关于软件
分析前期可以使用EXCEL进行数据清洗、数据结构调整、复杂的新变量计算(包括逻辑计算);在后期呈现美观的图表时，它的制图制表功能更是无可取代的利器;但需要说明的是，EXCEL毕竟只是办公软件，它的作用大多局限在对数据本身进行的操作，而非复杂的统计和计量分析，而且，当样本量达到“万”以上级别时，EXCEL的运行速度有时会让人抓狂。
SPSS是擅长于处理截面数据的傻瓜统计软件。首先，它是专业的统计软件，对“万”甚至“十万”样本量级别的数据集都能应付自如;其次，它是统计软件而非专业的计量软件，因此它的强项在于数据清洗、描述统计、假设检验(T、F、卡方、方差齐性、正态性、信效度等检验)、多元统计分析(因子、聚类、判别、偏相关等)和一些常用的计量分析(初、中级计量教科书里提到的计量分析基本都能实现)，对于复杂的、前沿的计量分析无能为力;第三，SPSS主要用于分析截面数据，在时序和面板数据处理方面功能了了;最后，SPSS兼容菜单化和编程化操作，是名副其实的傻瓜软件。
STATA与EVIEWS都是我偏好的计量软件。前者完全编程化操作，后者兼容菜单化和编程化操作;虽然两款软件都能做简单的描述统计，但是较之SPSS差了许多;STATA与EVIEWS都是计量软件，高级的计量分析能够在这两个软件里得到实现;STATA的扩展性较好，我们可以上网找自己需要的命令文件(.ado文件)，不断扩展其应用，但EVIEWS就只能等着软件升级了;另外，对于时序数据的处理，EVIEWS较强。
综上，各款软件有自己的强项和弱项，用什么软件取决于数据本身的属性及分析方法。EXCEL适用于处理小样本数据，SPSS、STATA、EVIEWS可以处理较大的样本;EXCEL、SPSS适合做数据清洗、新变量计算等分析前准备性工作，而STATA、EVIEWS在这方面较差;制图制表用EXCEL;对截面数据进行统计分析用SPSS，简单的计量分析SPSS、STATA、EVIEWS可以实现，高级的计量分析用STATA、EVIEWS，时序分析用EVIEWS。
关于因果性
做统计或计量，我认为最难也最头疼的就是进行因果性判断。假如你有A、B两个变量的数据，你怎么知道哪个变量是因(自变量)，哪个变量是果(因变量)?
早期，人们通过观察原因和结果之间的表面联系进行因果推论，比如恒常会合、时间顺序。但是，人们渐渐认识到多次的共同出现和共同缺失可能是因果关系，也可能是由共同的原因或其他因素造成的。从归纳法的角度来说，如果在有A的情形下出现B，没有A的情形下就没有B，那么A很可能是B的原因，但也可能是其他未能预料到的因素在起作用，所以，在进行因果判断时应对大量的事例进行比较，以便提高判断的可靠性。
有两种解决因果问题的方案：统计的解决方案和科学的解决方案。统计的解决方案主要指运用统计和计量回归的方法对微观数据进行分析，比较受干预样本与未接受干预样本在效果指标(因变量)上的差异。需要强调的是，利用截面数据进行统计分析，不论是进行均值比较、频数分析，还是方差分析、相关分析，其结果只是干预与影响效果之间因果关系成立的必要条件而非充分条件。类似的，利用截面数据进行计量回归，所能得到的最多也只是变量间的数量关系;计量模型中哪个变量为因变量哪个变量为自变量，完全出于分析者根据其他考虑进行的预设，与计量分析结果没有关系。总之，回归并不意味着因果关系的成立，因果关系的判定或推断必须依据经过实践检验的相关理论。虽然利用截面数据进行因果判断显得勉强，但如果研究者掌握了时间序列数据，因果判断仍有可为，其中最经典的方法就是进行“格兰杰因果关系检验”。但格兰杰因果关系检验的结论也只是统计意义上的因果性，而不一定是真正的因果关系，况且格兰杰因果关系检验对数据的要求较高(多期时序数据)，因此该方法对截面数据无能为力。综上所述，统计、计量分析的结果可以作为真正的因果关系的一种支持，但不能作为肯定或否定因果关系的最终根据。
科学的解决方案主要指实验法，包括随机分组实验和准实验。以实验的方法对干预的效果进行评估，可以对除干预外的其他影响因素加以控制，从而将干预实施后的效果归因为干预本身，这就解决了因果性的确认问题。
关于实验
在随机实验中，样本被随机分成两组，一组经历处理条件(进入干预组)，另一组接受控制条件(进入对照组)，然后比较两组样本的效果指标均值是否有差异。随机分组使得两组样本“同质”，即“分组”、“干预”与样本的所有自身属性相互独立，从而可以通过干预结束时两个群体在效果指标上的差异来考察实验处理的净效应。随机实验设计方法能够在最大程度上保证干预组与对照组的相似性，得出的研究结论更具可靠性，更具说服力。但是这种方法也是备受争议的，一是因为它实施难度较大、成本较高;二是因为在干预的影响评估中，接受干预与否通常并不是随机发生的;第三，在社会科学研究领域，完全随机分配实验对象的做法会涉及到研究伦理和道德问题。鉴于上述原因，利用非随机数据进行的准试验设计是一个可供选择的替代方法。准实验与随机实验区分的标准是前者没有随机分配样本。
通过准实验对干预的影响效果进行评估，由于样本接受干预与否并不是随机发生的，而是人为选择的，因此对于非随机数据，不能简单的认为效果指标的差异来源于干预。在剔除干预因素后，干预组和对照组的本身还可能存在着一些影响效果指标的因素，这些因素对效果指标的作用有可能同干预对效果指标的作用相混淆。为了解决这个问题，可以运用统计或计量的方法对除干预因素外的其他可能的影响因素进行控制，或运用匹配的方法调整样本属性的不平衡性——在对照组中寻找一个除了干预因素不同之外，其他因素与干预组样本相同的对照样本与之配对——这可以保证这些影响因素和分组安排独立。
随机实验需要至少两期的面板数据，并且要求样本在干预组和对照组随机分布，分析方法就是DID(倍差法，或曰双重差分法);准实验分析用截面数据就能做，不要求样本在干预组和对照组随机分布，分析方法包括DID(需两期的面板数据)、PSM(倾向性得分匹配法，需一期的截面数据)和PSM-DID(需两期的面板数据)。从准确度角度来说，随机实验的准确度高于准实验和非实验分析。关于分析工具的选择
转眼间实习已去一月，之前因为工作原因需要恶补大量的专业知识并加以练习，所以一直抽不开身静下心来好好整理一下学习的成果。如今，模型的建立已经完成，剩下的就是枯燥的参数调整工作。在这之前就先对这段时间的数据处理工作得到的经验做个小总结吧。
从我个人的理解来看，数据分析工作，在绝大部分情况下的目的在于用统计学的手段揭示数据所呈现的一些有用的信息，比如事物的发展趋势和规律;又或者是去定位某种或某些现象的原因;也可以是检验某种假设是否正确(心智模型的验证)。因此，数据分析工作常常用来支持决策的制定。
现代统计学已经提供了相当丰富的数据处理手段，但统计学的局限性在于，它只是在统计的层面上解释数据所包含的信息，并不能从数据上得到原理上的结果。也就是说统计学并不能解释为什么数据是个样子，只能告诉我们数据展示给了我们什么。因此，统计学无法揭示系统性风险，这也是我们在利用统计学作为数据处理工具的时候需要注意的一点。数据挖掘也是这个道理。因为数据挖掘的原理大多也是基于统计学的理论，因此所挖掘出的信息并不一定具有普适性。所以，在决策制定上，利用统计结果+专业知识解释才是最保险的办法。然而，在很多时候，统计结果并不能用已有的知识解释其原理，而统计结果又确实展示出某种或某些稳定的趋势。为了抓住宝贵的机会，信任统计结果，仅仅依据统计分析结果来进行决策也是很普遍的事情，只不过要付出的代价便是承受系统环境的变化所带来的风险。
用于数据分析的工具很多，从最简单的Office组件中的Excel到专业软件R、Matlab，功能从简单到复杂，可以满足各种需求。在这里只能是对我自己实际使用的感受做一个总结。
Excel：这个软件大多数人应该都是比较熟悉的。Excel满足了绝大部分办公制表的需求，同时也拥有相当优秀的数据处理能力。其自带的ToolPak(分析工具库)和Solver(规划求解加载项)可以完成基本描述统计、方差分析、统计检验、傅立叶分析、线性回归分析和线性规划求解工作。这些功能在Excel中没有默认打开，需要在Excel选项中手动开启。除此以外，Excel也提供较为常用的统计图形绘制功能。这些功能涵盖了基本的统计分析手段，已经能够满足绝大部分数据分析工作的需求，同时也提供相当友好的操作界面，对于具备基本统计学理论的用户来说是十分容易上手的。
SPSS：原名Statistical Package for the Social Sciences(社会科学统计软件包)，现在已被IBM收购，改名后仍然是叫SPSS，不过全称变更为Statistical Product and Service Solutions(统计产品与服务解决方案)。SPSS是一个专业的统计分析软件。除了基本的统计分析功能之外，还提供非线性回归、聚类分析(Clustering)、主成份分析(PCA)和基本的时序分析。SPSS在某种程度上可以进行简单的数据挖掘工作，比如K-Means聚类，不过数据挖掘的主要工作一般都是使用其自家的Clementine(现已改名为SPSS Modeler)完成。需要提一点的是SPSS Modeler的建模功能非常强大且智能化，同时还可以通过其自身的CLEF(Clementine Extension Framework)框架和Java开发新的建模插件，扩展性相当好，是一个不错的商业BI方案。
R：R是一个开源的分析软件，也是分析能力不亚于SPSS和Matlab等商业软件的轻量级(仅指其占用空间极小，功能却是重量级的)分析工具。官网地址：支持Windows、Linux和Mac OS系统，对于用户来说非常方便。R和Matlab都是通过命令行来进行操作，这一点和适合有编程背景或喜好的数据分析人员。R的官方包中已经自带有相当丰富的分析命令和函数以及主要的作图工具。但R最大的优点在于其超强的扩展性，可以通过下载扩展包来扩展其分析功能，并且这些扩展包也是开源的。R社区拥有一群非常热心的贡献者，这使得R的分析功能一直都很丰富。R也是我目前在工作中分析数据使用的主力工具。虽然工作中要求用Matlab编程生成结果，但是实际分析的时候我基本都是用R来做的。因为在语法方面，R比Matlab要更加自然一些。但是R的循环效率似乎并不是太高。
Matlab：也是一个商业软件，从名称上就可以看出是为数学服务的。Matlab的计算主要基于矩阵。功能上是没话说，涵盖了生物统计、信号处理、金融数据分析等一系列领域，是一个功能很强大的数学计算工具。是的，是数学计算工具，这东西的统计功能只不过是它的一部分，这东西体积也不小，吃掉我近3个G的空间。对于我来说，Matlab是一个过于强大的工具，很多功能是用不上的。当然，我也才刚刚上手而已，才刚刚搞明白怎么用这个怪物做最简单的Garch(1,1)模型。但毫无疑问，Matlab基本上能满足各领域计算方面的需求。
以上这些软件算是主流了，数据分析软件远不止这些，还有Eviews、S-plus等工具，因为没用过，所以也就不说了
因篇幅问题不能全部显示，请点此查看更多更全内容