我学习Perspectives on Psychological Science上的一篇文章时，对它的题目和内容都很感兴趣。该文介绍十大统计学家及其对心理学家的影响（Wright, 2009）。我认为，只有了解这些统计学家的有关情况，才能真正理解心理统计的技术和方法。

心理学与统计学的关系十分特殊，一些统计技术和方法，是心理学家为了解决自己研究中的问题而提出来的，例如，相关分析和因素分析。不少重要的心理学家是多面手，他们的研究技术和方法也会用在心理学之外的领域。

该文开列的十位统计学家，不包括1900年以前的人物，选择的基础是作者的个人偏好。这十位统计学家分别是：

Karl Pearson：他奠定主成分分析和若干变异度量的基础，提出了心理学研究中常用的两种统计检验——Pearson相关和χ²检验。他提出的χ²检验的自由度是错误的，后来由Fisher纠正过来。

Ronald Fisher：他的数学严密性是统计学创立的基础。心理学工作者都知道他在实验设计、方差分析方面的研究，以及来自他姓氏大写字母的检验统计量F。他在提出及使用p值作为评估证据方面起了重要作用，甚至被指责为造成当代科学对一个单独数据0.05迷恋的始作俑者。

Jerzy Neyman：他非常崇拜Karl Pearson，与后者的儿子Egon是亲密朋友和合作者，提出了统计学上支配假设检验方法的零假设与备择假设框架，他还用分层随机抽样改革了抽样方法，提出了置信区间的概念。

John Tukey：他使图示也成为科学研究的一部分，明确了箱图和茎叶图等图的定义，这些图可以提供变量分布的概要信息。他的研究发现，即使很小的正态偏差都可能严重影响基于正态分布假设而做出的估计的准确性。他杜撰了包括ANOVA（方差分析）在内的一些术语。

Donald Rubin：他在效应量和元分析方面有重要研究，以EM（代表预期最大化）算法而著名。EM是一种迭代算法，用于心理学中缺失数据和潜变量模型。他还提出了对非实验研究进行小组匹配的方法。

Brad Efron：他最著名的工作是bootstrap——这是一种借助计算机，可以用来评估估计的准确性、用一般性方法给出置信区间的技术。这种技术的优点是，不需要依赖通常不存在或以不现实的假设为基础的数学公式。

David Cox：他的重要工作是数据转换。心理学中的数据转换是应当时时考虑的问题。在统计学中，通常使用的转换是使数据与模型假设更符合，他与合作者提出了一种简单的数据转换方法——Box-Cox转换。他最知名的是分析残存数据的比例风险模型。

Leo Goodman：他的研究重点是分类数据分析。他与William Kruskal合作写了一系列关于双变量比较（Kruskal-Wallis检验）的论文，提出了用于测量两个等级变量之间相关的γ系数。他撰写了Log线性模型、Log乘法模型及潜类模型的系列论文——这些模型可使研究者同时考虑多重分类变量。

John Nelder：他与同事一起提出广义线性模型，目的是分析不符合正态分布假设的数据。现在，广义线性模型是处理数据工具的重要部分，最常用到的有普通回归和逻辑回归。

Robert Tibshirani：他的重要工作在于Lasso回归（Least absolute shrinkage and selection operator），这是一种使数据与模型简单化的技术。Lasso回归把标准回归系数的绝对值约束到某个值，直到相应的解看起来非常好，当某些标准回归系数变成0从而去掉时，可以得到一个更为简洁的模型。

学过该文，我至少有如下体会：

其一，如果不了解该文介绍的一些统计学家，就无法理解心理统计、心理测量的最新理论与技术。诚如该文所说，这是一个引论性的名单，需要读者学习包括这些统计学家在内的更多统计学家的研究。

其二，该文述及的内容大大开阔了我的视野，让我了解到统计学发展的某些脉络及其与心理学的关系。同时，许多统计学家是非常优秀的，他们似乎就是要解决别人难以解决的问题。

其三，国外的一些学者是有真正研究成就的学者，国内的学者尤其是心理学领域的学者，很少有这样的研究成就。更明确地说，国内的研究者，往往是在某些研究主题方面有些具体问题的研究论文，却没有开创研究领域性质的学术成就——这是一个值得深思的问题。我期盼我国出现甚至涌现有真正研究成就的学者，特别是心理学家。

参考文献

Wright, D. B. (2009). Ten statisticians and their impacts for psychologists. Perspectives on Psychological Science, 4, 587-597.