我的一些统计方法观(写给在统计学院学习的学弟学妹之三)
希望能把统计学好,分析好我所取得的试验数据,发表好的文章。
祝你成功!:D
看上去还可以
统计学的哲学地位站得基本到位 就是数学层面的解释太少了。。
“关于统计建模,我一向坚持以“简洁而能说明问题”为首要原则,并且更强调“简洁”;
事
实上,知道赤池信息量的人都知道,AIC(Akaike Information Criterion)的计算是两部
分之和,一部分是(-2倍的)对数似然函数最大值,另一部分就是(2倍的)模型未知参数
个数,“使AIC尽可能小”是一条著名的统计建模准则,显然,第二部分说的无非就是模型
的简洁程度。我反对一味追求数学上的复杂与高深,搞统计不是比谁的数学更拽,要是脱离
实际或者对实际没有指导作用,那么模型再花哨、方法再先进也不过是个绣花枕头——中看
不中用。”
比如这个,AIC的推导本身就是涉及比较复杂的函数逼近去求的对likelihood的一个期望,
如果那个日本鬼子数学不拽,他能搞出这么牛逼得AIC吗。。
统计学的哲学地位站得基本到位 就是数学层面的解释太少了。。
“关于统计建模,我一向坚持以“简洁而能说明问题”为首要原则,并且更强调“简洁”;
事
实上,知道赤池信息量的人都知道,AIC(Akaike Information Criterion)的计算是两部
分之和,一部分是(-2倍的)对数似然函数最大值,另一部分就是(2倍的)模型未知参数
个数,“使AIC尽可能小”是一条著名的统计建模准则,显然,第二部分说的无非就是模型
的简洁程度。我反对一味追求数学上的复杂与高深,搞统计不是比谁的数学更拽,要是脱离
实际或者对实际没有指导作用,那么模型再花哨、方法再先进也不过是个绣花枕头——中看
不中用。”
比如这个,AIC的推导本身就是涉及比较复杂的函数逼近去求的对likelihood的一个期望,
如果那个日本鬼子数学不拽,他能搞出这么牛逼得AIC吗。。
我没有仔细研究过AIC的诞生过程,但这鬼子做出来的东西有实际意义的解释,这一点我就比较喜欢了,似乎更多的数学成果只是为了数学而数学……我的数学不好,就不胡说了 :)
文章合为时而著,歌诗合为事而作,统计合为实而作。
10 天 后
!!
3 个月 后
[未知用户] 说的太好了!
1 年 后
学习了,刚刚接触统计,还要努力!
1 年 后
10 个月 后
赞,从目标到手段,分析的很到位
7 个月 后
考古拜读~最近开始看boostrap和分位数回归,谢大用简单的话讲的很清楚,希望还有后续的文章啊,最好能把各种大牛的方法的基本思想都给解释解释,我还是赶紧看文献吧。。。
5 天 后
[未知用户] 我一个人怎么可能有那么大本事,靠大家一起努力吧。这是五年多以前的文章了,现在看看,让我想起一个笑话:我年轻的时候我告诉别人我什么都懂,别人都不信;等我成了一个老教授,告诉别人我什么都不懂,他们还是不信……
[未知用户] 视野越窄越觉得自己知道的多,视野越宽越觉得自己不懂的多
5 个月 后
写的很好,谢啦~
3 年 后
学习啊!讲的很好,学习学习!
1 年 后
[未知用户] 不是也有一个与AIC相应的BIC~~~