2.5結論

大數據無處不在，但用它和其他形式的社會研究的觀測數據是困難的。根據我的經驗有像一個沒有免費的午餐屬性的研究：如果你沒有投入大量的工作收集數據做，那麼你很可能將不得不投入大量工作，分析數據，或者在思考什麼是一個有趣的問題要問的數據。根據本章的想法，我認為有那麼大的數據來源將是社會研究最有價值的三種主要方式：

• 競爭的理論預測之間的憑經驗審理。這種工作的例子包括： Farber (2015) （紐約出租車司機）和King, Pan, and Roberts (2013)在中國的審查制度）
• 改善社會測量通過臨近預報策略。這類工作的一個例子是Ginsberg et al. (2009) （谷歌流感趨勢）。
• 估計與自然實驗和匹配的因果效應。這樣的工作。的例子Mas and Moretti (2009)對生產率的影響）和Einav et al. (2015) （在eBay的拍賣上起拍價的影響）。

在社會研究許多重要的問題可以表示為這三個之一。然而，這些方法通常需要研究者帶來了很多的數據。是什麼讓Farber (2015)有趣的是測量的理論動力。這一理論的動機來自於數據之外。因此，對於那些誰是善於提出某些類型的研究問題，大數據源可以是非常富有成果。

最後，而不是理論驅動的實證研究（這一直是焦點這一章），我們可以翻轉的腳本，並創造經驗，推動理論化 。也就是說，通過經驗事實，模式和謎題的悉心積累，我們可以構建新的理論。

理論這種替代，數據優先方法是不是新的，並且它最有力地闡述Glaser and Strauss (1967)與他們的呼籲紮根理論 。該數據優先的方法，但是，不作為已被周圍很多在數字時代研究新聞聲稱意味著“理論的終結” (Anderson 2008) 。相反，如數據環境的變化，我們必須預期的理論和數據之間的關係的重新平衡。在當今世界，數據收集是昂貴的，是有意義的只收集理論認為將是最有用的數據。但是，在這個世界上，大量的數據已經是免費的，它是有道理也嘗試一個數據第一種方法(Goldberg 2015) 。

正如我在本章中所顯示的，研究人員可以通過觀察人們學到很多東西。在接下來的三個章節，我將描述我們如何能學到更多不同的東西，如果我們更直接問他們問題（第3章），運行實驗（第4章），甚至涉及到他們定制我們的數據收集和交互與人在調研過程中，直接（第5章）。