什麼是驗證性資料分析（CDA）？
驗證性資料分析（CDA）是一種有明確假設導向的資料分析方法。
和探索性資料分析（EDA）主要在探索資料特性、發現潛在模式不同，CDA 的核心目的是驗證或拒絕某個事先提出的假設（hypothesis）。
簡單來說，當你已經有一個理論模型或假設，CDA 就是用來驗證這個模型是否在數據中站得住腳的方法。
CDA 與 EDA 的差異
| 項目 | 探索性資料分析（EDA） | 驗證性資料分析（CDA） |
|---|---|---|
| 目的 | 發現潛在的資料關係、模式 | 驗證事先提出的理論或假設 |
| 方式 | 開放性、資料導向 | 嚴謹性、假設導向 |
| 方法 | 圖表視覺化、相關分析、分群 | 假設檢定、迴歸分析、模型擬合 |
| 常用階段 | 初期分析、問題定義階段 | 後期驗證、研究報告階段 |
CDA 常見的分析方法有哪些？
以下是幾種常見用於 CDA 的統計工具與方法：
- 假設檢定（Hypothesis Testing） 如 t-test、ANOVA、卡方檢定等，用來檢查群體之間是否存在顯著差異。
- 迴歸分析（Regression Analysis） 如線性迴歸、邏輯斯迴歸，來驗證變數之間的預測關係。
- 結構方程模型（SEM） 尤其在心理學與社會科學常見，用於驗證理論模型的變項之間的因果路徑。
- 模型擬合指標（Goodness of Fit） 包含 R-squared、AIC、BIC、RMSEA 等，用來評估模型與資料的符合程度。
CDA 的應用情境
以下是 CDA 在不同領域的應用範例：
- 行銷分析： 驗證「新廣告方案會顯著提升銷售量」的假設。
- 醫學研究： 驗證「某藥物可降低特定疾病發生率」的假設。
- 教育領域： 驗證「翻轉教學法能提高學生成績」的假設。
- A/B 測試： 驗證改版後的 UI 是否能提升使用者留存率。
使用 CDA 的注意事項
- 假設需事先明確定義： CDA 不應在分析後才提出假設，那會讓統計意義失去效力。
- 需考慮多重比較問題： 同時檢定多個假設時，需要控制型一錯誤(Type I error)，例如 Bonferroni 修正。
- 樣本數與統計力（Power）很重要： 太小的樣本可能導致無法拒絕虛無假設（Type II error）。
EDA 與 CDA 怎麼搭配使用？
實務上，EDA 與 CDA 常是連續流程中的不同階段：
- 先做 EDA，了解資料分佈與潛在關聯。
- 根據 EDA 的觀察結果，形成可驗證的假設。
- 用 CDA 方法來驗證這些假設，得到統計意義。
這樣的流程能兼顧資料洞察力與研究嚴謹性，也符合學術與商業應用的實際需求。
總結：CDA 是資料驅動決策的科學依據
在資料分析的流程中，CDA 不只是「做統計檢定」這麼簡單，它代表了一種有計畫、有邏輯的驗證思維。無論你是資料分析師、研究人員，或是正在進行商業決策的人，學會 CDA 都能幫助你把「直覺」轉化為「證據」，讓分析更有說服力、更能落地。
如果你對 CDA 的實作有興趣，之後我也會撰寫一篇實際的 Python 或 R CDA 操作教學，讓你一步步掌握這套分析思維。也歡迎訂閱部落格或留言告訴我你最想看的 CDA 實例是什麼領域！