确定因果关系往往是研究的主要动机。 政策制定者通常希望了解新计划或其他政策工具的实施将如何影响相关结果。 缩小班级规模是否会提高学生的学习成绩？ 对购枪者实施更严格的背景调查是否会减少枪支暴力？ 生物医学研究人员通常希望了解一种新药是否会改善疾病结果。 服用某种药物是否会延长预期寿命，甚至治愈所研究的疾病？ 要回答这些问题和类似问题，分析人员必须开发适合因果推断的研究设计。 估算因果效应是一项具有挑战性的工作，但它对于了解政策、药物或任何其他干预措施的影响至关重要。

在接下来的四节课中，我们将开始了解原始数据。 盯着电子表格等原始数据看，并不能揭示出多少关键信息。 考虑一个变量，比如一个调查问题，询问美国的歧视程度（答案选项有 "很多"、"一些"、"只有一点"、"完全没有 "和 "不知道"）。 阅读原始数据并不能了解受访者的平均水平或可能答案选项之间的答案分布情况。 为了更好地了解数据分布的形状，我们可以计算出数据的中心倾向测量值、分布测量值以及数据的离散程度。 通过这些汇总统计，研究人员可以得出一些简单而有力的初步结论，了解数据在现实世界中告诉我们什么。

世界著名的数据可视化专家爱德华-塔夫特（Edward Tufte）曾经说过："不存在信息超载。只有糟糕的设计"。 在传达分析结果时，尤其是在试图说服受众时，一张图片确实胜过千言万语。 一张精心设计的图表可以利用少量或大量的数据来提出令人信服的论点。 数据可视化突出了基础信息的具体要点，使观众能够得出仅盯着数字看时几乎看不到的见解。 简而言之，要想成为数据交流高手，就必须熟练掌握数据可视化的技巧。