探索性数据分析（EDA）是一种对数据进行初步检查和处理的方法，其核心思想是使用各种统计量和图表对数据集进行灵活的探索，以此揭示数据集的特征和结构，识别异常值和建立数据的初步模型。与传统严格的统计方法不同，EDA不依赖于假设的严格成立，更强调在数据分析早期阶段的探索性工作，即在提出假说和进行假设检验之前，先对数据进行广泛的观察和理解。
随着数据分析技术的发展，人们发现当数据与理想模型发生偏离时，古典统计技术并不能很好地处理实际问题。因此，新的稳健（Robust）和探索性（Exploratory）方法被开发出来，这些方法在处理非理想数据集时更为灵活和有效。稳健方法提供了一种折衷方案，适用于各种场合，尤其是当数据的分布无法准确预知时，稳健方法比传统的“一刀切”的方法更能适应不同的情况。
数据分析过程通常分为两个阶段：探索阶段和证实阶段。探索性数据分析的目标是在广泛的数据结构中灵活地探索数据，并揭示数据模式和特征，帮助分析者选择合适的模型结构或随机成分。这个阶段强调的是灵活性和对数据结构的适应性，以及对后续分析中揭露的模式进行灵活反应。探索性数据分析的另一个重要作用是揭示数据对于常见模型的偏离，从而指导后续的模型构建和分析。
探索性数据分析的四大主题包括耐抗性（Robustness）、残差（Residuals）、重新表达（Re-expression）和启示（Revelation）。耐抗性是对数据局部不良行为的不敏感性，比如数据中的离群值或误差的影响。耐抗方法的结果在数据被轻微改变时应该保持稳定，而稳健性（Resistance）则指对于围绕基础概率模型的偏离的不敏感性。残差分析是探索性数据分析的重要组成部分，它通过对数据减去总括统计量或拟合模型后剩余的部分进行分析，帮助我们识别数据中的主导行为和异常行为。重新表达是寻找合适的尺度来简化分析，比如对数据进行对数变换或平方根变换，以达到对称性、变异稳定性和关系的直线性。启示则是指在数据探索过程中获得的新见解和发现，这些新发现将指导后续的数据分析和模型选择。
证实性数据分析（CDA）则是在探索性数据分析之后的阶段，它侧重于评估观察到的模式或效应的再现性。传统的统计推断是通过置信区间和假设检验来提供关于显著性和置信性的声明。证实性数据分析还包括利用其他相关数据信息，以及通过收集和分析新数据来确认观察到的结果。与EDA不同，CDA更侧重于对现有证据的评估，而EDA则强调灵活探求线索和证据。
在实际的数据分析工作中，通常需要多次重复探索性和证实性技术的应用，才能得到满意的结果。这一循环反复的过程有助于逐步深入了解数据，并构建起更加精确和可靠的统计模型。探索性数据分析与证实性数据分析的结合使用，是现代统计分析的重要特点之一。在应用这两种技术时，数据分析师应当具备开放的思维，灵活地适应数据的特性，对发现的模式做出合理的解释，并根据这些模式建立和修正假设，最终实现对数据深层次理解的目标。
