Tilastojoukot

Tilastojoukko on tilastotutkimuksessa käytetty aineisto, joka koostuu havaintoarvoista. Jokaisella havainto-yksiköllä on yksi tai useampi muuttuja, joiden arvoja tallennetaan. Tilastojoukot voivat kuvaa sekä populaatiota että sen otosta, ja ne voivat olla määrällisiä tai laadullisia sekä ajankohdallisesti sidottuja.

Rakenne on tyypillisesti taulukkomuotoinen: rivit ovat havaintoja, sarakkeet muuttujia. Muuttujat voivat olla kvantitatiivisia (mitattavia ja numeerisia) tai kvalitatiivisia (kategorisia). Joissakin kokoelmissa on myös sekamuuttujia sekä aikajakoja tai järjestettyjä luokkia.

Tietojen keruu voi tapahtua tutkimusten, kokeiden tai havainnoinnin kautta. Otanta pyritään tekemään siten, että otoksesta voidaan tehdä yleistyksiä populaatioon. Laadunhallinta sisältää puuttuvien arvojen käsittelyn, poikkeavien havaintojen tarkastelun sekä mittausvirheiden minimoinnin ja korjaamisen.

Tilastojoukot palvelevat useita tarkoituksia: kuvaileva tilastotiede, inferenssi ja tilastolliset mallit sekä päätöksenteon tukeminen politiikkaan, liiketoimintaan tai tutkimukseen.

Tietosuoja ja etiikka ovat keskeisiä. Henkilötietojen anonymisointi, oikeudellinen sääntely (esimerkiksi GDPR) sekä lisensointi ja tarkoituksenmukainen jakaminen ovat tärkeitä seikkoja.

Hyvä tilastojoukko sisältää myös runsaasti metadataa eli kuvausta muuttujista, mitta-asteista, keräyksen aikataulusta sekä lähteistä. Tiedostomuodot yleisiä ovat CSV, Excel, JSON ja relaatiotietokannat; data voidaan julkaista avoimina portaaleina tai rajattu käyttöön.