一、描述性统计的作用与局限
描述性统计是数据分析的基础，它通过均值、中位数、频数、百分比等指标，帮助我们快速了解数据的分布特征。大多数市场调研报告都大量使用描述性统计。
但描述性统计只告诉我们”是什么”，不告诉我们”为什么”或”会怎样”。当我们需要理解变量间的关系、预测未来趋势、或者从样本推断总体时，就需要更高级的统计方法——推断性统计。
二、描述性统计够用的情况
1. 数据探索阶段
在分析初期，使用描述性统计了解数据的基本特征：样本结构如何？各变量的分布怎样？有没有异常值？这是任何分析都必须做的第一步。
2. 总体参数已知
如果研究对象就是总体本身（如公司全部员工的满意度调查），不需要推断，描述性统计就足够了。
3. 简单描述需求
如果研究目标只是描述现状，不需要解释原因或预测未来，描述性统计可以满足需求。例如：”我们的客户满意度平均分为4.2分””60%的客户愿意推荐我们”。
4. 大样本且关注总体
当样本量很大（如几千甚至上万），且只关心总体水平而不关心个体差异时，描述性统计的结果已经相当稳定。
三、需要推断性统计的情况
1. 样本推断总体
市场调研通常只能调查样本，但关心的是总体。从样本统计量推断总体参数，需要推断性统计。
例如：调查了500名消费者，40%表示会购买新品。这40%就是样本比例，总体比例是多少？置信区间可以告诉我们：在95%置信水平下，总体购买意愿在35.7%-44.3%之间。
2. 比较组间差异
比较两组或多组之间是否存在显著差异，不能只看描述性统计的数值差异，需要进行显著性检验。
例如：A城市满意度4.2分，B城市满意度4.0分。这0.2分的差异是真实存在的，还是抽样误差造成的？t检验可以回答这个问题。
3. 分析变量关系
研究两个或多个变量之间的关系，需要相关分析、回归分析等推断性方法。
例如：广告投入与销售额的关系。描述性统计可以分别报告两者的均值，但要知道它们是否相关、相关程度如何、能否用广告投入预测销售额，就需要相关分析和回归分析。
4. 预测未来
基于历史数据预测未来趋势，需要建立预测模型，这是推断性统计的应用。
例如：基于过去12个月的销售数据，预测下个月的销售额。时间序列分析、回归模型等可以给出预测值和预测区间。
5. 控制混淆因素
现实中，一个结果往往受多个因素影响。要分离出某个因素的独立影响，需要控制其他因素，这通常需要多元回归等推断性方法。
例如：研究价格对销量的影响。但销量还受季节、促销、竞品价格等因素影响。多元回归可以在控制其他因素的情况下，估计价格的独立影响。
四、常用推断性统计方法
1. 参数估计
- 点估计：用样本统计量估计总体参数
- 区间估计：给出总体参数的可能范围（置信区间）
2. 假设检验
- t检验：比较两组均值差异
- 方差分析（ANOVA）：比较多组均值差异
- 卡方检验：检验分类变量的独立性
3. 相关与回归
- 相关分析：测量变量间的相关程度
- 回归分析：建立变量间的预测关系
4. 高级方法
- 因子分析：降维，发现潜在结构
- 聚类分析：将样本分组
- 结构方程模型：验证复杂理论模型
五、如何选择：决策框架
| 研究目标 | 推荐方法 |
|---|---|
| 描述数据特征 | 描述性统计 |
| 从样本推断总体 | 置信区间估计 |
| 比较组间差异 | t检验/方差分析 |
| 分析变量关系 | 相关/回归分析 |
| 预测未来 | 回归/时间序列 |
| 控制混淆因素 | 多元回归 |
| 发现潜在结构 | 因子/聚类分析 |
六、实践建议
1. 先描述，后推断
不要跳过描述性统计直接做推断分析。描述性统计帮助我们了解数据、发现问题、验证假设前提。
2. 理解方法假设
每种推断性统计方法都有其假设前提（如正态分布、方差齐性、独立性等）。使用前要检验假设是否满足，否则结果可能不可靠。
3. 关注效应量
统计显著性（p值）只告诉我们差异是否存在，不告诉我们差异有多大。要同时报告效应量（如Cohen’s d、R方），了解实际意义。
3. 谨慎解释因果
相关不等于因果。即使使用回归分析，也要谨慎解释因果关系。真正的因果推断需要实验设计或特殊的统计方法（如工具变量、断点回归）。
4. 工具选择
现代统计软件（SPSS、R、Python、Stata）都提供了丰富的推断性统计功能。选择你熟悉的工具，但更重要的是理解方法背后的逻辑。