سواد داده · پیش از آزمون آماری
قانون بنفورد برای کدام داده مناسب است و چه چیزی را ثابت نمی‌کند؟
فرض کنید تمام مبلغ‌های یک فایل با رقم ۲ شروع می‌شوند. کنار نمودار بنفورد، که رقم ۱ در آن بیشتر دیده می‌شود، این وضع عجیب به نظر می‌رسد. حالا یک جزئیات را اضافه کنید: فایل شامل هشتاد پرداخت برای خدمتی با تعرفه ثابت ۲۵ واحد است. الگوی رقم اول، حاصل همان تعرفه است.
پیش از مقایسه با قانون بنفورد باید بدانید عددها چگونه ساخته و چگونه انتخاب شده‌اند. تفاوت با الگوی مورد انتظار، به‌تنهایی تقلب را ثابت نمی‌کند. شباهت زیاد هم گواهی سالم بودن اسناد نیست. نخست باید معلوم شود این مقایسه برای ستون موردنظر اصلاً معنی دارد یا نه.
الگوی بنفورد چه می‌گوید؟
در داده‌ای که از توزیع بنفورد پیروی می‌کند، احتمال رقم اولِ معنادارِ d از رابطه log10(1 + 1/d) به دست می‌آید؛ d از ۱ تا ۹ است. سهم رقم ۱ حدود ۳۰٫۱٪، رقم ۲ حدود ۱۷٫۶٪ و رقم ۹ حدود ۴٫۶٪ می‌شود. مقاله پژوهشی سوانسون و همکاران در اداره آمار کار آمریکا، منتشرشده در ۲۰۰۳ این رابطه را در زمینه بررسی داده‌های هزینه خانوار توضیح می‌دهد.
این درصدها سهمیه‌ای نیستند که هر فایل واقعی مجبور باشد رعایت کند. منظور از رقم اول، نخستین رقم غیرصفر است؛ برای عدد ۰٫۰۲۵، این رقم ۲ است. صفر چنین رقمی ندارد. مقدار خالی را صفر فرض نکنید و پیش از شمارش، مشخص کنید با مبلغ منفی یا برگشت وجه چه می‌کنید.
سه فایل که قبل از رسم نمودار باید درباره‌شان مکث کرد
تمرین‌های ساختگی: مجموعه‌های زیر را عمداً برای نشان دادن خطای انتخاب روش ساخته‌ایم. این‌ها نتیجه حسابرسی، داده یک مشتری یا مشاهده‌ای درباره یک سازمان واقعی نیستند.
| مجموعه فرضی | نتیجه شمارش رقم اول | توضیح الگو |
|---|---|---|
| ۸۰ پرداخت، هرکدام دقیقاً ۲۵ واحد | هر ۸۰ مورد با ۲ شروع می‌شود. | مبلغ را تعرفه ثابت تعیین کرده است. |
| ۸۰ شناسه از ۱۰۰۱ تا ۱۰۸۰ | هر ۸۰ مورد با ۱ شروع می‌شود. | عددها برچسب ترتیبی‌اند، نه مقدار اندازه‌گیری‌شده. |
| صد مبلغ صحیح از ۲۰۰ تا ۲۹۹ که با همین شرط انتخاب شده‌اند | هر صد مورد با ۲ شروع می‌شود. | شرط انتخاب، رقم اول را از پیش تعیین کرده است. |
برای مجموعه اول، سهم نظری رقم ۲ را در ۸۰ ضرب کنید؛ حدود ۱۴٫۱ به دست می‌آید، در حالی که شمار واقعی ۸۰ است. اختلاف بزرگ است، اما در همین تمرین علت آن را می‌دانیم: همه مبلغ‌ها از یک تعرفه می‌آیند. محاسبه آماره پیچیده‌تر، فرض ناموجهِ مناسب بودن بنفورد را اصلاح نمی‌کند.
در مجموعه دوم، ستون اشتباه انتخاب شده است. شناسه برای تشخیص رکوردهاست، نه سنجش مبلغ. راهنمای وارد کردن شناسه‌ها از CSV کمک می‌کند هنگام باز کردن فایل، ماهیت این ستون‌ها حفظ شود. در مجموعه سوم، ابتدا دامنه فایل اصلی و فیلتر خروجی را بررسی کنید؛ نمودار، اثر همان فیلتر را نشان می‌دهد.
اول سازوکار تولید عدد را توضیح دهید
یک ردیف چه معنایی دارد؟ فاکتور کامل است، یک قلم فاکتور، جمع روزانه یا نسخه اصلاح‌شده رکورد قبلی؟ اگر این‌ها را با هم بشمارید، ممکن است یک تراکنش چند بار در تحلیل اثر بگذارد. تعریف ستون‌ها را بخوانید و هر حذف یا تغییر را ثبت کنید.
محدودیت‌ها را پیدا کنید: قیمت ثابت، کف انتشار، سقف بازپرداخت، گرد کردن مبلغ‌ها یا فیلترِ قبل از خروجی گرفتن. فرق عددِ تخصیص‌یافته و مقدارِ اندازه‌گیری‌شده را روشن کنید. گستردگی مقدارها در چند مقیاس می‌تواند دلیل بررسی بیشتر باشد، اما به‌تنهایی مناسب بودن توزیع بنفورد را ثابت نمی‌کند.
پژوهش اکهارت و راکستون در سال ۲۰۲۳ درباره تناسب داده، انتخاب آزمون و هشدارهای نادرست بحث می‌کند. انحرافِ معنادار آماری هم الزاماً ناشی از دست‌کاری نیست. داده مستقلِ واقعاً قابل مقایسه می‌تواند به ارزیابی انتظار کمک کند؛ مجموعه مقایسه را صرفاً به خاطر نمودار دلخواه انتخاب نکنید.
برای شبیه شدن نمودار به منحنی، ارزها را مخلوط نکنید، واحدها را بی‌توضیح تغییر ندهید و ردیف‌های نامطلوب را کنار نگذارید. ابتدا دامنه معنادار تحلیل را تعریف کنید و نسخه اصلی فایل را نگه دارید. اگر جدول عمومی فقط مبلغ‌های بالاتر از یک آستانه را نشان می‌دهد، همین قاعده بخشی از شناخت منبع است.
وقتی روش مناسب نیست، چه بنویسیم؟
برای تمرین تعرفه ثابت، این نتیجه کافی و دقیق است: «رقم اول مبلغ‌ها از تعرفه ۲۵واحدی می‌آید؛ مقایسه این ستون با بنفوردِ رقم اول توجیه ندارد. انجام شدن واقعیِ پرداخت‌ها بررسی نشده است.» به این ترتیب، پاسخ سؤال آماری را با سؤال درباره وقوع تراکنش قاطی نمی‌کنید.
گام بعد باید به ادعای اصلی مربوط باشد. برای اسنادی که مجاز به بررسی‌شان هستید، شاید تطبیق با مدرک اولیه، بررسی ردیف‌های تکراری یا کنترل جمع‌ها مفید باشد. نمودار رقم اول نمی‌گوید خدمتی ارائه شده، فاکتوری وجود دارد یا چه کسی رکورد را ثبت کرده است.
اگر داده مناسب بود و انحراف دیدید، نام آزمون، تعداد مشاهده، آماده‌سازی داده و اندازه اختلاف را ثبت کنید. خطای ورود داده و تغییر عادی فرایند را هم بررسی کنید. اگر زیرمجموعه‌های زیادی را آزموده‌اید تا بالاخره یک نتیجه معنادار پیدا شود، سابقه آن انتخاب‌ها را پنهان نکنید؛ این موضوع بر تفسیر نتیجه اثر دارد.
شش خط پیش از شروع شمارش
یادداشت کوتاهی با این شش مورد بنویسید: سؤال پژوهش؛ معنای ردیف و ستون انتخابی؛ روش جمع‌آوری و فیلتر خروجی؛ دلیل انتظارِ این توزیع؛ تکلیف صفرها، منفی‌ها و ردیف‌های تکراری؛ شاهد لازم پس از دیدن ناهنجاری. اگر برای مورد چهارم توضیح ندارید، ابتدا منشأ داده را بررسی کنید.
این یادداشت را کنار گزارش پژوهش نگه دارید. در سه تمرین بالا، دستاورد درست یک امتیاز تقلب نیست؛ توضیح مستندِ نامناسب بودن این مقایسه است. چنین نتیجه‌ای جلوی یک ادعای بی‌پشتوانه را می‌گیرد و مسیر بررسی بعدی را روشن می‌کند.
انتشار: 2026-11-03 · تحریریه اوسینت جت
ادامه مسیر اوسینت
سرنخ‌های خام را به یک تحقیق ساختارمند در اوسینت جت تبدیل کنید
برای نتیجه بهتر، فقط به یک سرنخ اکتفا نکنید. شماره تلفن، ایمیل، یوزرنیم، دامنه، نام شرکت، تصویر، شهر، لینک شبکه اجتماعی و توضیح زمینه پرونده را کنار هم قرار دهید تا موتور اطلاعاتی اوسینت جت تحلیل دقیق‌تری بسازد.