2021年，哥伦比亚大学的统计大师Andrew Gelman和芬兰阿尔托大学的计算机科学教授Aki Vehtari在Journal of the American Statistical Association杂志上详细盘点了过去50年中最重要的统计学思想，值得推荐学习。Andrew Gelman大师同时也是统计宝典"Data Analysis Using Regression and Multilevel/Hierarchical Models"一书的作者，影响力巨大。
作者将过去50年的重要统计思想归纳为以下八类（按出现顺序，非重要性排序，由DeepSeek整理，鄙人略作点评，很多我也不了解，建议大家细读原文）：
1. 反事实因果推断（Counterfactual Causal Inference）
- 核心：通过潜在结果框架（potential outcomes）和结构模型，在观察性数据中进行因果推断。
- 关键贡献：明确因果假设（如可忽略性、工具变量），统一了经济学、流行病学等领域的因果分析方法。
- 代表方法：Rubin因果模型、DAG（有向无环图）、工具变量法。
2. Bootstrapping & Simulation-Based Inference
- 核心：通过重采样（如Bootstrap）或模拟（如参数化Bootstrap）估计统计量的分布，减少对解析解的依赖。 Bootstrapping 确实是一种简单却实用的思想，可解决很多数据结构上的问题。
- 意义：推动了非参数统计的发展，适用于复杂数据结构和模型。
3. 过参数化模型与正则化（Overparameterized Models & Regularization）
- 核心：通过正则化（如Lasso、岭回归）或贝叶斯先验，控制高维模型的复杂度，平衡灵活性与过拟合。 机器学习就是过参数化模型，相对于一般的回归分析，没有模型过度拟合问题。
- 应用：支持向量机、神经网络、深度学习等。
4. 贝叶斯多级模型（Bayesian Multilevel Models）
- 核心：通过分层结构（如随机效应）实现部分池化（partial pooling），结合组内与组间信息。 所谓层次模型，就是混合效应模型，近年来几乎已经称为一种通用的统计工具，几乎全面接管了所有通用型的数据分析工作。
- 应用：纵向数据分析、具有层次结构的数据分析，Meta分析。层次模型已经成了高质量期刊上Meta分析论文的标配了。
5. 通用计算算法（Generic Computation Algorithms）
- 核心：开发高效算法以支持复杂模型的推断，如MCMC（除了慢，似乎没有其他缺点）、EM算法、变分推断等。
- 影响：使贝叶斯方法、高维模型等在实践中可行。
6. 自适应决策分析（Adaptive Decision Analysis）
- 核心：结合统计学习与动态决策优化，如强化学习、贝叶斯优化。
- 应用：在线学习、A/B测试、机器人控制。
7. 稳健推断（Robust Inference）
- 核心：发展对模型假设偏离不敏感的方法，如稳健标准误、部分识别。
- 意义：提升模型在现实数据中的可靠性。
8. 探索性数据分析（Exploratory Data Analysis, EDA）
核心：通过可视化（如Tukey的箱线图、Tufte的信息图形）和交互式分析，发现数据模式而非验证假设。 先看数据格局，再找规律，作图就显得尤为重要了。
工具：R语言、ggplot2包、Jupyter Notebook等。
全文链接：https://www.tandfonline.com/doi/full/10.1080/01621459.2021.1938081
转载本文请联系原作者获取授权，同时请注明本文来自张霜科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3442043-1478457.html?mobile=1
收藏
