2.5结论

大数据无处不在，但用它和其他形式的社会研究的观测数据是困难的。根据我的经验有像一个没有免费的午餐属性的研究：如果你没有投入大量的工作收集数据做，那么你很可能将不得不投入大量工作，分析数据，或者在思考什么是一个有趣的问题要问的数据。根据本章的想法，我认为有那么大的数据来源将是社会研究最有价值的三种主要方式：

• 竞争的理论预测之间的凭经验审理。这种工作的例子包括： Farber (2015) （纽约出租车司机）和King, Pan, and Roberts (2013)在中国的审查制度）
• 改善社会测量通过临近预报策略。这类工作的一个例子是Ginsberg et al. (2009) （谷歌流感趋势）。
• 估计与自然实验和匹配的因果效应。这样的工作。的例子Mas and Moretti (2009)对生产率的影响）和Einav et al. (2015) （在eBay的拍卖上起拍价的影响）。

在社会研究许多重要的问题可以表示为这三个之一。然而，这些方法通常需要研究者带来了很多的数据。是什么让Farber (2015)有趣的是测量的理论动力。这一理论的动机来自于数据之外。因此，对于那些谁是善于提出某些类型的研究问题，大数据源可以是非常富有成果。

最后，而不是理论驱动的实证研究（这一直是焦点这一章），我们可以翻转的脚本，并创造经验，推动理论化 。也就是说，通过经验事实，模式和谜题的悉心积累，我们可以构建新的理论。

理论这种替代，数据优先方法是不是新的，并且它最有力地阐述Glaser and Strauss (1967)与他们的呼吁扎根理论 。该数据优先的方法，但是，不作为已被周围很多在数字时代研究新闻声称意味着“理论的终结” (Anderson 2008) 。相反，如数据环境的变化，我们必须预期的理论和数据之间的关系的重新平衡。在当今世界，数据收集是昂贵的，是有意义的只收集理论认为将是最有用的数据。但是，在这个世界上，大量的数据已经是免费的，它是有道理也尝试一个数据第一种方法(Goldberg 2015)

正如我在本章中所显示的，研究人员可以通过观察人们学到很多东西。在接下来的三个章节，我将描述我们如何能学到更多不同的东西，如果我们更直接问他们问题（第3章），运行实验（第4章），甚至涉及到他们定制我们的数据收集和交互与人在调研过程中，直接（第5章）。