，进而提高抽样调查的准确性，实现调查目标。
3.3 数据分析与整合
针对当前数据高维问题，在大数据环境下，统计人员要以降维、分解为主要方式，探索大数据压缩方式，对压缩数据进行传输、运算、操作，统计人员可以将常规统计方法和大数据分析方法相融合，根据统计需求进行高维矩阵、变量选择、数据流算法等方式的应用，不需要保存数据，只需进行数据扫描，通过计算机内存与外存，解决传统数据传送问题，实现数据分布和计算。特别是在无统计信息损失的要求下，要逐一分解大数据集，在计算机环境中保证被分解数据的独立并行和分布推断，各个计算机的数据计算结果为交互性，最终汇总，形成全局统计结果。在当前大数据环境下，统计调查中的数据集并不是标识个体关键词，使得传统关系数据库关联方式无法使用在统计中，必须通过各个数据库的重叠项目进行整合，以变量间条件进行不同变量集合数据的整合 ，形成一个完整而统一的大数据库，利用局部数据推断统计调查结果，进而达到统计调查的最终目标。例如，在分布式分析模型中，收集用户特定指标下的频次和总额，归类汇总，突出单个用户对产品依赖程度，并分析用户在各个区域内不同时段下所购买的不同产品数量与频次，使得运营人员可以掌握客户状态与运转情况，并对用户划分订单金额1000元以下、1000～2000元、2000元以上等区间，购买次数划分5次以下、5～10次、10次以上等，掌握用户分布情况。
3.4 构建网络图模型
在进行统计调查中，构建网络图模型主要以图结构进行高维变量间关系的描述，其中主要涉及到无向图概率模型、贝叶斯网络、因果网络等，这是高维数据、多源数据的有效分析处理工具，当前市面上有MSBN、BN Toolbox、CoCo、Tetrad等网络图模型软件，丰富了统计调查方法体系。在实际工作中，统计人员可以将网络图模型应用在大数据集分解中，对多源数据库进行实时分析和处理，通过局部数据进行数学计算，引入隐性变量关联性，通过关联网络图，实现对数据关联关系的有效分析和预测。首先，统计人员要通过各个数据库进行局部网络结构的学习和研究，以局部结构开展相互交流与配合，最终形成全局化网络结构。但是一旦因果关系无法结合数据分析结果而确定时，统计人员所提出的主动学习方式要进行转型，以主要变量为重点开展干预试验，明确全局化网络结构中的因果关系，有利于后续统计工作的顺利开展。对此，针对数据关联的因果关系，要制定干预政策，以“寻根问题+顺藤摸瓜”的方式进行分析和研究。在这种方式应用中，统计人员不需要构建基于高维变量的因果网络，而是以目标结点为出发点，由局部变量进行选择，达到局部网络结构学习、确定区分目标结点的最终结果，进而提高统计调查的综合质量水平。
4 结语
综上所述，在大数据环境下，统计调查工作要做出创新和改变，以适应当前时代环境对统计调查工作的要求。统计人员要正确认识大数据和统计学的异同点，做好数据预处理，完善统计抽样调查，数据分析与整合，构建网络图模型，在大数据的支持下，形成完善的统计调查体系，提高统计调查工作的综合质量水平。
参考文献
[1]孟芷汀．大数据时代下的统计学[N]．科学导报，2015-06-19（B02）.
[2]大数据时代统计学的重构与创新——首届“大数据与应用统计国际会议”述评[J]．统计研究，2015，32（2）.
[3]崔路云．基于大数据时代背景对统计学教育的几点思考[D]．北京：首都经济贸易大学，2014.
[4]黄秋婷．基于统计学的个性化推荐算法探究[D]．厦门：厦门大学，2014.
[5]耿直．大数据时代统计学面临的机遇与挑战[J]．统计研究，2014，31（1）.
[6]邱东．大数据时代对统计学的挑战[J]．统计研究，2014，31（1）.
[7]薛红文．大数据与统计学[N]．现代物流报，2016-09-16（014）.
（作者系山东大学（威海）数学与统计学院学生）
