简单统计学-行业好书-社会科学-太极之巅书单号

书刊介绍

内容简介

耶鲁大学简单统计学课

让数据说实话是现代社会的基本生存技能

...................

※编辑推荐※

★耶鲁大学热门公开课，只需懂加减乘除就能看懂的统计学

- 本书脱胎于耶鲁大学两度获得教学奖的热门公开课

- 跟随一系列轻松又惊心动魄的案例，掌握统计学的基本原则

- 诺贝尔经济学奖获得者罗伯特·希勒赞赏推荐

★所谓清醒思考，就是用统计学思考

- 19种统计原则，让认知再次升级

- 数十个经典案例，为超过90%的生活场景提供直观借鉴

- 幽默而犀利的分析，平均每三页提供一次醍醐灌顶的体验

★让数据说实话，是现代社会的基本生存技能

-《魔鬼统计学》颠覆常识的结论，到底错在哪里？

-《追求卓越》归纳的成功经验，为何是隐蔽的陷阱？

- 日常生活中，有哪些自我欺骗的套路？

...................

※内容简介※

允许堕胎可以降低犯罪率；

卓越公司有共同的特质；

早晨喝一整壶咖啡可以延年益寿，每天喝两杯咖啡会增加患癌的风险；

上述结论都是专业人士甚至是著名学者精心研究所得。如果你相信它们，你也应该信任章鱼保罗对世界杯的预测。

现代人被数据所包围，无论是学习、工作，还是日常生活，都习惯了用数据说话，可怕的是，骗子也学会了用数据说话。若要清醒思考，你需要学点统计学。

《简单统计学》脱胎于耶鲁大学热门统计学课程，加里·史密斯教授在书中巧妙地揭示了生活中的各种数据骗局，并用简单的统计学原理揭穿了其中的把戏，行文轻松幽默而又逻辑缜密，堪称一堂别开生面的统计课。

翻开本书，轻松掌握统计学背后的科学机制，掌握从数据中获取真知的技巧，全面升级你的认知。

...................

※名人推荐※

这是本非常有趣的书，却揭示了非常严重的问题。我们经常会被数据愚弄，是时候拆穿这些诡计了。

——罗伯特·希勒，诺贝尔经济学奖得主，《非理性繁荣》作者

统计学是金融领域极其常用的修辞方式。《简单统计学》帮助我们在统计学泛滥的时代学会认清真正有效的数据。史密斯教授帮了我们大忙。

——布莱恩·怀特黑石公司总经理

加里·史密斯的《简单统计学》非常有趣，利用多样例子使读者真正理解统计学。读者也会发现很多他们曾经学过的知识是错误的，本书会告诉他们为什么。

——本杰明·弗里德曼，哈佛大学政治经济学教授

《简单统计学》很有趣，很八卦，却很有见地，本书注定会成为经典。加里·史密斯在书中分析了数不胜数因相信数据而吃亏的错误案例，帮助读者知道如何去避免，这比单纯地讲大道理有用多了。

——爱德华·E·雷姆，加州大学洛杉矶分校教授

作品目录

序言
第1章模式、模式、模式
第2章不再神奇的超级畅销书
第3章被误传的谋杀之都
第4章新的经济学上帝
第5章扬基队的门票真的划算吗？
第6章美国有多少非裔职业运动员？
第7章辛普森悖论
第8章状态火热的雷·阿伦
第9章胜者的诅咒
第10章如何转变运气？
第11章德克萨斯神枪手
第12章终极拖延
第13章黑色星期一
第14章点球成金
第15章特异功能真的存在吗？
第16章彩票是一种智商税
第17章超级投资者
第18章增长的极限
第19章何时相信，何时怀疑
出版后记
· · · · · ·

作者简介

加里·史密斯，耶鲁大学博士，曾在耶鲁大学任教7年，其间两度获得教学奖，他的课程因结合日常生活中的常见实例、深入浅出地分析数据而火爆异常。

刘清山，清华大学毕业，译有《横向领导力》《女士品茶》《那些你以为地球人都知道的事情：科技篇》等作品。

精彩摘录

寻找统计显著性的一种方法是对多种理论进行检验，然后只宣布具有统计显著性的结果。即使只考虑毫无价值的理论，也会有1/20的检验表现出统计显著性。在海量数据和高速计算机的帮助下，在生成“可发表结果”的巨大压力下，无数毫无价值的理论得到了检验。成千上万的研究人员对无数理论进行检验，将那些具有统计显著性的结果记录下来，并将其他结果扔到一边。对于社会公众来说，我们只能看到这些统计工作的冰山一角。我们只能看到具有统计显著性的结果，看不到不具有统计显著性的结果。如果我们知道这些得到公布的检验背后隐藏着数百项没有得到公布的检验，而且知道对毫无价值的理论进行的检验中平均有1/20的检验能够得到统计显著性，我们一定会抱着更加怀疑的态度看待这些得到公布的结果。

——引自章节：第1章模式、模式、模式

另一种获得统计显著性的方法是利用数据发现理论。统计检验的假设是，研究人员首先提出一种理论，然后收集数据，以检验这种理论，然后汇报结果——这种结果可能具有统计显著性，也可能不具有显著性。许多人颠倒了这种程序，他们仔细研究数据，以发现某种模式，然后编造出符合这种模式的理论。在数据中搜寻模式的过程令人愉快，而且激动人心，就像玩数独或者解决神秘谋杀案一样。这些人从各个角度考察数据，将数据分解成基于性别、年龄和种族的类别，丢掉妨碍模式的数据，寻找任何有趣的现象。当他们发现某种模式时，他们开始思考其中的原因。当研究人员钻研数据、寻找模式时，他们会进行数百次显性或隐性检验。你可以站在他们的立场上进行考虑。首先，你将数据作为一个整体进行考察。然后，你分别查看男性和女性的数据。接着，你将儿童和成年人的数据区分开；然后将儿童、青少年和成年人的数据区分开；然后将儿童、青少年、成年人和老年人的数据区分开。接着，你尝试不同的年龄界限。你将老年人的范围设置为65岁以上。当这种做法失败时，你将这个数字调整为55岁、60岁、70岁或者75岁。最终，你总会发现某种模式。即使研究人员不对数据的每一种排列进行正式的统计检验，他们也可以进行非正式检验，即寻找看上去具有统计显著性的数据排列。如果我们知道研究人员在公布结果之前以一百种不同的方式对数据进行了考察，我们一定会抱着怀疑的态度看待这些结果。这些做法——选择性报告和数据搜刮——被称为数据挖掘。通过数据挖掘发现的统计显著性只能体现出研究人员的耐心。在独立检验证实或拒绝结论之前，我们无法判断某种数据挖掘马拉松到底证明了某种实用理论的有效性还是研究人员坚定的毅力。不过，通常情况下，这类检验并不会被人验证。毕竟，你无法通过证实他人的研究而成为明星；所以，为什么不把时间用于发现新理论呢？因此，通过数据挖掘得出的理论看上去很安全，既不会受到检验，也...

——引自章节：第1章模式、模式、模式