第1章 程序员的统计思维

这本书讨论如何将数据转换为知识。 数据是廉价的（ 至少相对而言如此）， 但知识却异常宝贵。

书中对三门相互关联的学科进行介绍：

• 概率论
  主要研究随机事件。 人们对某些事件发生的可能性高低一般都有直观的认识， 所以未经特殊训练就会使用“ 可能”、“ 不可能” 之类的词汇。 但本书会介绍如何量化这种可能性
• 统计学
  统计学旨在根据数据样本推测总情况。 大部分统计分析都基于概率， 所以这两方面的内容通常兼而有之。
• 计算
  量化分析的最佳工具。 计算机是处理统计量的常用工具。 此外， 计算实验还有助于理解概率论和统计学中的概念。

在日常生活中，我们经常会依据自己的个人经历得到一些经验之谈，这些经验之谈会因为观察的数量太少、选择偏差、确认偏差、不准确等因素存在种种不足。

为解决这种不足，本书运用以下统计学手段：

• 收集数据
  量化分析的最佳工具。 计算机是处理统计量的常用工具。 此外， 计算实验还有助于理解概率论和统计学中的概念。
• 描述性统计
  计算能总结数据的统计量， 并评测各种数据可视化的方法。
• 探索性数据分析
  寻找模式、 差异和其他能解答我们问题的特征。 同时， 我们会检查不一致性， 并确认其局限性。
• 假设检验
  在发现明显的影响时（ 比如两个族群间的差异）， 我们需要评判这种影响是否真实， 也就是说是否是因为随机因素造成的。
• 估计
  我们会用样本数据推断全部人口的特征。

术语

• 经验之谈（anecdotal evidence）
  个人随意收集的证据， 而不是通过精心设计并经过研究得到的。
• 直观效应（apparent effect）
  表示发生了某种有意思的事情的度量或汇总统计量。
• 人为（artifact）
  由于偏差、 测量错误或其他错误导致的直观效应。
• 队列（cohort）
  一组被调查者。
• 横断面研究（ cross-sectional study）
  收集群体在特定时间点的数据的研究。
• 字段（ field）
  数据库中组成记录的变量名称。
• 纵贯研究（ longitudinal study）
  跟踪群体， 随着时间推移对同一组人反复采集数据的研究。
• 过采样（ oversampling）
  为了避免样本量过少， 而增加某个子群体代表的数量。
• 总体（ population）
  要研究的一组事物， 通常是一群人， 但这个术语也可用于动物、 蔬菜和矿产。
• 原始数据（ raw data）
  未经或只经过很少的检查、 计算或解读而采集和重编码的值。
• 重编码（ recode）
  通过对原始数据进行计算或是其他逻辑处理得到的值。
• 记录（ record）
  数据库中关于一个人或其他对象的信息的集合。
• 代表性（ representative）
  如果人群中的每个成员都有同等的机会进入样本， 那么这个样本就具有代表性。
• 被调查者（ respondent）
  参与调查的人。
• 样本（ sample）
  总体的一个子集， 用于收集数据。
• 统计显著（ statistically significant）
  若一个直观效应不太可能是由随机因素引起的， 就是统计显著的。
• 汇总统计量（ summary statistic）
  通过计算将一个数据集归结到一个数字（ 或者是少量的几个数字），而这个数字能表示数据的某些特点。
• 表（ table）
  数据库中若干记录的集合。