哪些问题在数据的统计下暴露

⑴ 如何从网站数据统计中发现网站存在的问题

做网站优化已经一年有余，在这一年多的时间里接手过很多网站，也学到了不少东西，对于那些基础知识而言，最重要的还是要去实践，去尝试，这样才能够学到更多的东西，不断提高自己，在优化初期，我们是会犯不少错误的，有效的分析然后去发现这些错误，然后寻找解决方案，那么对于优化中的错误我们应该从哪些地方去发现呢!通常我的做法就是去看网站的数据统计。 首先、看网站的新老用户比列 如果说我们的网站新老用户比例较高，那么就说明网站一般都是一些新用户在访问，网站回头率低，和少有人刻意的去记住网址或者加入收藏，以便下次访问，这就说明了网站对用户的吸引力不够强，用户体验做的不好，此时我们就要看看网站内容是否符合用户的口味、网站设计是否美观、网站服务器是否稳定等等，通常我遇到这种情况的时候，就是紧抓网站内容质量建设，用内容来吸引用户。 其次、看用户在页面上的停留时间 一般情况下，通过流量统计后台都是可以看到网站页面被用户浏览的时间长短，时间越长说明用户越喜欢这个页面，说明这篇文章写得好，用户喜欢看，然后具体针对这些文章来作分析，看看这些文章的主题内容，看看究竟是哪里在吸引用户，再与其他的页面对比一下，看看两者之间的区别，找到原因之后，制定相对应的方案来解决这些问题。 最后、网站流量来路 网站流量来源莫过于两个方面，那就是关键词和直接输入网址的流量，也就是通过关键词排名和推广的流量，有效的比较这两方面的数据，看看网站流量从哪个平台来的比较多，则说明在这个方面做得相对较好，比如说网站通过关键词搜索来的流量有80%，那么就可以说明你的网站的重点是做关键词排名来引流，而不是很重视推广，这样我们就应该在推广上多下些工夫，反之亦然。

⑵ 如何看待中小企业经营困难与统计数据之间的反差

1、中小企业的经营风险没能在官方统计数据中得以充分暴露，使经济管理部门无法及时做出应对
从今年起，纳入统计局规模以上工业统计的企业起点标准已由以往的主营业务收入达到500万元提升到2000万元。这意味着工业统计调查更多是向以国有企业为代表的大型企业倾斜，有可能导致中小企业所面临的现实经营困境，无法在统计中得到充分体现，甚至有被人为忽视的风险，大部分为民营企业的中小企业虽不能在工业产值和经营利润等指标上与大型企业相比拟，但作为吸纳就业的支柱，其所创造的社会效益不仅不应在工业统计调查中被忽略和抹杀，反而应该给予更多的重视。
2、银行对中小企业贷款极其“吝啬”
央行货币政策在有效抑制流动性过剩的同时，也加大了企业资金压力，小企业获取银行贷款难度加大。通过调查研究发现，中小企业获取银行贷款的综合成本上升幅度至少在13%以上，远远高于一年期贷款基准利率。资源环境约束强化，要素保障压力加大也是困难之一。电力供应“淡季不淡”，电力供应紧张趋势较上年往往提前出现，面对经营压力，小企业积极寻求出路，但融资难却是拦路虎。调研发现，部分小企业拟通过产业升级提高经济效益，应对成本压力。如购置新的机器设备或提高生产自动化来降低人力的支出等。但进行这种产业升级需要大量的资金支持，小企业自有资金不足以满足这样的支出和扩张。而银行对小企业贷款的坏账容忍度极其有限，使小企业资金时时处于紧绷状态，造成经营困难。
3、统计报表未能反映原材料库存周期等重要指标
原材料的库存大小、库存周期、季节性原材料物品、原材料的运输距离这些情况没有在统计数据上进行体现，而他们又是直接关系企业生存命脉的重要指标。经过调研，比如我县的牛寨乡黄瓜罐头厂等企业，原材料属于季节性物品，库存较大，导致资金链紧张，企业经营困难。在中小企业贷款难、资金相对紧张的情况下，降低存货成本逐渐成为企业的“第三利润源泉”，对中小企业而言，显得尤为重要。中小企业只有找出适合自己的库存管理策略，才能在市场上求生存、谋发展。所以中小企业管理部门要深入贯彻落实科学发展观，切实履行职责，进一步强化服务意识，主动上门，深入困难企业了解情况，及时发现解决倾向性、苗头性问题，高度重视企业稳定工作。要主动与相关部门沟通，加强协调配合，及时解决企业实际问题。要急事急办，特事特办，提高效率。要积极发挥行业协会等社会中介组织的作用，促进中小企业稳定健康发展。要加强对中小企业运行监测预警分析，适时发布产品供应、生产能力、在建规模、发展趋势、价格变化等信息，为中小企业做好信息服务，引导社会投资，采取各种有效措施缓解中小企业经营困难与统计数据之间的反差。

⑶ 统计数据库中存在何种特殊的安全性问题

统计数据库中存在何种特殊的安全性问题？ 答：统计数据库允许用户查询聚集类型的信息，如合计、平 答：统计数据库允许用户查询聚集类型的信息，如合计、 均值、最大值、最小值等，不允许查询单个记录信息。但是， 均值、最大值、最小值等，不允许查询单个记录信息。但是， 人们可以从合法的查询中推导出不合法的信息，即可能存在 人们可以从合法的查询中推导出不合法的信息， 隐蔽的信息通道，这是统计数据库要研究和解决的特殊的安 隐蔽的信息通道， 全性问题。

⑷ 八省联考，分数段数据统计，反映出了哪些问题

高考生在这段时间的学习压力是非常紧张的，因为眼看着已经3月了，即将到来的6月还会远吗？因此对于这些高中生来说，在这个期间也是冲刺的阶段，不仅要在各个学科都能够取到一个比较稳定的成绩，而且也会对于自己的一些薄弱科目进行相应的一个提高升级。才能够让自己在高考的时候能够取得一个比较满意的成绩，所以在不到100天的时间里，很多网友们也比较担心这些孩子们他们的学习压力是否太大，或者是他们能否在这个高考中去取得一个自己比较满意的成绩。

所以在网络的推动下，很多家长和一些老师也会对于这个分数段感觉到特别的上心。从这次考试来看根据这些分数段的统计也能够感受到各个地区的学习情况，或者是学生的水平也是不一样的。但是从某些方面来看的话，他们的阅卷尺度也是不一样的，毕竟不是在同一个地区进行阅卷，老师们的改卷的尺度可能也会有一些偏差。因此孩子们的成绩在最后的统计下也会有一些不一样的情况，从这个数据来看的话，江苏省的成绩也要领先。所以也让很多江苏的学子们感觉到非常的有信心，但是对比于其他的几个城市，也会感觉到有一些紧张。但是现在乾坤未定，大家只要在这段时间好好的努力，相信在高考的时候一定会取得一个非常满意的成绩。

⑸ 在2021年，离婚登记人数大降43%，数据暴露出了哪些问题

离婚数据大降百分之四十三暴露了人们不敢离婚的心态，随着社会经济发展，离婚的成本也不再像上个世纪一样，目前离婚的成本要远远比结婚的成本高出很多。离婚不仅会增加双方之间的生活成本，并且还会带来诸多麻烦。其中最主要的原因便是子女，子女总是父母放不下的心头肉，离婚之后对子女的伤害是最大的。

一、离婚成本增加。

有关部门统计的数据，在我看来是是非常准确的。由于疫情的原因很多夫妻根本找不到适合的工作，若是这时候离婚，那么便会增加离婚的成本，加重每一个人的负担，所以为了能够将就很多夫妻，即便感情不和睦也会选择将就。此外除了疫情的原因便是房价以及物价的飞涨，夫妻之间一旦离婚，那么不仅仅要支付生活成本以外，对子女的抚养金也是一笔重担。

⑹ 数据分析中常犯的统计学错误有哪些

1. 变量之间关系可以分为两类

函数关系：反映了事物之间某种确定性关系。

相关关系：两个变量之间存在某种依存关系，但二者并不是一一对应的;反映了事务间不完全确定关系;

2. 为什么要对相关系数进行显著性检验?

实际上完全没有关系的变量，在利用样本数据进行计算时也可能得到一个较大的相关系数值(尤其是时间序列数值)。当样本数较少，相关系数就很大。当样本量从100减少到40后，相关系数大概率会上升，但上升到多少，这个就不能保证了;取决于你的剔除数据原则，还有这组数据真的可能不存在相关性;改变两列数据的顺序，不会对相关系数，和散点图(拟合的函数曲线)造成影响;对两列数据进行归一化处理，标准化处理，不会影响相关系数;我们计算的相关系数是线性相关系数，只能反映两者是否具备线性关系。相关系数高是线性模型拟合程度高的前提;此外相关系数反映两个变量之间的相关性，多个变量之间的相关性可以通过复相关系数来衡量。

3. 增加变量个数，R2会增大;P值，F值只要满足条件即可，不必追求其值过小。

4. 多重共线性与统计假设检验傻傻分不清?

多重共线性与统计假设没有直接关联，但是对于解释多元回归的结果非常重要。相关系数反应两个变量之间的相关性;回归系数是假设其他变量不变，自变量变化一个单位，对因变量的影响，而存在多重共线性(变量之间相关系数很大)，就会导致解释困难;比如y~x1+x2;x·1与x2存在多重共线性，当x1变化一个单位，x2不变，对y的影响;而x1与x2高度相关，就会解释没有意义。

一元回归不存在多重共线性的问题;而多元线性回归要摒弃多重共线性的影响;所以要先对所有的变量进行相关系数分析，初步判定是否满足前提---多重共线性。

关于数据分析中常犯的统计学错误有哪些，青藤小编就和您分享到这里了。如果你对大数据工程有浓厚的兴趣，希望这篇文章能够对你有所帮助。如果您还想了解更多数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。

⑺ 数据分析中要注意的统计学问题

一、均值的计算

在处理数据时，经常会遇到对相同采样或相同实验条件下同一随机变量的多个不同取值进行统计处理的问题。此时，往往我们会不假思索地直接给出算术平均值和标准差。显然，这种做法是不严谨的。

这是因为作为描述随机变量总体大小特征的统计量有算术平均值、几何平均值和中位数等多个。至于该采用哪种均值，不能根据主观意愿随意确定，而要根据随机变量的分布特征确定。

反映随机变量总体大小特征的统计量是数学期望，而在随机变量的分布服从正态分布时，其数学期望就是其算术平均值。此时，可用算术平均值描述随机变量的大小特征;如果所研究的随机变量不服从正态分布，则算术平均值不能准确反映该变量的大小特征。在这种情况下，可通过假设检验来判断随机变量是否服从对数正态分布。如果服从对数正态分布，则几何平均值就是数学期望的值。此时，就可以计算变量的几何平均值;如果随机变量既不服从正态分布也不服从对数正态分布，则按现有的数理统计学知识，尚无合适的统计量描述该变量的大小特征。此时，可用中位数来描述变量的大小特征。

因此，我们不能在处理数据的时候一律采用算术平均值，而是要视数据的分布情况而定。

二、直线相关与回归分析

这两种分析，说明的问题是不同的，既相互又联系。在做实际分析的时候，应先做变量的散点图，确认由线性趋势后再进行统计分析。一般先做相关分析，只有在相关分析有统计学意义的前提下，求回归方程才有实际意义。一般来讲，有这么两个问题值得注意：

一定要把回归和相关的概念搞清楚，要做回归分析时，不需要报告相关系数;做相关分析的时候，不需要计算回归方程。

相关分析中，只有对相关系数进行统计检验(如t检验)，P<0.05时，才能一依据r值的大小来说明两个变量的相关程度。必须注意的是，不能将相关系数的假设检验误认为是相关程度的大小。举个例子：当样本数量很小，即使r值较大(如3对数据，r=0.9)，也可能得出P>0.05这种无统计学意义的结论;而当样本量很大，如500，即使r=0.1，也会有P<0.05的结果，但这种相关却不具有实际意义。因此，要表明相关性，除了要写出r值外，还应该注明假设检验的P值。

三、相关分析和回归分析之间的区别

相关分析和回归分析是极为常用的2种数理统计方法，在环境科学及其它研究领域有着广泛的用途。然而，由于这2种数理统计方法在计算方面存在很多相似之处，因此在应用中我们很容易将二者混淆。

最常见的错误是，用回归分析的结果解释相关性问题。例如，将“回归直线(曲线)图”称为“相关性图”或“相关关系图”;将回归直线的R2(拟合度，或称“可决系数”)错误地称为“相关系数”或“相关系数的平方”;根据回归分析的结果宣称2个变量之间存在正的或负的相关关系。

相关分析与回归分析均为研究2个或多个变量间关联性的方法，但2种方法存在本质的差别。相关分析的目的在于检验两个随机变量的共变趋势(即共同变化的程度)，回归分析的目的则在于试图用自变量来预测因变量的值。

实际上在相关分析中，两个变量必须都是随机变量，如果其中的一个变量不是随机变量，就不能进行相关分析。而回归分析中，因变量肯定为随机变量，而自变量则可以是普通变量(有确定的取值)也可以是随机变量。

很显然，当自变量为普通变量的时候，这个时候你根本不可能回答相关性的问题;当两个变量均为随机变量的时候，鉴于两个随机变量客观上存在“相关性”问题，只是由于回归分析方法本身不能提供针对自变量和因变量之间相关关系的准确的检验手段，因此这又回到了问题二中所讲的，如果你要以预测为目的，就不要提相关系数;当你以探索两者的“共变趋势”为目的，就不要提回归方程。

回归分析中的R2在数学上恰好是Pearson积矩相关系数r的平方。因此我们不能错误地理解R2的含义，认为R2就是 “相关系数”或“相关系数的平方”。这是因为，对于自变量是普通变量的时候，2个变量之间的“相关性”概念根本不存在，又谈什么“相关系数”呢?

四、相关分析中的问题

相关分析中，我们很容易犯这么一个错误，那就是不考虑两个随机变量的分布，直接采用Pearson 积矩相关系数描述这2个随机变量间的相关关系(此时描述的'是线性相关关系)。

关于相关系数，除有Pearson 积矩相关系数外，还有Spearman秩相关系数和Kendall秩相关系数等。其中，Pearson积矩相关系数可用于描述2个随机变量的线性相关程度，Spearman或Kendall秩相关系数用来判断两个随机变量在二维和多维空间中是否具有某种共变趋势。

因此我们必须注意的是，Pearson 积矩相关系数的选择是由前提的，那就是2个随机变量均服从正态分布假设。如果数据不服从正态分布，则不能计算Pearson 积矩相关系数，这个时候，我们就因该选择Spearman或Kendall秩相关系数。

五、t检验

用于比较均值的t检验可以分成三类：第一类是针对单组设计定量资料的;第二类是针对配对设计定量资料的;第三类则是针对成组设计定量资料的。后两种设计类型的区别在于事先是否将两组研究对象按照某一个或几个方面的特征相似配成对子。无论哪种类型的t检验，都必须在满足特定的前提条件下应用才是合理的。

若是单组检验，必须给出一个标准值或总体均值，同时，提供一组定量的观测结果，应用t检验的前提条件就是该组资料必须服从正态分布;若是配对设计，每对数据的差值必须服从正态分布;若是成组设计，个体之间相互独立，两组资料均取自正态分布的总体，并满足方差齐性。之所以需要这些前提条件，是因为必须在这样的前提下所计算出的t统计量才服从t分布。

t检验是目前在科学研究中使用频率最高的一种假设检验方法。t检验方法简单，其结果便于解释。简单、熟悉加上外界的要求，促成了t检验的流行。但是，由于我们对该方法理解得不全面，导致在应用过程中出现不少问题，有些甚至是非常严重的错误，直接影响到结论的可靠性。

常见错误：不考虑t检验的应用前提，对两组的比较一律用t检验;将各种实验设计类型一律视为多个单因素两水平设计，多次用t检验进行均值之间的两两比较。以上两种情况，均不同程度地增加了得出错误结论的风险。而且，在实验因素的个数大于等于2时，无法研究实验因素之间的交互作用的大小。

正确做法：当两样本均值比较时，如不满足正态分布和方差齐性，应采用非参检验方法(如秩检验);两组以上的均值比较，不能采用t检验进行均值之间的两两比较。

因此我们必须注意，在使用t检验的时候，一定要注意其前提以及研究目的，否则，会得出错误的结论。

六、常用统计分析软件

国际上已开发出的专门用于统计分析的商业软件很多，比较著名有SPSS(Statistical Package for SocialSciences)、SAS(Statistical AnalysisSystem)、BMDP和STATISTICA等。其中，SPSS是专门为社会科学领域的研究者设计的(但是，此软件在自然科学领域也得到广泛应用);BMDP是专门为生物学和医学领域研究者编制的统计软件。

当然，excel也能用于统计分析。单击“工具”菜单中的“数据分析”命令可以浏览已有的分析工具。如果在“工具”菜单上没有“数据分析”命令，应在“工具”菜单上运行“加载宏”命令，在“加载宏”对话框中选择“分析工具库”。

特别推荐一款国产软件——DPS，其界面见附图。其功能较为强大，除了拥有统计分析功能，如参数分析，非参分析等以外，还专门针对一些专业编写了专业统计分析模块，随机前沿面模型、数据包络分析(DEA)、顾客满意指数模型(结构方程模型)、数学生态、生物测定、地理统计、遗传育种、生存分析、水文频率分析、量表分析、质量控制图、ROC曲线分析等内容。有些不是统计分析的功能，如模糊数学方法、灰色系统方法、各种类型的线性规划、非线性规划、层次分析法、BP神经网络、径向基函数(RBF)等，在DPS里面也可以找到。

⑻ 统计数据的误差有哪些

众所周知,统计数据的准确性是统计工作的生命,提高统计数据质量是统计工作的重中之重.然而,对如何评价统计数据质量的统计误差指标,却是统计部门和统计工作者秘而不宣或者忌讳的问题,甚至在《统计学原理》中都很少讨论,广大群众对此颇有微词,笔者认为有必要进行探讨并澄清一些事实.
一、统计误差的分类
顾名思义,误差是指一个量的观测值或计算值与其真值之差;统计误差,即反映某客观现象的一个量在测量、计算或观察过程中由于某些错误或通常由于某些不可控制的因素的影响而造成的变化偏离标准值或规定值的数量.那么统计误差有哪几种呢?
1．按产生统计误差的性质来分有：空间误差、时间误差、方法误差和人为误差四种.
空间误差是指统计调查范围所产生的误差,包括重漏统计调查单位,跨区域统计等；
时间误差是指统计调查对象因时期或时点界定不准确所产生的误差.如企业核算时间不能满足统计部门的报表制度要求而估报所产生的误差；延长或缩短时期所产生的误差；时期错位产生的误差等.
方法误差是因使用特定的统计调查方法所产生的误差.如抽样调查中的代表性误差（抽样平均误差）,它是指采用抽样调查方法中的随机样本（非全面单位）来推算总体所产生的误差的平均值,不是绝对的统计误差.对代表性误差可以根据组织方法和抽取本的容量,一般可以计算其平均误差,而且通过扩大样本量或优化调查的组织方法来缩小.又如统计部门因人力、物力和财力等资源不足,致使报送渠道不畅通,统计调查不到位,推算方法不科学、不规范所产生的误差.
人为误差是指在统计设计、调查、整理汇总和推算等过程中因人为过错产生的误差.人为误差是统计误差中产生因素最多的一类,它又分为度量性误差、知识性误差、态度性误差和干扰性误差.度量性误差是指统计指标因计量或者从生产量到价值量换算所产生的误差；知识性误差是指统计人员因统计知识不够,对统计指标的涵义不理解或错误理解所产生的误差；态度性误差是指统计人员因对统计工作不负责而随意填报统计数据而产生的误差,包括乱报、漏填或不按规定的计量单位填报等；干扰性误差是指统计对象或统计部门受某种利益驱动而虚报、漏报或者捏造统计数据所形成的误差.
2．统计误差按工作环节来分有：源头误差、中间环节误差和最终误差三种.源头误差是指起报单位或申报者所产生的误差；中间环节误差是指统计调查数据在逐级上报过程中所产生的误差,包括加工整理、汇总和推算等环节；最终误差是指下级各基层数据汇总数或规范的方法得到的推算数与最终使用数之间的差异值.按工作环节划分的统计误差类别是相对的,中间环节误差在不同的场合有可能是源头误差,也可能是最终误差.源头误差在有些场合也叫调查误差,或叫登记误差.
二、对统计误差的几点认识
1．宏观统计的误差是客观存在的,不以人们意志为转移的,统计部门的任务就是尽可能缩小统计误差.如计量误差,比方人的高度都有早晚不一致的现象存在,不同调查单位因量器质量不同、标准不同也必定产生误差.再如空间性误差,在实际统计过程由于社会经济现象的复杂性无法涵盖所有的调查单位所产生的误差.又举个最通俗的例子,菜贩买入100斤菜零售最后加总后可能是98斤,也可能不断往菜上泼水买出102斤,这就充分说明统计误差的客观存在性.
2．当前中国统计基础薄弱,统计数据质量不可高估,有些统计指标的误差还相当大.统计部门不要“黄婆买瓜,自买自夸”了,一定要有忧患意识.我记得一位香港统计专家曾指出：“中国统计好比建在沙漠的房子”,言外之意就是基础不牢.如GDP核算,全国数据与各省汇总数据有不少的差距,由地市汇总的数据与省一级的差距也很大,据说有些省差异率高达30%,如果以“各对50大板”计,其误差率也达到15%.又如1998年全国GDP的增长率为7.8%,而全国只有个别省低于7.8%,各省加权的平均增长速度近10%,全年新增GDP数值全国与各省的差异率高达25%以上.
3．计划和各类政绩考核对统计数据干扰不可低估.如果有兴趣的话,你可以统计一下各地GDP增幅比计划高或者持平的比率,可能是相当高的,这并不是说明计划部门的计划多么精确合理,而是说明统计数据确实受到干扰,当然干扰数据不一定是各级领导,而是统计部门或者方法不规范所致.再比如我市某乡镇若干年上造和下造的水稻播种面积一致,而且与考核指标有惊人的相似.又如有些乡镇不再需要村文书报数据,而是给乡镇反馈数据.
4．统计工作不是生长在“真空”中,统计数据也受到党风、社会风气、法律氛围和各种秩序的影响,因此统计部门无法完全控制统计误差.如统计源头数据或者原始凭证是财务核算或业务核算的数据,在这个环节出现误差,光靠统计部门是远远不够的.
5．统计误差与投入的人力、财力密切相关.现在上级统计部门动不动增加统计调查任务,根本不考虑基层的承受能力,导致数据质量严重下滑,统计职业道德有“沦丧”的危险,所谓“车到山前必有路”、“越难统计越好做”都说明了这些.
6．在统计工作中应有估计的合法地位.我们在推行抽样调查过程中,一般都采用点估计,实际是利用样本均值来推算,这本身就有代表性误差,应该在误差控制范围允许做适当的调整,以保证历史数据的平滑.在统计守法方面,往往政府统计部门及其统计人员可能是最大的违法者,在日常统计工作中有大量的估计成份,如基层报不齐需要估报,基层数据不符合逻辑需要调整等,这些都得不到统计法律、法规的保障,还好统计部门在守法和执法既是运动员又是裁判员.因此,统计工作中应在科学、规范的基础上允许进行必要的估计,并在《统计法》上明确给予综合统计部门这一权利.
7．统计部门要有科学的态度,不能做数字游戏,不要亵渎《统计法》赋予的“权威”.一是对每一项工作不能敷衍了事,要有求真务实的精神和精品意识,当前普查工作过多过滥的嫌疑,数据质量也不高,基层政府财政苦不堪言,而普查数据对当地经济建设或者决策的作用却不大；二是不能在人力、财力和物力不许可的情况下,不能层层布置落实新统计项目,如乡镇一级计算国内生产总值；三是要善用抽样调查,有些地方为考核乡镇政绩,每一个乡镇整群抽取10户农户登记（不超过总体1％）计算农民纯收入,显然代表性误差非常大,人为作假更为方便；四是基层政府统计部门的人员配置只能应付数据采集、处理任务,对社会经济运行的分析研究不是统计部门的优势,要扬长避短,不要顾此失彼,如果没有准确的统计数据,就不可能有高质量的统计分析,若只是数据文字化则本身就是徒劳.
8．要关注“富瞒穷虚”的统计现象.不少富裕地区没有完善全面反映社会经济的发展情况,反映总量指标时瞒的成分非常大,美言“留有余地”,而且在反映增长速度时大搞“橡皮筋”游戏,有很好的伸缩力,想缓速度少报几个单位,想加快速度多挖潜几个单位；而穷的、经济基础比较薄弱的地区,有强烈的“赶超”意识,千方百计地利用统计上的“盲点”,提高经济总量及其发展速度.如无法详尽搜集到统计资料的限额以上工业总产值、农业总产值等大做文章,来料加工产品按全值计算等.
三、统计部门在缩小统计误差中的应有作为
1．统计设计中必须对登记误差有要补救措施,建立所谓“测谎”系统.源头数据质量问题统计部门往往把责任推给受调查者,有无能为力之感.如农业普查采取逐户登记的办法进行,农户往不往不能或不敢如实申报,多数应该是少报,而我们在实际普查过程中,事后质量抽查实质是为了“测谎”,可惜很多普查机构对这一环节重视不够,面上调查完成后有大功告成的感觉,对这一阶段工作敷衍了事,不敢揭露问题,不深入开展工作,往往得到的误差几乎为零,使这一环节气扎扎实实走过场,得到结果可想而知,如农普的畜牧生产情况数据与原来的统计数据甚远,究竟哪个为准都没有说服力.在抽样调查方案设计中,也应建立“测谎”系统,否则调查误差始终是统计数据质量的“瓶颈”. “ 测谎”系统要建立必要指标体系和评价方法,要广泛使用数理统计中的假设检验方法.
2．必须有完善的指标体系及其计算方法.目前在总结国民经济核算体系中就速度问题的计算方法重视不够,五花八门,无所适从.而且到目前为止是继续采用过去一起沿用的不变价方法,还采用价格指数剔除法都不很明确,甚至专业统计和综合平衡统计计算方法截然不同,甚至省和市一级的计算方法也不同,公布的速度也不一样,造成不良的社会影响.
3．在抽样调查工作中,上下应该采取不同的样本,对总体单位较少的总体不宜采用抽样调查.上下采用同一样本最容易受到人为的干扰,特别是统计部门为了保持数据的延续性所作各种“技术性”调整.抽样调查在国家一级和省一级大面积推广积极作用不容质疑,但在地市一级、县级进行就不是“一抽就灵”, 如某县在商饮抽样调查中,抽3－5单位推算全县的饮食业零售额,其误差和人为因素就可想而知.因此,统计部门要在对总体分析的基础分析再选择调查方法.
4．在统计体制上必须进行彻底的变革.国家、省一级的正常统计任务今后应以三支调查作为其调查骨干,不应再采取逐级上报的方式.市、县及以上统计机构的统计任务以为当地党政领导决策服务为主,统计基本内容可统一,但要赋予更大的主动权.
5．加大统计执法力度,保证源头数据的准确性.基层统计部门今后应在加强统计信息工程建设的基础上从数据采集的圈圈中跳出来,重点加大统计执法检查,对弄虚作假的单位要坚决严肃查处,在立法上罚款数额应该大幅增加,以威慑统计违法者,逐步建立全社会的统计诚信体系

⑼ 统计数据库中存在何种特殊的安全性问题

统计数据库允许用户查询聚集类型的信息,如合计、平均值、最大值、最小值等, 不允许查询单个记录信息 但是,人们可以从合法的查询中推导出不合法的信息,即可能存在 。 隐蔽的信息通道,这是统计数据库要研究和解决的特殊的安全性问题。