……分析）。本书的重点毫不掩饰地放在假设生成，即数据探索上。在这里，你将深入研究数据，并结合你的领域知识，生成许多有趣的假设，以帮助解释数据为何表现出这样的行为。你会以非正式的方式评估这些假设，用你的怀疑精神从多个角度挑战数据。

假设生成的补充是假设确认。假设确认之所以困难，有两个原因：

• • 你需要一个精确的数学模型来生成可证伪的预测。这通常需要相当深厚的统计学功底。
• • 同一个观测只能使用一次来确认假设。一旦你使用它超过一次，就又回到了探索性分析。这意味着要进行假设确认，你需要“预先注册”（提前写下）你的分析计划，并且即使已经看过数据也不能偏离它。我们将在 第四部分中讨论一些可以让这件事变得更容易的策略。

人们通常认为建模是假设确认的工具，而可视化是假设生成的工具。但这是一个错误的二分法：模型经常用于探索，而只要稍加注意，你也可以用可视化来进行确认。关键区别在于你查看每个观测的频率：如果只看一次，那是确认；如果看不止一次，那就是探索。

准备工作

为了让你从本书中获得最大收益，我们对你已有的知识做了一些假设。你应该具备基本的数理素养，并且如果已经有一些编程经验会更有帮助。如果你以前从未编过程，那么 Garrett 的 《Hands-On Programming with R》 可能是本书的有益补充。

运行本书中的代码需要四样东西：R、RStudio、一组名为 tidyverse 的 R 包，以及其他一些包。包是可复