Chapter 2 Data Collection

本篇是第二章，內容是資料收集。

1.資料來源

做科學研究離不開資料，而資料的來源有哪些呢？
這裡比較簡單地將資料來源分為兩類：直接（一手）資料和間接（二手）資料。
直接資料的資料獲取來源包括：觀測、調查、實驗。
間接資料的資料獲取來源包括：出版物、網際網路等。
接下來分別談談這幾個來源。
觀測——自然科學裡有觀測，如氣象氣候、植物生長期等，社會科學同樣有觀測，譬如像街區人的觀測等。觀測的資料可以說是純粹第一手資料，在研究中是很寶貴的資料，但是很容易受到觀測記錄員主觀因素的影響。
調查——自然科學裡的調查（室外樣品採集，環境狀況調查）一般是跟室內實驗相結合，而社會科學的調查會更豐富，如典型的問卷調查、訪談、座談會等。
實驗——實驗是自然科學的核心，這裡就不詳述了（比如：土壤理化性質分析、植物生態生理特性分析）。不過近年來隨著學科交叉增多，社會科學也開始更多地引入實驗的方法（以筆者另一門公選課《初級社會網路》為例，耶魯大學的社會心理學家米爾格蘭姆(Stanley Milgram)就設計了一個連鎖信件實驗，這就是著名的六度分割理論的由來）。
當然除了以上三種，我認為在現在的大資料時代，還存在一些新的直接資料來源。

• 物聯網（Interest of Thing,IOT),以各類感測器（RFID、紅外感應系統、GPS、通量塔等）為代表，代表資料就是如今火熱的大資料——如RFID記錄資料、浮動車與計程車GPS軌跡資料、通量塔測量的NEE等。
• 遙感（Remote Sensing，RS），某種程度上，遙感也是靠感測器接收資料，但是它與物聯網還是有所差別，故單列出來。作為地學和生態學背景（尤其是GIS和RS相關方向的）的學生，對遙感會非常熟悉。遙感的特徵就是，可以大範圍快速獲取地表資訊資料（譬如地形、地表溫度、氣溶膠、albedo等，當然這些都需要進行反演等）。

總的來說，觀測在自然科學和社會科學中都有滲透較多，但是觀測往往受到記錄人員主觀因素影響導致誤差。而且觀測的資料結構一般來說呈現非結構化的特徵。調查在社會科學中有較多應用，自然科學中較少，而實驗則是在自然科學中應用廣泛，社會科學則應用較少。這兩類的實質是類似的，需要提前設計好調查的大綱或者實驗方案，然後按照設計好的大綱和方案進行調查和實驗。也因此這兩類資料結構化特徵比較明顯。
所謂的間接資料就是指已經經過他人整理的相關資料。這邊列出來的主要包括：
出版物：統計年鑑、書籍、論文等。統計年鑑是大部分社會科學相關研究的重要資料來源，這邊就不詳述了。書籍對於很多如社會研究的文字分析是重要的資料來源。論文作為資料，是近年來興起的文獻計量學的典型資料。此外對Meta分析，論文裡的資料則是重要來源。
網際網路：百度指數、阿里指數、大眾點評等資料。
網際網路資料可以利用網路爬蟲獲取。
總的來說，間接資料易於獲取，作用廣泛，但使用的時候需要控制資料質量以及引用。

2.調查設計

這邊主要介紹的是資料的調查方式、調查方案的結構和設計以及調查問卷設計。
（1）資料的調查方式
資料的調查方式一般而言是遵循統計學規律的（我們稱之為統計調查方式），這裡列舉了我國統計調查的常用方式：普查（人口普查、農業普查、甚至到最近剛剛釋出成果的全國第一次地理國情普查）、抽樣調查（概率抽樣、非概率抽樣，具體後面第三章會詳述）、統計報表（統計公報）。
而除了以上之外，當我們需要自己收集直接資料的時候又可以分為以下幾種：
詢問調查類：

• 訪問調查
• 郵寄調查
• 電話調查
• 電腦輔助
• 座談會
• 個別深訪

觀察實驗

• 觀察
• 實驗

（2）調查方案的結構和設計
如何做調查？是很多人在科學研究中的第一道難關。這裡給出一個關於做調查的普遍步驟流程圖：

那麼調查方案又是什麼呢？我認為調查方案就是調查的策劃書。明確你調查的一些目的、物件、專案以及調查方法等。一般結構如下：

• 調查目的
• 調查物件調查單位
• 調查專案
• 其他

（3）調查問卷設計
最後這部分是談談調查問卷設計的一些內容（包括筆者自己的一些經驗）。
問卷結構

• 開頭部分（問候語、填寫說明、問卷編號 ）
• 甄別部分
• 主體部分
• 背景部分

其他部分就不詳述了，甄別部分一般是針對過濾的問題，就是不符合條件的即可跳過部分調查題目。接下來主要針對主體部分簡單介紹。
主體部分其實就是問卷主要調查的部分。一般來說要注意一下幾點。

• 提問內容儘可能簡短
• 用詞準確通俗（可按6W原則推敲：Who,Where,When,Why,What,How）
• 一項提問只包括一項內容
• 避免誘導性提問、否定形式提問、敏感性問題

而問題則又可以分為兩大類：開放性問題（自由回答型）和封閉性問題（選擇回答型）。
封閉性問題包括了二項選擇、多項選擇（單項、多項、限制選擇）、順序選擇法、評定尺度法、雙向列聯表法。

• 開放性問題——一般就是可以隨便答，這類資料一般是問卷者的主觀感受，不會受客觀影響。但是最大的問題在於資料收集呈現非結構化特徵，多以文字形式存在。研究時必須通過重編碼、文字分析等方法。
• 封閉性問題——相當於是選擇題或者填空題。二項選擇就是，只有兩個選項（A或B）；多項選擇則是有多個選項，可以選至少一個（一個為單項、一個以上且不限制選擇的數量為多項、一個以上且限制選擇的數量為限制）；順序選擇法，就是給出多個選項，讓你按照自己的認識對選項進行排序；評定尺度法，給出多個選項且是有等級劃分的（如很差，差，一般，好，很好）進行選擇；雙向列聯表法，將兩類不同問題綜合到一起，用表格形式，橫向為一類問題，縱向為一類問題。

從筆者的經驗來說，在設定問卷的時候，必須要先從自己想研究的問題出發，思索如何用資料分析證明自己的結論，然後大致思索需要用來分析的統計方法與統計指標，然後對應選擇問題的形式，因為不同的問題形式對應的資料結構大不相同，而且統計方法也不盡相同。
最後的最後安利大家一個軟體：Survey123 for ArcGIS
這是由esri北京研發中心開發的一款外業資料收集軟體——獲得“問卷好幫手”稱號的application。

主要包括了桌面端Survey123 connect和移動端Survey123 app兩大軟體。可以簡便地建立問卷、分享問卷、蒐集資料、分析資料，同時採集時受訪者的GPS位置也將被記錄。具體教程參照如下網址。

3.資料質量

採集資料的時候必須考慮的就是資料的質量，即降低採集資料時產生誤差。
科學研究中的資料誤差無可避免，而誤差的來源主要包括：抽樣誤差、非抽樣誤差。
抽樣誤差，在抽樣方式確定時就無法避免，具體的方法可能還是統計學萬能解藥———增加樣本量。
非抽樣誤差則包括瞭如下的內容：

• 抽樣框誤差
• 回答誤差
• 無回答誤差
• 調查員誤差

抽樣框誤差——其實就是抽取的樣本無法代表總體；回答誤差和無回答誤差都是由於受訪者導致的錯誤，而調查員誤差則無須再介紹，即採集者自身的誤差。
那麼控制誤差的方法無非就在於樣本大小以及合適的資料框（針對非抽樣誤差和抽樣框誤差），靠重訪來進行修正（回答誤差和無回答誤差），調查員誤差則需要對調查員進行培訓。
當然這裡還得普及一個概念，在統計學裡面，precision（精度）和accuracy（準確性）是不相同的。中文裡面往往因為兩個單詞都翻譯成精度，事實上這兩個詞指的是不一樣的內容。二者的區別可以看下面的圖。

這裡做個簡單的解釋，事實上就是我們研究事物是個無法窮盡的總體，因此我們只能進行抽樣調查，那麼多次抽樣調查研究之後，我們可以得到每次抽樣調查的均值（也可以是其他統計量），在圖中就是藍色的點，那麼在靶中心的綠色部分，可以認為是總體的真正均值。那麼也就是說高精度一般指的是，我們的樣本資料自身的變異性很小，也就是說，我們做了N次抽樣調查，而每次抽樣調查的樣本均值基本是穩定的。我們抽的N次都是相近的資料，也就是說我們的抽樣誤差儘可能小了（因為抽了N次資料變化不會太大）。而高準確性一般指的是，我們N次抽樣的樣本資料的平均值與總體資料差異很小。也就是說我們的N次樣本的均值與總體均值很接近，也就是說我們的非抽樣誤差儘可能小了（因為N次資料平均值與總體均值差異較小，說明我們抽的樣本能夠反映總體均值的特徵）。
最後，總結下資料質量的控制要求：

• 精度(precision)： 最低的抽樣誤差或隨機誤差
• 準確性(accuracy)： 最小的非抽樣誤差或偏差
• 關聯性： 滿足使用者決策、 管理和研究的需要
• 及時性： 在最短的時間裡取得並公佈資料
• 一致性： 保持時間序列的可比性
• 最低成本： 以最經濟的方式取得資料