Описова статистика в психології: середнє, медіана, мінливість і розподіл даних
Оновлено: 8 жовт.
Автор: Український психологічний ХАБ · Опубліковано: 7 жовтня 2026 · Редакційна політика
Описова статистика — це система способів організувати, стиснути й показати спостережені дані так, щоб стало видно їхній центр, мінливість, форму розподілу, частоти та незвичні значення. У психології вона відповідає на базове запитання: що саме міститься в отриманих даних до того, як дослідник переходить до оцінювання невизначеності, перевірки гіпотез або складніших статистичних моделей.
Описова статистика є фундаментом методології психологічної науки, але її завдання чітко окреслене. Вона описує наявний набір спостережень. Коли дослідник робить крок від вибірки до невідомого параметра популяції, оцінює стандартну похибку, довірчий інтервал або p-значення, починається інференційна статистика.
Сильний опис даних не зводиться до одного середнього. APA Journal Article Reporting Standards для кількісних досліджень вимагають достатньої прозорості щодо вибірки, аналізів і результатів, щоб читач міг оцінити, що саме було зроблено та що означають отримані числа. Для описової статистики це означає показувати не лише центр, а й мінливість, кількість спостережень, пропущені значення та особливості розподілу, які можуть змінити інтерпретацію.
Коротка відповідь: що показує описова статистика
Описова статистика перетворює набір окремих спостережень на зрозумілу картину. Для категоріальних змінних це зазвичай частоти та частки. Для числових змінних — міри центру, як-от середнє або медіана, міри мінливості, як-от стандартне відхилення або міжквартильний розмах, а також характеристики форми розподілу. Графіки доповнюють числа й допомагають побачити асиметрію, кілька мод, крайні значення, ефекти підлоги чи стелі.
Жоден окремий показник не є універсально «правильним». Добір описових статистик залежить від типу змінної, форми розподілу, дослідницького питання та того, яке значення має число на конкретній шкалі. Саме тому хороша описова статистика є не механічним звітом програмного пакета, а аргументованим описом структури даних.
Які питання вирішує описова статистика
Перед будь-яким складнішим аналізом варто відповісти на кілька простих, але принципових запитань. Скільки спостережень реально є для кожної змінної? Які категорії трапляються і з якою частотою? Де розташований центр числових значень? Наскільки вони розкидані? Чи симетричний розподіл? Чи є довгий хвіст, кілька скупчень, граничні значення або спостереження, що різко віддалені від решти?
Ці питання захищають від помилкових висновків. Два набори даних можуть мати однакове середнє, але радикально різну мінливість. Два набори можуть мати однакові середнє і стандартне відхилення, але відрізнятися за формою, кількістю мод або наявністю викидів. Тому опис центру без розподілу часто є неповним.
Почніть із типу змінної, а не з формули
Статистичний опис має відповідати тому, що фактично виміряно. Це продовжує логіку психологічного дослідження: спочатку визначають змінну й спосіб її отримання, а вже потім обирають спосіб узагальнення.
Для номінальної змінної, наприклад типу умови експерименту або категорії відповіді, природними є кількість випадків і відсотки. Середнє значення кодів 1, 2 і 3 для назв категорій не має предметного сенсу, бо числа тут лише позначки.
Для порядкової змінної важливий порядок значень, але відстані між сусідніми категоріями не обов’язково рівні. Тут часто корисні медіана, квартилі та розподіл відповідей за категоріями. Для сумарних балів багатопунктових психологічних шкал практика може бути іншою: дослідники нерідко працюють із такими балами як із числовими, але правомірність конкретної моделі залежить від властивостей вимірювання. Це вже питання психометричного рівня, а не самої описової статистики.
Для числових змінних можна описувати середнє, медіану, дисперсію, стандартне відхилення, квартилі, мінімум і максимум. Вибір між ними визначається не назвою змінної, а тим, яку характеристику розподілу потрібно передати.
Частоти й відсотки: базовий опис категоріальних даних
Якщо змінна складається з категорій, перше питання — скільки спостережень належить до кожної категорії. Абсолютна частота показує кількість випадків, відносна частота — їхню частку від обраного знаменника, а відсоток є цією часткою, помноженою на 100.
У психологічному звіті знаменник має бути зрозумілим. Наприклад, «62% учасників відповіли “так”» може означати 62% від усієї вибірки або 62% лише від тих, хто дав валідну відповідь на це питання. Якщо є пропущені дані, ці два відсотки можуть помітно відрізнятися. Тому кількість валідних і пропущених спостережень варто вказувати явно.
Коли категорій багато, таблиця частот часто інформативніша за одну моду. Мода повідомляє лише найчастішу категорію, але приховує, наскільки сильно вона переважає інші.
Міри центру: середнє, медіана і мода
Міра центру відповідає на запитання, де приблизно зосереджені дані. Проте «центр» можна визначати по-різному, і кожне визначення має власний зміст.
Середнє арифметичне
Середнє арифметичне обчислюють як суму всіх значень, поділену на їхню кількість: x̄ = Σxᵢ / n. Воно враховує кожне спостереження і є ключовою величиною для великої частини статистичних моделей.
Середнє чутливе до крайніх значень і асиметрії. Це не робить його «поганим» показником: інколи саме середнє є параметром, який цікавить дослідника. Проблема виникає тоді, коли середнє подають як типове значення, не показавши, що кілька дуже великих або малих спостережень суттєво його змістили.
Сучасний методологічний огляд Green, Campbell і Koutoumanou наголошує: для виразно несиметричних безперервних даних середнє і стандартне відхилення не повинні залишатися єдиними описовими показниками; медіана та міжквартильний інтервал часто передають структуру таких даних краще. Огляд опублікований у BMJ Medicine у 2026 році.
Медіана
Медіана — це центральне значення впорядкованого ряду: приблизно половина спостережень лежить не вище за неї, а половина — не нижче. За парної кількості спостережень у звичайному визначенні беруть середнє двох центральних значень.
Медіана значно стійкіша до одиничних крайніх спостережень. Саме тому вона часто є кращим описом «типового» значення для правосторонньо або лівосторонньо асиметричних розподілів, наприклад часу реакції з рідкісними дуже довгими відповідями або кількості епізодів поведінки з багатьма нулями та кількома великими значеннями.
Стійкість медіани не означає, що її автоматично треба використовувати замість середнього. Вибір залежить від того, який аспект розподілу є змістовно важливим і які статистичні моделі плануються далі.
Мода
Мода — найчастіше значення або категорія. Вона особливо природна для категоріальних змінних. Числовий розподіл може мати одну моду, кілька мод або не мати виразної моди. Кілька мод іноді вказують на суміш різних підгруп або процесів, тому їх варто не згладжувати одним середнім.
Мінливість: наскільки дані відрізняються одне від одного
Два набори даних із однаковим середнім можуть мати зовсім різну структуру. Мінливість описує, наскільки спостереження розкидані навколо центру або в межах усього діапазону. Саме тут працюють розмах, квартилі, міжквартильний розмах, дисперсія та стандартне відхилення.
Довідник NIST із дослідницького аналізу даних розрізняє кілька мір масштабу й підкреслює, що вони мають різну чутливість до хвостів розподілу та викидів. NIST Measures of Scale пояснює, зокрема, зв’язок дисперсії та стандартного відхилення й обмеження простого розмаху.
Розмах
Розмах дорівнює різниці між максимальним і мінімальним значенням. Його легко пояснити, але він залежить лише від двох спостережень і тому дуже нестійкий до крайніх значень. Розмах корисний як доповнення, особливо коли межі шкали мають предметний сенс, але слабко описує типову мінливість усередині вибірки.
Квартилі та міжквартильний розмах
Квартилі розділяють впорядковані дані за рангом. Перший квартиль Q1 відповідає приблизно 25-му процентилю, другий квартиль Q2 — медіані, третій Q3 — приблизно 75-му процентилю. Міжквартильний розмах IQR = Q3 − Q1 охоплює центральну половину розподілу за рангом і значно менше залежить від крайніх значень, ніж повний розмах.
На малих вибірках значення квартилів може трохи відрізнятися між програмами через різні алгоритми обчислення вибіркових квантилів. Це не помилка обов’язково. Hyndman і Fan описали дев’ять поширених визначень вибіркових квантилів. Для відтворюваного аналізу важливо знати, який алгоритм використовує програмне забезпечення, якщо ці дрібні відмінності можуть вплинути на висновок.
Перцентилі та п’ятичислове резюме
Перцентиль описує положення значення у впорядкованому наборі. Наприклад, 90-й перцентиль є порогом, відносно якого приблизно 90% спостережень лежать на або нижче відповідного рівня за обраним правилом обчислення. У скінченній вибірці з повторами та інтерполяцією точна частка може відрізнятися, тому перцентиль слід розуміти як рангову характеристику, а не як магічний «відсоток людей нижче» без уточнення алгоритму.
П’ятичислове резюме складається з мінімуму, Q1, медіани, Q3 і максимуму. Воно стисло показує межі, центр і центральну половину розподілу та лежить в основі коробчастої діаграми. У психологічному тестуванні перцентиль може описувати відносне місце бала в конкретній нормативній групі, але клінічне або психометричне значення такого рангу залежить від норм, валідності шкали й контексту оцінювання — це вже рівень психологічного вимірювання, а не проста описова статистика.
Дисперсія
Дисперсія узагальнює квадрати відхилень значень від середнього. Для вибірки поширена формула s² = Σ(xᵢ − x̄)² / (n − 1). Ділення на n − 1 використовується у звичайній вибірковій дисперсії як корекція для оцінювання популяційної дисперсії.
У звичайній вибірковій формулі знаменник n − 1 відрізняє оцінювання дисперсії за вибіркою від простого середнього квадратів відхилень для повністю заданого набору. NIST Measures of Scale наводить стандартну вибіркову формулу з n − 1. Для читача головне, що дисперсія має квадратні одиниці вимірювання, тому її складніше інтерпретувати безпосередньо.
Стандартне відхилення
Стандартне відхилення s = √s² повертає міру мінливості в ті самі одиниці, що й сама змінна. Якщо шкала вимірюється в секундах, стандартне відхилення теж вимірюється в секундах; якщо в балах — у балах. Це одна з причин, чому SD частіше читають у звітах, ніж дисперсію.
Стандартне відхилення не є «середньою помилкою» і не означає автоматично, що певний відсоток усіх спостережень лежить у межах x̄ ± s. Правило приблизно 68% у межах одного SD стосується нормального розподілу; без інформації про форму даних його не можна переносити на довільний розподіл.
Стандартне відхилення і стандартна похибка — різні величини
Стандартне відхилення описує мінливість індивідуальних спостережень у наборі даних. Стандартна похибка описує мінливість статистичної оцінки в уявних повторних вибірках і належить до інференційного рівня. Класична методологічна нотатка Altman і Bland прямо називає плутанину між SD і SE плутаниною між описом даних та статистичним висновком.
Якщо мета — показати, наскільки учасники відрізнялися один від одного за балом, потрібне SD або інша міра мінливості самих спостережень. Якщо мета — показати точність оцінки середнього, доречні стандартна похибка або, частіше для читача, довірчий інтервал. Це різні запитання.
Докладне тлумачення інтервальної невизначеності винесене в окрему статтю про довірчий інтервал.
Розподіл даних: чому одного середнього недостатньо
Розподіл показує, як часто трапляються різні значення і як вони розташовані вздовж шкали. Для психологічних даних важливо бачити щонайменше центр, ширину, асиметрію, хвости, кількість виразних скупчень і можливі крайні спостереження.
Гістограма дозволяє швидко оцінити центр, розкид, асиметрію, викиди та наявність кількох мод. Саме ці завдання виділяє NIST у довіднику з гістограм. Коробчаста діаграма компактно показує медіану, квартилі та потенційно нетипові точки; її структура описана в довіднику NIST з box plot.
Графік не замінює числове резюме, а числа не замінюють графік. Разом вони відповідають на різні частини одного питання. Наприклад, середнє і SD можуть виглядати цілком звичайно, але гістограма покаже дві окремі вершини, що натякають на суміш підгруп.
Асиметрія
Асиметрія описує нерівність хвостів розподілу. За правосторонньої асиметрії довший хвіст тягнеться до більших значень; за лівосторонньої — до менших. Коефіцієнт асиметрії може стисло описати напрям і ступінь асиметрії, але він не повинен бути єдиним критерієм рішення про форму даних.
Різні формули оцінювання асиметрії дають трохи різні числа на малих вибірках. NIST окремо наводить скориговану вибіркову формулу. Тому порівнювати коефіцієнти з різних програм варто лише після перевірки того, як саме їх обчислено.
Ексцес
Ексцес пов’язаний насамперед із вагою хвостів розподілу та частотою екстремальних значень. У навчальній літературі його нерідко описують через «гостровершинність», але така інтерпретація може вводити в оману: хвости важливіші за форму самої вершини.
Є ще одна практична пастка: одні програми повідомляють куртозис нормального розподілу як 3, інші — надлишковий ексцес, де нормальний розподіл має 0. NIST розрізняє ці конвенції. Тому число «ексцес = 0» без назви формули та контексту не слід трактувати автоматично.
Кілька мод, підлога і стеля
Розподіл може бути двомодальним або багатомодальним. Це інколи відображає реальні підгрупи, різні умови, суміш процесів або технічні особливості збору даних. Ефект підлоги виникає, коли багато значень притиснуті до нижньої межі шкали, ефект стелі — до верхньої. У таких випадках середнє та SD можуть приховувати важливе обмеження вимірювання.
Самі по собі підлога, стеля або дві вершини не встановлюють причину. Вони є сигналами для перевірки дизайну, шкали, процедури збору й можливих підгруп.
Викиди: перевіряти, а не автоматично видаляти
Викид — спостереження, яке суттєво віддалене від більшості інших значень за певним правилом або візуальним критерієм. Воно може бути помилкою введення, несправністю вимірювання, неправильним кодуванням, рідкісним але валідним випадком або проявом іншої підгрупи.
NIST підкреслює, що ідентифікація викидів залежить від контексту та припущень про розподіл, а графічні методи є важливою частиною діагностики. Розділ NIST про викиди не зводить задачу до автоматичного правила «усе за межами певного числа SD видалити».
Рішення про виключення має мати змістовне або технічне обґрунтування. Якщо значення валідне, просте видалення лише через те, що воно змінює p-значення або робить результат «гарнішим», є неприйнятною аналітичною практикою. Корисно показати, як висновок змінюється за обґрунтованих альтернативних рішень, і прозоро описати правила виключення.
Пропущені дані починаються з опису
До будь-якого способу обробки пропущених значень є простіший крок: показати, скільки даних відсутнє. Для кожної ключової змінної варто знати загальне n, кількість валідних спостережень, кількість пропусків і, коли це доречно, їхній розподіл між групами або моментами вимірювання.
Пропуски не слід мовчки виключати з кожного обчислення так, щоб різні таблиці ґрунтувалися на різних невідомих знаменниках. Описова статистика має зробити цю структуру видимою. Вибір методів імпутації або моделей для пропущених даних є окремим методологічним питанням і залежить від механізму пропусків та плану аналізу.
Описова і інференційна статистика: де проходить межа
Описова статистика відповідає на запитання про спостережені дані: який середній бал у цій вибірці, яка медіана, наскільки розкидані значення, скільки учасників у кожній категорії, як виглядає розподіл.
Інференційна статистика робить наступний крок: оцінює невідомий параметр, його невизначеність або сумісність даних із певною статистичною моделлю. Цей рівень докладно розкрито в статті «Інференційна статистика в психології».
Тому p-значення, стандартна похибка, довірчий інтервал і статистична потужність не є описовими характеристиками самої вибірки в тому ж сенсі, що середнє, медіана або SD. Вони належать до процедур статистичного висновку.
Так само описова статистика не доводить причинність. Навіть ідеально описана кореляція або різниця між групами не встановлює причинного ефекту без відповідного дизайну й причинних припущень. Вибір методу дослідження визначає, які твердження дані взагалі можуть підтримати.
Як обрати описові показники: практична схема
Категоріальна змінна
Почніть із n та відсотків у кожній категорії. Додайте моду лише тоді, коли вона справді стискає важливу інформацію. Якщо є пропуски, вкажіть знаменник, від якого пораховано відсотки.
Порядкова змінна
Покажіть розподіл категорій, медіану та квартилі або IQR, коли це змістовно. Не перетворюйте номери категорій на арифметичні величини автоматично.
Числова змінна з приблизно симетричним розподілом
Середнє та стандартне відхилення часто є компактним і зрозумілим резюме. Додайте n і графічну перевірку форми; мінімум і максимум можуть бути корисними, якщо межі мають предметне значення.
Числова змінна з виразною асиметрією або крайніми значеннями
Медіана та IQR зазвичай краще передають центральну частину розподілу. Середнє і SD можна також показати, якщо вони відповідають дослідницькому питанню або потрібні для наступної моделі, але не залишайте їх єдиним описом.
Змінна з природними межами
Для шкал, де мінімум і максимум задані конструкцією, перевіряйте підлогу, стелю та скупчення біля меж. Навіть симетричне середнє в центрі шкали не гарантує, що розподіл інформативний.
Дані за групами або моментами часу
Описуйте кожну аналітично важливу групу або часову точку окремо, якщо подальший висновок порівнює саме їх. Загальний середній бал для всіх учасників може приховати протилежні тенденції між умовами.
Невеликий приклад: як один крайній бал змінює картину
Уявімо дев’ять балів: 8, 9, 9, 10, 10, 10, 11, 11, 12. Середнє дорівнює 10, медіана — 10, розмах — 4, а вибіркове стандартне відхилення становить приблизно 1,22. Дані компактно зосереджені біля 10.
Тепер додамо десяте значення — 30. Середнє зростає до 12, медіана залишається 10, розмах стає 22, а вибіркове SD зростає приблизно до 6,43. Один валідний або помилковий крайній бал різко змінює середнє, розмах і SD, але майже не змінює медіану.
Цей приклад показує, чому «середнє = 12» саме по собі бідне на інформацію. Без розподілу читач не знає, чи більшість учасників справді має бали біля 12, чи середнє піднялося через одиничне крайнє значення.
Важливий наступний крок — не видалити 30 автоматично, а з’ясувати, звідки воно взялося. Якщо це помилка введення, її виправляють за первинними даними. Якщо значення реальне, воно є частиною явища і потребує змістовної інтерпретації.
Описова статистика для груп, повторних вимірювань і вкладених даних
У психології дані часто мають структуру: учасники належать до груп, кожен учасник дає кілька вимірювань, учні вкладені в класи, а спостереження — в людей. Одна загальна таблиця може приховати цю структуру.
Для повторних вимірювань корисно показувати описові показники за кожним моментом часу й умовою, а також кількість учасників, які реально мають дані в кожній точці. Для групових порівнянь потрібні n, центр і мінливість у кожній групі, а не лише загальний показник.
Такі описові таблиці не замінюють моделі, що враховують залежність спостережень. Вони виконують іншу функцію: роблять дані читабельними й дозволяють побачити структуру, яку модель повинна пояснювати.
Що означає «нормальний розподіл» у практичному описі
Нормальний розподіл — симетричний дзвоноподібний теоретичний розподіл. У реальних психологічних даних точна нормальність майже ніколи не є буквальним станом; питання полягає в тому, чи достатньо добре припущення моделі працює для конкретної процедури й мети.
Середнє приблизно дорівнює медіані за багатьох симетричних розподілів, але цього недостатньо, щоб оголосити дані нормальними. І навпаки, певна асиметрія не робить середнє забороненим. Робота Bland і Altman про виявлення асиметрії за зведеними даними показує, що співвідношення середнього, SD і можливих меж шкали може давати корисні сигнали, але найкраще мати сам розподіл. Bland & Altman, 1996.
Не варто перетворювати описову статистику на ритуальну перевірку одного порога асиметрії чи ексцесу. Рішення про статистичну модель залежить від її конкретних припущень, розміру вибірки, дизайну й того, що саме моделюється — часто не сирі спостереження, а залишки або умовний розподіл.
Як звітувати описову статистику в психологічній статті
Принцип JARS простий: читач має отримати достатньо інформації, щоб зрозуміти дані, аналіз і обмеження висновку. Appelbaum та співавтори задають психологічно специфічний стандарт прозорого кількісного звітування.
Для основних змінних зазвичай варто повідомити розмір вибірки, кількість валідних і пропущених спостережень, доречну міру центру, доречну міру мінливості та, коли це допомагає інтерпретації, мінімум, максимум, квартилі або графік розподілу. Для категоріальних змінних — n і відсотки з чітким знаменником.
Якщо дані трансформували, усікали, вінзоризували або виключали крайні значення, це треба описати разом із правилом і підставою. Якщо квартилі або нестандартні описові показники критично важливі, варто вказати програмне забезпечення і метод обчислення.
Описові статистики слід показувати на рівні, який відповідає майбутньому аналізу. Якщо головний результат — різниця між двома умовами, читач повинен бачити опис кожної умови. Якщо результат стосується зміни з часом, потрібні описові дані за часовими точками.
Типові помилки в інтерпретації
Помилка 1. Середнє вважають «типовим» за будь-якого розподілу
Середнє може бути змістовно важливим, але за сильного перекосу або кількох мод воно погано описує те, де фактично зосереджена більшість спостережень. Поруч потрібні медіана, IQR або графік.
Помилка 2. Стандартне відхилення читають як точність середнього
SD описує розкид даних. Точність оцінки середнього належить до стандартної похибки та довірчого інтервалу. Це різні рівні статистичного опису.
Помилка 3. Середнє ± SD трактують як універсальний інтервал для більшості людей
Таке тлумачення залежить від форми розподілу. Для сильно асиметричних, обмежених або мультимодальних даних інтервал навколо середнього може погано відповідати реальній частці спостережень.
Помилка 4. Викиди видаляють лише тому, що вони незручні
Крайні значення потребують перевірки походження й наперед визначених правил. Рішення, яке змінюється залежно від бажаного результату, спотворює аналіз.
Помилка 5. Описовий показник перетворюють на причинний висновок
Середня різниця між групами може бути описовим фактом конкретної вибірки. Висновок, що одна змінна спричинила іншу, потребує дизайну й припущень причинного аналізу.
Помилка 6. p-значення додають до опису й вважають його мірою величини
p-значення не описує величину ефекту і не є ймовірністю нульової гіпотези. Різницю між тестом і величиною результату розкривають окремі статті про статистичну значущість та розмір ефекту.
Поширені запитання
Що таке описова статистика простими словами?
Це способи стисло показати, що міститься у ваших даних: скільки є спостережень, які значення трапляються найчастіше, де лежить центр, наскільки великою є мінливість і яку форму має розподіл.
Чим описова статистика відрізняється від інференційної?
Описова статистика узагальнює спостережений набір даних. Інференційна використовує вибіркові дані разом із статистичною моделлю, щоб оцінювати параметри, невизначеність або перевіряти гіпотези за межами простого опису вибірки.
Коли краще використовувати середнє, а коли медіану?
Середнє природне, коли цікавить арифметичний центр і дані не мають структури, яка робить його оманливим. Медіана особливо корисна за виразної асиметрії, викидів або тоді, коли потрібне стійке центральне значення за рангом. Часто найкраще показати обидва, якщо їхня різниця інформативна.
Що показує стандартне відхилення?
Воно показує масштаб розкиду числових спостережень навколо середнього і вимірюється в тих самих одиницях, що й змінна. Велике SD означає більшу мінливість, але його величина завжди має тлумачитися відносно шкали та форми розподілу.
Чим дисперсія відрізняється від стандартного відхилення?
Дисперсія є середньою квадратичною мірою відхилень і має квадратні одиниці. Стандартне відхилення — квадратний корінь із дисперсії, тому повертається до вихідних одиниць і зазвичай легше читається.
Що таке IQR?
IQR, або міжквартильний розмах, дорівнює Q3 − Q1 і описує ширину центральних 50% спостережень за рангом. Він стійкіший до крайніх значень, ніж повний розмах і стандартне відхилення.
Чи входить p-значення до описової статистики?
Ні, p-значення є інструментом статистичного висновку в межах заданої моделі. Воно не описує центр, мінливість або форму спостереженого набору даних.
Чи можна визначити нормальність лише за асиметрією та ексцесом?
Ні. Ці коефіцієнти описують окремі риси форми і залежать від способу обчислення та вибірки. Нормальність і, важливіше, придатність конкретної моделі оцінюють за сукупністю інформації: графіками, діагностикою моделі, дизайном і метою аналізу.
Чи треба видаляти всі викиди?
Ні. Спочатку треба перевірити, чи це помилка, технічний артефакт або валідне рідкісне спостереження. Автоматичне видалення крайніх значень без змістовного правила може спотворити результат.
Що краще звітувати для сильно асиметричних даних?
Зазвичай медіану та IQR, а також графік розподілу. Середнє і SD можуть залишатися корисними як додаткові показники, якщо вони відповідають дослідницькій меті або потрібні для подальшої моделі.
Чи достатньо описової статистики для наукового висновку?
Іноді так, якщо мета дослідження суто описова і вибірка або сукупність визначена саме як об’єкт опису. Якщо ж твердження стосується ширшої популяції, невідомого параметра, порівняння гіпотез або причинного ефекту, потрібні відповідні інференційні та методологічні інструменти.