让我们来谈谈统计吧 - 面向软件质量的统计入门（No.2 与数据正确相处的方法）

“让我们来谈谈统计吧”第二期将讨论作为统计处理前提的“数据本身”应如何对待。
无论使用多么高大上的分析方法，如果所依据的数据不恰当就毫无意义。
这里我们从以下三个方面来掌握数据的基础：

• 数据的种类（定性·定量＋量表）
• 测量值与误差的关系
• 为了收集优质数据的条件

统计中的数据大致可分为“定性数据”和“定量数据”两类：

是具有意义或属性的数据，不是用数值表示，而是用 标签 或 类别 表示。

• 示例：缺陷类型（UI、逻辑、性能）
• 示例：评审判定（OK / NG / 需要重新确认）
• 示例：测试结果（合格 / 不合格）

特点：

• 无法进行数值计算（无法得出平均值等）
• 可用于比较比例或出现频率

此外，质性数据还可再细分为以下两种：

• 名义数据：没有顺序意义的标签（例如：缺陷类型）
  
• 顺序数据：具有顺序意义的数据（例如：评审等级 S > A > B > C）
  

是以数量形式测量的数据，数值本身具有意义。

• 示例：缺陷数量、测试执行时间、代码量（KLOC）
• 示例：修复所用天数、缺陷密度

特点：

• 可用于描述性统计（平均、方差等）和推断统计
• 易于通过折线图或散点图等进行可视化

此外，量化数据也可再分为以下两类：

• 离散数据：不连续的数值（例如：缺陷数量）
  
• 连续数据：在某个范围内连续的取值（例如：内存使用量）
  

此外，不同数据在含义和处理方式上有所差异。
要正确选择统计方法和可视化方式，理解“尺度（量表）”是必不可少的。

• 仅仅是标签（例如：缺陷类型、错误代码分类）
• 能进行的计算只有出现次数或众数

• 顺序具有意义（例如：评审等级、满意度调查：满意 > 一般 > 不满意）
• 可以计算中位数和排名比较，但在某些情况下不适合计算平均值

• 等间隔具有意义，但不存在绝对0（例如：日期、温度℃）
• 可以进行加减运算、计算标准差等

• 存在绝对0，所有运算皆可进行（例如：执行时间、缺陷数量）
• 在统计分析和可视化中最常使用的量表

下表展示了这四种量表的差异。

例如，缺陷密度（件/KLOC）属于比率量表，可以进行平均、方差和趋势分析。
下图显示了每个版本的缺陷密度趋势，可看出当低于0.8件/KLOC时，目标正在逐步达成。

量表的差异影响可采用的统计方法、图表类型及解读方式。

无论多么仔细地测量，都必然会产生误差（包括波动）。
如果不了解这一点，盲目信任数据会导致错误判断的风险。

软件质量数据（如评审时间或缺陷发生率等）的测量值存在再现性的限度。
不要仅凭一次测量结果来判断，重要的是要有“测量存在波动”的前提。
下图为对同一测试项目测量10次时波动的示例。

• 示例：测量测试执行时间时，每次大约波动1~2秒

正如如此，即使测量相同对象，每次也不会完全相同，这是现实。

在处理质量数据的现场，如果将“波动”和“偏差”混为一谈，就会导致错误的改进判断。
需要理解测量误差也存在不同类型，并加以区分使用。
下图展示了“系统误差”和“偶然误差”的典型差异。

1. 系统误差：总是向同一方向偏移的误差（例如：测量仪表显示快0.5秒）
2. 偶然误差：每次测量时随机产生的误差（例如：环境噪声或测量者差异）

仅凭“单次测量结果”来判断质量改进是非常危险的。
由于测量结果包含波动，要判断变化是否具有统计学意义，必须依赖统计视角。
下图比较了变更前后测量结果的波动。中位数的差异是否显著，您会如何解读？

• 仅凭一次测量结果来判断是危险的
• 通过以统计方式处理误差，可以判断“是否真的发生了变化？”

对数据要始终保持“含有不确定性的观测值”的姿态，这一点很重要。

统计只有在拥有**“优质数据”**的情况下才有意义。那么，什么是优质数据？

1. 准确性：是否没有记录错误或单位错误？
2. 一致性：测量方法和记录规则是否统一？
3. 全面性：所需范围内的数据是否完整采集？
4. 时效性：是否在所需的时间点获取了数据？
5. 客观性：是否未混入主观或感官上的偏差？
6. 目的适配性：该数据是否符合要进行分析和判断的目的？

示例：如果目的是“缺陷原因分析”，是否包含了发生阶段和影响范围等？

• 在对缺陷数量进行统计时，没有区分现象数和原因数（定义不明确）
  → 将缺陷的定义和分类规则文档化，明确统计规则
• 责任人之间记录“缺陷”的标准不同（掺杂了主观因素）
  → 制定记录规则，进行定义标准化并执行审查
• 测试时间的记录是手写后再录入（缺乏可靠性）
  → 引入自动收集或即时录入机制，保证可靠性

“先收集了再说”的方式，在真正分析时往往会发现没法使用。

• 明确由谁以何种方式记录什么
• 完善数据定义说明书和记录规则表

在实际现场，由于“记录格式不明确”“各责任人记录粒度不同”等原因，收集后无法进行统计的情况并不少见。
因此，在收集之前就需要先进行记录设计并让相关人员知晓。

• 数据分为“定性”和“定量”，可使用的统计方法不同
• 测量值始终包含误差，因此需要多次观测并考虑误差
• 要收集优质数据，明确记录规则和定义是必不可少的

下次我们将正式进入“描述性统计”的领域，学习平均数、中位数和众数的区别及使用。

这里汇总了统计相关信息。

希望能为您的数据分析提供帮助。