这不是全部答案，但一个重要的考虑因素是数据的哪一部分很大。

考虑以下示例。我正在对人类的物理测量进行一些分析。对于每个志愿者，我会测量眼睛之间的距离，然后是每个手指的长度、胫骨的长度等。然后我将所有内容记录在一张大表中以进行一些探索性分析。

如果我决定让我的数据更大，我可以做两件事，我可以为每个人做更多的测量（即更多的特征）。这是危险的，因为它增加了虚假相关的可能性。

然而，如果我决定增加实例的数量，它实际上应该会减少虚假相关的概率，虽然发现的相关可能并不意味着因果关系，但它们会更显着。

这与维度灾难密切相关，它告诉您添加特征（即维度）会导致从数据中可靠地推断事物所需的实例数量呈指数增长（除非您的数据具有较低的内在维度，即。高度相关的特征）。

就个人而言，我将大数据视为实例数量而非特征数量的增加，但这是造成混淆的原因。

要考虑的另一件事是人们如何使用大数据（而不是“小”数据）。大数据在输入分析之前通常需要多个预处理步骤。有时不清楚在这些数据集中究竟要测试什么。当涉及到最终分析时，这两个事实相结合允许相当大的回旋余地。经常发生的情况是，人们进行多项分析，然后选择（或倾向于选择）证实他们的先入之见或返回“积极”结果而不是难以发布的空结果的分析。换句话说，落入“虚假相关、多重假设检验和假阳性结果的陷阱”的不是分析技术，而是人类。

“大数据”通常是指具有数以百万计的受试者的数据集，并且每个受试者的测量值相对较少（也称为“高”数据）。对于宽而不是高的数据，已经完成了很多工作，一个很好的来源是 Efron 最近的书“大规模推理：用于估计、测试和预测的经验贝叶斯方法”，它处理（除其他外）多重假设检验。对于真正高大的数据，我没有看到太多理论，尽管有大量与算法相关的工作（请参阅“海量数据集的挖掘”谷歌它，你会找到合法免费的 pdf）。还有一些关于开发高数据统计方法的工作，例如 Kleiner、Talwalkar、Sarkar 和 Jordan 的“The Big Data bootstrap”。