Tag: analizy danych

Podstawowym w statystyce zagadnieniem trafności treściowej jest zdefiniowanie badanej sfery zachowań oraz wskazanie, iż pozycje włączone do testu stanowią faktycznie próbę reprezentatywną. Trafność teoretyczna natomiast pokazuje związki narzędzia pomiarowego z konstruktem teoretycznym, zaczerpniętym z danej teorii. Badania trafności teoretycznej testu wymagają licznych analiz.

Metody ustalania trafności

Meehl oraz Cronbach zaproponowali pięć procedur ustalania trafności teoretycznej: analiza różnic międzygrupowych, analiza macierzy korelacji i analiza czynnikowa, analiza struktury wewnętrznej testu, analiza procesu rozwiązywania testu, analiza zmian nieprzypadkowych wyników testu. [1] W związku ze znacznym rozbudowaniem zagadnień poruszanych w ramach  analizy trafności, poniżej skupiono się szerzej na jednym aspekcie, mianowicie na trafności czynnikowej.

Analizując trafność narzędzia badawczego jakim jest kwestionariusz należy mieć na uwadze cztery aspekty trafności:

• Trafność kryterialna, dzieli się ona na trafność diagnostyczną (concurent validity)  i prognostyczną (predictive validity)
• Trafność treściowa (content validity)
• Trafność teoretyczna (construct validity)
• Trafność fasadowa (face validity)[2]

Najmniejsze znaczenie z punktu widzenia własności psychometrycznych ma trafność fasadowa.

Czy istnieje „złoty standard”?

Diagnostyczną trafność kryterialną możemy ocenić porównując wyniki testu do tak zwanego „złotego standardu”. Jest to zagadnienie o tyle skomplikowane, że w niektórych dziedzinach, szczególnie tych do tej pory nie zbadanych, trudno o wskazanie tak zwanego „złotego standardu” czyli testu sprawdzonego i wzorcowego.

Kiedy zasadne jest wdrożenie nowego narzędzia?

W przypadku natomiast gdy taki test już istnieje, należy poważnie rozważyć sens wprowadzania nowego narzędzia, gdyż powinno ono w pewnie sposób być lepsze od stosowanego do tej pory. Nowy test powinien być zarazem tańszy lub szybszy do przeprowadzenia od wyznaczonego testu wzorcowego.

Analiza korelacji

W literaturze zagadnienie trafności kryterialnej jest rozpatrywane (szczególnie przez psychologów) za pomocą analizy korelacji pomiędzy testem wzorcowym a nowym narzędziem. W przypadku poszukiwania testu bardziej trafnego od „złotego standardu” poszukuje się umiarkowanej istotnej korelacji. Jest to kryterium nieformalne, w trakcie analizy literaturowej nie znaleziono bowiem sztywnego kryterium wskazującego dokładną regułę decyzyjną.

Zasadniczym zagadnieniem tego typu trafności jest weryfikacja hipotezy o homogenności narzędzia badawczego. Od podstawowej skali (układu zmiennych) oczekuje się rozwiązania jednoczynnikowego. Analizę czynnikowa można podzielić na dwie grupy:

• Analiza głównych składowych i klasyczna analiza czynnikowa
• Konfirmacyjna analiza czynnikowa

Czym jest czynnikowa analiza danych?

Analiza czynnikowa jest to zbiór metod redukcji liczby zmiennych do kilku niezależnych czynników w oparciu o dekompozycję macierzy współczynników korelacji pomiędzy pierwotnymi pozycjami. Uzyskane w ten sposób czynniki mają merytoryczną interpretację reprezentując zmienne, które nie są obserwowalne bezpośrednio.[1]

Zagadnienia analizy głównych składowych oraz klasycznej, czynnikowej analizy statystycznej są opisywane przez wielu autorów. Na uwagę, poza metodami szacowania modelu analizy czynnikowej, zasługują zagadnienia wyboru liczby czynników oraz metody rotacji.

Jak dokonuje się wyboru liczby czynników?

Wybór liczby czynników następuje zgodnie z jednym z dwóch kryteriów: kryterium osypiska lub kryterium wartości własnej Kaizera. Po zidentyfikowaniu liczby czynników w praktyce badań częstym zjawiskiem jest wstępna przynależność jednej pozycji (zmiennej) do kilku czynników, co utrudnia w dużym stopniu identyfikację ich przynależności, a co za tym idzie interpretację czynników nowopowstałych.

Proces rotacji czynników

Rozwiązaniem w takiej sytuacji jest wykonanie rotacji czynników. Jej celem jest ustalenie takiego układu, aby każda pozycja miała wysokie ładunki (w praktyce powyżej 0,5 lub 0,6) tylko w zakresie jednego czynnika. Metody rotacji dzielą się na dwie grupy:

• Rotacje ortogonalne: Varimax, Quatrimax, Equimax. W wyniku tych rotacji zachowana zostaje niezależność czynników.
• Rotacje ukośne: Oblimin (Quatrimin, Biquatrimin, Covarmin), Oblimax, Promax. W wyniku rotacji ukośnej nie musi być zachowana niezależność czynników [2]

Model konfirmacyjnej analizy

Alternatywą do modelu klasycznego jest model konfirmacyjnej analizy czynnikowej. W metodzie tej używane są dwie grupy zmiennych: obserwowalne (czyli zmienne lub pozycje obserwowane przez badacza i odpowiednio kodowane) oraz zmienne latentne (czynniki będące konstruktami hipotetycznymi).

Podstawową różnicą pomierzy modelem eksploracyjnej (EFA) i konfirmacyjnej analizy czynnikowej (CFA) jest to, że konfirmacyjna analiza czynnikowa to procedura hipotetyczna służąca głównie do testowania hipotez na temat relacji pomiędzy czynnikami wspólnymi. W metodzie tej (w przeciwieństwie do klasycznej analizy czynnikowej) decyzje, co do liczby czynników podejmuje się przed rozpoczęciem ich wyodrębniania.

Metoda ta jest powszechnie stosowana właśnie wtedy, gdy istnieją podstawy do formułowania hipotez na temat związków pomiędzy badanymi zmiennymi. Wynik klasycznej analizy czynnikowej stanowi właśnie układ czynnikowy, który nie jest zadany przed przystąpieniem do badania. W przypadku analizy psychometrycznej kluczowa jest hipoteza homogenności (czyli rozwiązanie jednoczynnikowe) podstawowej skali sumarycznej.[3]

Test chi-kwadrat

Celem zbadania, czy pojedynczy model konfirmacyjnej analizy czynnikowej jest dobrze dopasowany można posłużyć się wskaźnikami dobroci dopasowania. Podstawowym testem dopasowania modelu do danych jest test chi-kwadrat. Test ten jest jednak silnie uzależniony od liczebności próby.

Zastosowanie wskaźnika GFI

Uzupełniająco stosuje się psychometryczny wskaźnik GFI (goodness of fit index) oraz jego korektrę AGFI (adjusted goodness of fit index). Wskaźniki te przyjmują wartość z przedziału 0-1 oraz nie są zależne od wielkości próby. Trudno w przypadku tych mierników (podobnie jak w przypadku współczynnika determinacji dla funkcji regresji) o jednoznaczne określenie jakie zakresy wartości tych mierników są akceptowalne.

Wskaźnik RMR

Kolejnym miernikiem jest RMR (root mean square residual). Wysokie wartości tego wskaźnika reszt są niekorzystne dla jakości modelu (analogicznie jak odchylenie standardowe reszt modelu regresji).

Miernik RMSEA

Jednym z najczęściej podawanych mierników dopasowania modelu konfirmacyjnej analizy czynnikowej jest RMSEA (root mean square error of approximation). Jest to wskaźnik pojawiający się na diagramie ścieżek po dopasowaniu modelu. Miara ta szacuje wielkość popełnianego błędu aproksymacji w populacji. Dobre dopasowanie modelu cechuje się wskaźnikiem RMSEA poniżej 0,05.

Indeksy modyfikacyjne

Dodatkowymi miernikami pomocnymi w procesie poprawy modelu są indeksy modyfikacyjne (modification indices). Pozwalają one zmierzyć o ile obniży się wartość chi-kwadrat w wyniku uwolnienia konkretnego parametru i ponownego oszacowania modelu.[4]

Na zakończenie

Podsumowując syntetyczne rozważania nad możliwościami zastosowania oraz podstawowymi zagadnieniami związanymi z modelami analizy czynnikowej należy zauważyć, iż są to metody powszechnie stosowane w naukach społecznych i medycznych oraz doskonale nadają się do badania własności psychometrycznych skal sumarycznych. Nie podają – tak jak powszechnie stosowana metoda alfa Cronbacha – tylko pojedynczego wyniku, ale pozwalają na analizę układu pozycji (zmiennych) wewnątrz skali oraz odrzucenie zbędnych pytań w kwestionariuszu.

Studenci oraz doktoranci przygotowujący się do obrony pracy dyplomowej powinni rozważyć możliwość skorzystania z usług statystycznych dedykowanych medycynie. Wnioski z badań statystycznych stanowią doskonałe uzupełnienie części teoretycznej doktoratu.

Analizy prowadzone na własną rękę są jednak obarczone sporym ryzykiem błędów oraz wymagają poświęcenia bardzo dużej ilości wolnego czasu. Dlatego też decyzja o skorzystaniu z oferty firmy badawczej może okazać się strzałem w dziesiątkę.

Statystyka medyczna – jakie analizy warto przeprowadzić?

W celu przygotowania opracowania na potrzeby pracy doktorskiej zazwyczaj wystarczające jest wykonanie podstawowych testów opisowych oraz porównawczych. Najczęściej wykonywane są w tym zakresie analizy korelacyjne oraz testy istotności statystycznej. Nie znaczy to jednak, że prowadzenie obliczeń z wykorzystaniem pozostałych testów parametrycznych oraz nieparametrycznych jest pozbawione sensu.

Mając na uwadze specyfikę nauk medycznych, warto rozważyć zwłaszcza możliwość zastosowania:

1. Testów przeżywalności;
2. Testów ewolucyjnych,
3. Analiz koszykowych;
4. Analiz z wykorzystaniem modeli regresji;
5. Analiz wariancji.

Analizy danych: konsultacje i usługa korekty

Profesjonalne firmy badawcze, takie jak Biostat, świadczą pomoc statystyczną w zakresie analizy danych już od etapu projektowania założeń metodologicznych. Zapewniają odpowiedni dobór próby badawczej, a także metod i testów analitycznych. Poza tym oferują usługę korekty obliczeń wykonanych przez inne osoby lub podmioty, a także konsultacji dotyczących dowolnie wybranego obszaru analizy statystycznej.

Automatyczne obliczenia statystyk medycznych

Decydując się na wybór firmy zajmującej się statystyką do doktoratu czy pracy magisterskiej, warto dowiedzieć się wcześniej, czy dysponuje ona nowoczesną platformą analityczną, przystosowaną do prowadzenia obliczeń statystycznych w sposób całkowicie zautomatyzowany. Powinna być ona także wyposażona w moduł intuicyjnego kodowania danych oraz ich walidacji. Poza tym wysokiej jakości oprogramowanie statystyczne umożliwia sporządzanie cyklicznych kopii zapasowych (Date Backup), dzięki czemu udaje się zniwelować ryzyko utraty cennych danych.

Jak wybrać najlepszą firmę?

Ściśle statystyką medyczną zajmuje się jedynie kilka firm badawczych na rynku, spośród których największym doświadczeniem może się pochwalić agencja BioStat. Jest to firma specjalizująca się w wykonywaniu analiz statystycznych dla farmacji i ośrodków medycznych, która funkcjonuje już od 15 lat w branży. Co istotne, zatrudnia ona doświadczonych statystyków i analityków, którzy mieli okazję współpracować z największymi koncernami farmaceutycznymi w kraju i za granicą.

Podsumowanie

Nie warto zatem zajmować się prowadzeniem analiz statystycznych do doktoratu na własną rękę. Wówczas jesteśmy bowiem narażeni na spore ryzyko błędów, co na pewno nie zadowoli promotora ani recenzenta. Dlatego też zlecenie zadania wykonania obliczeń zewnętrznej firmie badawczej jest najbardziej optymalnym spośród wszystkich rozwiązań. 

Ktoś nieobeznany z matematyką mógłby bez wątpienia stwierdzić, że analiza statystyczna to narzędzie przeznaczone wyłącznie dla poważnych naukowców i zupełnie oderwane od codziennego życia. Tymczasem mnogość zastosowań tej gałęzi nauki powoduje, że każdego dnia dziesiątki razy napotykamy (mniej lub bardziej świadomie) na efekty zastosowania statystyki.

Co żelki mają wspólnego ze statystyką?

Aby zilustrować ogromne znaczenie statystyki w życiu codziennym, weźmy na przykład paczkę żelek, którą kupiłeś dziś rano w supermarkecie. Ich składniki zostały dobrane przy użyciu metod statystycznych, dzięki czemu nadają się do spożycia. Ich smak stanowi z kolei odpowiedź na oczekiwania konsumentów, zbadane przy użyciu... statystyki. Podobnie zresztą jak kształt żelek, ich cena czy projekt opakowań, w których są sprzedawane.

Produkcja tych słodyczy przebiegła pod znakiem licznych procesów kontroli jakości, silnie wspomaganych statystyką. Dzięki temu każdy żelkowy miś wygląda dokładnie tak samo jak wszystkie inne, pochodzące z tej samej linii produkcyjnej.

To oczywiście tylko wierzchołek góry lodowej, nawet pozostając w temacie zakupu żelek: ich położenie na półce w supermarkecie zostało statystyczne określone jako najbardziej optymalne dla tego typu produktów, a dane o ich sprzedaży będą stanowiły przedmiot późniejszej analizy statystycznej.

Inne przykłady zastosowań

Rzecz jasna zastosowanie statystyki nie kończy się na towarach ze sklepowych półek czy stereotypowych analizach rynku. Udział tej dziedziny nauki jest nieoceniony w wielu innych branżach, często powszechnie słabo z nią kojarzonych. Może to być na przykład:

- medycyna: zarówno w kwestii testowania i wprowadzania na rynek nowych leków, jak i analizy danych pozyskanych z badań pacjentów, co umożliwia między innymi trafne przewidywanie rozprzestrzeniania się chorób zakaźnych;

- ubezpieczenia: za pomocą statystyki korporacje z tej branży mogą dokładnie określić wysokość opłaty za ubezpieczenie - zarówno mając na uwadze swój zysk, jak i atrakcyjność oferty dla klienta;

- prognozowanie pogody: dzięki modelom statystycznym zoptymalizowanym pod kątem obliczeń komputerowych jesteśmy w stanie trafnie przewidzieć zjawiska pogodowe w kolejnych dniach;

- polityka: dzięki prawidłowej analizie danych sondażowych można z dużym prawdopodobieństwem oszacować przyszłe wyniki wyborów.

Podsumowując, statystyka pojawia się w naszym życiu codziennym wszędzie tam, gdzie możliwe jest jej zastosowanie, czyli analiza zbioru danych i wyszukiwanie w nim prawidłowości.

Hipotetyczne założenia, a także różnego rodzaju tezy towarzyszą nam na co dzień. One same jednak w swym teoretycznym aspekcie nie stanowią tak naprawdę rzetelnego źródła informacji. Pewnych rzeczy się domyślamy. Jeszcze inne są tylko mglistą wizją. Dlatego tak ważne miejsce w naszej codzienności zajmuje statystyka. Nic nie weryfikuje hipotez tak skutecznie, jak ona.

Hipotezy nie tylko w pracach naukowych

Słysząc słowo hipoteza najczęściej myślimy o pracy naukowej. Przecież to przyszli magistrzy czy doktoranci zawierają ją w swojej pracy. Tymczasem hipoteza towarzyszy nam na każdej płaszczyźnie, która w swojej dynamice ulega ciągłemu rozwojowi. To właśnie hipotezy, a wraz z nimi kolejne pytania sprawiają, że człowiek szuka odpowiedzi – rozwija się i tworzy nowe perspektywy. Hipotezy stanowią ważny czynnik rozwoju gospodarki, psychologii, medycyny, socjologii czy nawet demografii.

Jak zbadać hipotezę?

Hipoteza to nie choroba, którą bada się w gabinecie lekarskim i leczy za pomocą odpowiednich terapii. Hipoteza to stwierdzenie, które wymaga dogłębnej analizy danych. Aby jej jednak dokonać, dane te trzeba wcześniej zebrać. A do tego służą odpowiednie metody statystyczne. Oczywiście na metodach tych doskonale znają się pracownicy firm badawczych, którzy potrafią zawsze dobrać optymalne narzędzia.

Analiza zebranych danych

Analizy statystyczne to kolejny, po zbieraniu danych, etap badania. Gdy zbiór danych jest już gotowy, można przejść do wyciągnięcia z niego konkretnej wiedzy. A to staje się możliwe właśnie dzięki analizom statystycznym. Ich zadaniem jest wyciągnięcie wniosków i zweryfikowanie faktów oraz hipotez. Tym samym stają się one odpowiedzią na pytania odnośnie naszych założeń i stawianych na co dzień tez.

Statystyka a biznes

Mówiąc o statystyce i jej wpływie na różne dziedziny naszego życia, nie możemy udawać, że nie dostrzegamy możliwości, jakie otwiera przed biznesem. Tutaj wykorzystywana jest ona do osiągania celów biznesowych, głównie zwiększania obrotu i maksymalizacji zysku. Dzięki analizom danych zebranych w trakcie badania firmy weryfikują rynek, poznają nastawienie klientów, a także ich potrzeby. Tym samym zdobywają odpowiedź na pytanie odnośnie zmian, jakie należy wprowadzić w koncepcji sprzedaży, czy kierunków, jakie należy obrać, by ostatecznie odnieść sukces.

Hipotezy są po to, by je weryfikować. Tylko wtedy istnieje sens ich tworzenia. A prawdziwym mistrzem w weryfikowaniu jest statystyka. Ta nauka nie pozostawia wątpliwości, ani pytań bez odpowiedzi.

Aby uogólnić na całą populację wyniki badania statystycznego przeprowadzonego na próbie losowej, takiego jak np. badania świadomości marki, należy postawić hipotezę, a następnie ją zweryfikować. Służą do tego testy statystyczne, które dzielimy na parametryczne i nieparametryczne.

Ogólnie o testach

Testów parametrycznych używa się do oceny wartości parametrów dla danego rozkładu populacji, z którego losowana jest próba. Parametrami tymi mogą być średnia, wariancja czy odchylenie standardowe.

Testy nieparametryczne nie wymagają założeń dotyczących rozkładu zmiennej losowej populacji. Najczęściej wykorzystywaną w nich metodą jest uporządkowanie danych i zastąpienie ich rangami.

Zazwyczaj testy parametryczne mają swoje odpowiedniki wśród testów nieparametrycznych. Niektóre z nich prezentuje poniższa tabela.

Często stosowane są także inne testy nieparametryczne, takie jak test Chi kwadrat oraz test Shapiro-Wilka.

Charakterystyka testów parametrycznych

Parametryczne testy pozwalają na dokładniejsze analizy i ich wyniki są łatwiejsze do interpretowania. Wymagają jednak spełnienia większej ilości założeń. Najczęściej wymaga się między innymi, by próba pochodziła z populacji o rozkładzie normalnym. Symulacje pokazały jednak, że niespełnienie tego warunku nie musi dyskwalifikować testu. Co więcej w przypadku wielu badań statystycznych założenie to jest spełnione. Testy parametryczne są także mniej odporne na obserwacje odstające.

Charakterystyka testów nieparametrycznych

Dla testów nieparametrycznych nie jest wymagane spełnienie założenia o rozkładzie normalnym. Gdy liczność próby jest niewielka lub grupy nie są równoliczne, to testy nieparametryczne lepiej się sprawdzają. Nie są też tak wrażliwe na obserwacje odstające. Warto z nich korzystać, gdy mediana jest wielkością lepiej reprezentującą środek danych niż średnia. Wśród testów nieparametrycznych znajdziemy takie, które pozwalają analizować cechy niemierzalne. Wygoda ich użycia okupiona jest mniejszą efektywnością.

Podsumowanie

Prowadzenie badań statystycznych w medycynie czy naukach społecznych bardzo często sprowadza się do wykonania testu istotności – parametrycznego lub nieparametrycznego. Od prawidłowego wyboru zależeć może poprawność i dokładność wnioskowania. Niestety, decyzja nie zawsze jest łatwa do podjęcia.

Analizując dane bardzo ważne jest wykrycie zależności oraz schematów, które występują często pomiędzy dużymi zbiorami danych. Z pomocą przychodzi data mining, który skupia się na wykrywaniu wiedzy w posiadanych bazach danych. Inaczej mówiąc jest to eksploracja danych, która skupiona jest na pozyskaniu maksymalnej ilości informacji. Wykorzystując tę technikę można w pozytywny sposób wpłynąć na prowadzoną działalność.

Wiedza do zastosowania na wiele sposobów

I tak data mining może być wykorzystane w działalności skoncentrowanej na sprzedaży, co pozwoli na uzyskanie takich informacji jak między innym:

• charakterystyce klientów;
• działalności przedsiębiorstwa;
• strukturze sprzedaży.

W dziedzinie sprzedaży można wykorzystać analizę koszyka zakupów. Odnosi się ona do baz danych, które gromadzą informacje na temat zakupów klientów danego sklepu. Istotą przeprowadzenia analizy jest wskazanie tych zbiorów produktów, które kupowane są razem. Tak pozyskana wiedza może zostać zastosowana w praktyce i być przydatna tak w kwestii ekspozycji towarów, jak i tworzenia skutecznych kampanii reklamowych.

Pozyskane dane pomogą podjąć dobre decyzje

Powyższy przykład obrazuje, iż eksploracja danych może wpływać na poprawienie jakości dotychczasowych działań oraz w pozytywny sposób pobudzić bodźce odpowiedzialne za sukces. Ma ona na celu:

• wydobycie wiedzy z baz danych;
• wsparcie tworzenia planów rozwojowych
• realną ocenę faktycznej sytuacji.

Celem jest zrozumienie tego, co się dzieje

Istotą eksploracji danych jest zautomatyzowanie odkrywania statystycznych zależności oraz schematów pośród bardzo dużych danych. Następnie skupiają się one na reprezentacji pozyskanych danych w formie:

• reguł logicznych;
• drzew decyzyjnych;
• sieci neuronowych.

Pozyskane dane w kwestii data mining mogą odnaleźć swoje zastosowanie w podejmowaniu decyzji finansowych oraz marketingowych w przedsiębiorstwach. Podstawą jest właściwe przeprowadzenie procesu badawczego, w którym we właściwy sposób zostaną zastosowane narzędzia badawcze.

Pozyskane informacje należy przekuć w decyzje

Obok eksploracji danych należy wspomnieć także o ich selekcji i modelowaniu. Zaś celem tych działań jest odkrycie regularności oraz zależności występujących między danymi. Data mining jest więc procesem, który ma na celu odkrycie cennych informacji, które dotąd nie zostały zauważone. Pozwala to na pozyskiwanie informacji, które będą przydatne w szeroko rozumianym działaniu oraz wyznaczaniu planów rozwojowych.

Dedykowane usługi statystyczne

Każda firma i instytucja, niezależnie od tego czy reprezentująca sektor FMCG, świat nauki, czy też medycynę i farmację walczy o najlepszą pozycję wśród konkurencji. Profesjonalne analizy statystyczne umożliwiają wyciągnięcie wniosków, na podstawie których można wdrażać nowe produkty i usługi na rynek, rozwijać innowacyjność nauki, odpowiadać na zapotrzebowanie klientów, a także zyskiwać pozycję lidera w konkretnej branży.
 

Czy prowadzić badania statystyczne samodzielnie?

Samodzielne prowadzenie wysoko zaawanasowanych statystyk, z uwzględnieniem wszystkich możliwych metod analiz, nie jest rzeczą łatwą. Jeśli nie posiada się doświadczenia i odpowiednich narzędzi badawczych do przeprowadzenia tego typu badań, samodzielne analizy statystyczne mogą zniszczyć dotychczasowy dorobek badawczy, ponieważ nie będą wolne od przypadkowych błędów. Brak znajomości narzędzi i posługiwanie się nieodpowiednim oprogramowaniem badawczym sprawia, że prawidłowość i poziom rzetelności analiz maleje.

Cześć etapu badawczego, której celem jest przeprowadzenie ilościowych analiz statystycznych warto powierzyć profesjonalistom. Posługiwanie się wysokiej jakości pakietami statystycznymi, typu R oraz SPSS, a także dobór odpowiedniej metody analizy statystycznej – adekwatnej do celu badawczego wymaga praktyki oraz orientacji w tym temacie. Centrum statystyki BioStat^® posiada 15 lat doświadczenia w prowadzeniu badań dla:

• Branży medyczno-farmaceutycznej, 
• Instytucji państwowych,
• Wiodących ośrodków naukowych,
• Firm FMCG.
   

Samodzielne analizy statystyczne, poza możliwością popełnienia wielu błędów, pochłoną wiele czasu i energii. Badacz może spożytkować ten etap prac na inne istotne działania. Współpracując z profesjonalistami, można ponadto przygotować się do publikacji badań w renomowanych czasopismach obecnych na liście filadelfijskiej. To kolejny atut powierzenia badań agencji badawczej.
 

Liczby i co dalej?

Zakładając, że badacze prowadzący eksploracje statystyczne nie popełnią błędów, warto wziąć pod uwagę, że w badaniach statystycznych otrzymają wyniki liczbowe, z których należy opracować jasny i zrozumiały raport, często z elementami graficznymi. Nie jest to zadaniem łatwym. Dopiero na podstawie klarownego raportu można przygotować wnioski płynące z badań oraz sporządzić publikacje do naukowych czasopism czy też zmienić strategię działań firmy. Ten etap jest także opracowywany przez specjalistów z BioStat^®. Warto powierzyć analizy statystyczne ekspertom, aby móc odnieść sukces, niezależnie od reprezentowanej branży.