统计学最新学术报告在哪里看 最早使用统计学这一学术用语

大学的许多老师和管理者都需要花费大量时间写作，但我们的写作水平往往差强人意。我怎么也搞不明白我们这个行当明明非常重视学术写作，为什么很少有人讲授如何写作呢？在大学工作的近30年中，我看到很多有才华的人因为不能写作或者没有写作而失败了。而有些能力平平的人（每天早上，我都能从镜子中看到这个人）就因为掌握了写作技能在学界混得还算不错。

这开始于研究生院。从那时起，你要从上课转变为写作，开始几乎正好相反的转型。许多研究生在前两年上课期间是人人都羡慕和高看的明星，但突然间他们发现自己不再是主角了。相反，那些不在乎通过认真阅读参考书目中的每一页书来讨好教授的不起眼的学生突然给刊物投稿而且发表了，实现了从学生到专业学者的转变。其实，差别并不复杂，就是因为写作水平。

1、写作是一种功夫，需要日积月累

熟能生巧、巧能致精，写作也是越写越有心得、越写越有信心。假如你一年后要跑马拉松，你会等到几个月后才突然一下子跑完26英里吗？当然不会，你会天天坚持跑步，慢慢加量。你或许可以先在平路上练习，然后随着水平的提高，慢慢在难度更大的路面上疾跑。要想写好文章，多写是唯一必经之路。你不能指望等到要出书或编写砖头厚的外部评审报告时才开始练习写作。

2、制定以产出导向的目标，而不是以投入导向的目标

“我要努力写作三小时”这样的豪言壮语是一种错觉，而“我要敲打出三页双倍行距的文字”才是实实在在的目标。完成这三页纸的目标后，停下来去做点儿别的事情。备课、授课、开会，干什么都行。如果晚些时候你还有写作的感觉，好极了。如果你没感觉，那么你今天也不是没有收获的，至少你留下了一些文字。

3、寻找发自内心的声音，不要为出版而写作

詹姆斯·布坎南是1986年诺贝尔经济学奖的得主。他在面试求职者时会问的一个问题是：“你写的东西里有什么是十年后还有人读的吗？一百年后呢？”有人曾问过我这个问题，问得我心里怕怕的。而且这个问题也让人感到很惭愧，因为我们多数人都不会这样想这个问题。

我们关心的是“发表”论文，至于写的东西是不是有思想或是不是能够启迪读者思考好像不在考虑范围。矛盾的是，如果你想的只是“发表”，你可能反而发表不了什么东西。如果你写的东西正是你感兴趣的课题，那么写作往往就变得容易了。

4、写作需要时间

许多聪明人会给自己找理由，这些理由是自欺欺人的谎言。比如，“我在临交稿前写得最快最好”。请注意：这完全是不真实的。谁也不能在压力下有更好的表现。毋庸置疑，你聪颖过人。但如果要阐述一个艰深的课题，你凭什么认为可以在临开会的前一天晚上的大半夜里，脑袋里能凭空蹦出智慧的火花，做出重要的贡献？

写文章的人往往在书桌前一坐就是数小时，不停琢磨各种想法。他们会向别人提出各种问题，会在品茶或吃饭时也要与其他有见解的人切磋意见，会一边漫步一边思考。有想法后，再坐下来写上一大段。不要担心你写出来的东西不够好，散悉或者不能即刻用得上。你在写文章的时候会产生新的灵感；而你所做的也并不是仅仅去记录下各种想法。

那些几十年后仍然有人读的文章和书籍都是坐在书桌前辛勤思考，强迫自己把深刻的思想转变成文字的作者写出来的；然后，他们会再让这些文顷前字引导自己迸发出更多的灵感。如果你给自己足够的时间，写作就会像魔术一样，在遥远时空的另外一个人的脑海中生动地把此时此刻存在自己脑海中的想法刻画出来。

5、写作锋芒来自磨砺，而不是吹嘘

每个人的作品在落笔完成之前都是精彩无限的。而且，越是未落在字面上越精彩。我们都遇见过那些口若悬河、咄咄逼人的研究生或者老师。他们在酒雀掘清吧或者聚会上一手拿着啤酒、一手拿着香烟，让人倍感敬畏。他们简直无所不知。他们会告诉你他们即将着笔的作品会多么不同凡响。

时光飞逝，对于“你在写什么？”的问题，多年后他们的回答仍然是那个听过多少遍的200字的回答。这个样子从未改变，因为他们除了吹嘘，从未专心做过任何实实在在的工作。如果是另一种情况，你在努力写东西，而你的作品不断在发展变化。你不喜欢自己刚刚写完的部分，而且你也不确定接下来将发生什么。当有人问“你在写什么？”时，你会为之语塞，因为你不知道怎么去解释。

那个拿着啤酒和香烟的踌躇满志的家伙呢？他只是装腔作势，实际上从来不写任何东西。他的回答是脱口而出，那是在消耗数百瓶啤酒和数千支香烟过程中不断演练的成果。

不要被假象所迷惑：你才是赢家。当你真正在写作，以成功所要求的标准付出辛勤努力时，你一定会感到力不从心、水平太臭，自己把自己折磨得疲惫不堪。如果你没有这样的感觉，那说明你对自己的要求还不够严格。

6、构思一个引人入胜的谜题

将你的作品描绘或构思成为一个谜题的答案。有很多种有意思的谜题可供选择，比如：
“甲和乙从相同的假设前提出发，最后却得到了完全相反的结论。这是怎么回事？”
“这里有三个问题表面上看起来各不相同。但奇怪的是，它们实质上都是同一个问题，只是表象不同。我来告诉你这是为什么。”

“理论预测的结果该会如此，但我们看到的现实却不同。是理论错了，还是有什么其他因素我们没有考虑进去呢？”不要被这些公式限制住了，但在你向大家（不论是演讲的听众还是文章的读者）呈现你的作品时，这些公式还是对你很有帮助的。

7、先写作，然后再安排其他的事情

把写作放在第一位。我正好是个习惯起早的人，所以我一大早就开始写作。在写作之后，我安排上课、开会或做一些文案工作。你或许是个“夜猫子”，或介于两者之间。不管怎样，请把你最有效率的时间留给写作。不要在忙完别的事情后，才突然想起来要写作，也不要迷惑自己说等到有了大块儿时间后再去动笔。挤时间去做其他事，写作要排在首位。

8、不能要求每一个点子都高大上

许多人因为不能有力地阐释自己感兴趣的大题目而沮丧不已。进而，他们就什么也不写了。其实，不妨从小题目写起。埋头坚持、在创作道路上一步一个脚印地跋涉，慢慢你会惊喜地发现自己已经在爬山登顶的过程中完成了很长的路程。只有在把思想写下来的过程中，我们才会更加明晰论文提出的问题，才能更准确地定义专业术语，并了解论据的逻辑性。

9、摸着石头过河

你最深刻的思想往往是错误的，或者，至少可以说它们不是毫无瑕误的。如果你研究的课题很深奥，那么，准确把握课题的核心和构思好谜题都不是轻易能做好的事。当刚入学的研究生说他们知道自己希望研究的领域或毕业论文要写什么课题时，我总是暗自发笑。几乎所有最优秀的学者都会因为他们的研究和写作体验而经历巨大改变。他们边实践边学习，而有时候，认识到自己犯错正是他们的学习收获。

10、好文章是改出来的

请别人来帮你参详一下你的作品。大学的一大优势是我们几乎所有人都在同一条船上，而且我们都体验过面对空白页面上一闪一闪的光标却一个字也写出不来的恐怖。与你的同学或导师交换阅读各自的作品，尤其是当你写得感到恶心的时候，不妨帮别人读一读他们的作品。你必须克服心里对批评和否定的恐惧。

没有人的第一稿是完美的。成功的学者与不成功的学者之间的差异不一定是谁的写作水平高，而常常是谁能把编辑修改的功夫做足做好。如果你感到写作很困难，那只说明你写得不够多。写很多页的文字对我而言一直都是一件很轻松的事。但我永远不可能只靠写作谋生，因为我写得还不够好。

但是，在领会这些小窍门并努力坚持实践，我已经能让写作的技能为我所用，成为我人生和职业发展的一种助力。

数据挖掘与统计分析的区别

多元统计老师说：“数据挖掘是以统计分析为基础的，多数在采用统计分析的方法”。我有不同的观点，就写点东西出来，大家可以自己评述。

我们过去曾给予数据挖掘方法智能的生命力，把它看作商务智能重要的发展方向。但统计学作为一个学科是否应该关心它的发展。我们是否应该将它看成统计的一部分？那意味作什么？最起码它表明我们应该：在我们的杂志上发表这类文章；在我们的本科课程中讲授一些这方面的内容，在我们的研究生中讲授一些相关的研究课题。我们的博士生专业课就有《多元统计》一课；给那些这方面较优秀的人提供一些奖励(工作，职称，奖品)。

答案并不明显，在统计学的历史上就忽略了许多在其它数据处理相关领域发展的新方法。如下是一些相关领域的例子。其中带*的是那些在统计科学中萌芽，但随后绝大部分又被统计学忽略的方法领域。
1 模式识别*–CS/工程
2 数据库管理–CS/图书馆科学
3 神经网络*–心理学/CS/工程
4 机器学习*-CS/AI
5 图形模型*(Beyes 网)-CS/AI
6 遗传工程–CS/工程
7 化学统计学*–化学
8 数据可视化**–CS/科学计算

可以肯定地说，个别的统计学家已经致力于这些领域，但公平地说他们并未被我们的统计学学术圈接纳，主流的学术圈并未接纳这些，至少我没有听到哪个统计学教师钻研神经网络。

既然象上面的一些从数据获取知识的课题和统计学的关系如此冷淡，我们不禁要问：`什么不是统计学`。如果和数据联系并不是一个课题成为统计学一部分的充分理由，那么什么才是充分的呢？到目前为止，统计学的定义好象依赖于一些工具，也就是我们在当前的研究生课程中讲授的那些东西。如下是一些例子：
.概率理论
.实分析
.测度论
.渐近理论
.决策理论
.马耳可夫链
.遍历理论

统计领域好象被定义成一族能提出如上或相关工具的问题。当然这些工具过去和将来都会很有用。就象Brad Efron（Brad Efron, Department of Statistics Sequoia Hall 390 Serra Mall Stanford University Stanford）提醒我们一样：“统计是最成功的信息科学。那些忽略了统计的人将受到惩罚，他们将在实际中自己重新发现该统计方法。”
有人认为在当前数据(及其相关应用)以指数方式增长，而统计学家的数量显然赶不上这种念掘颂增长的情况下，我们统计学应该将精力集中于信息科学中我们作得最好的部分，也就是基于数学的概率推断。这是一种高度保守的观点，当然它也有可能是最好的一种战略。然而，如果我们接受这一种观点，我们统计学家在‘信息革命’浪潮中的作用肯定会逐渐消失殆尽（在这个舞台上的演员越来越少）。当然这种战略的一个很好的优点是它对我们创新的要求很少，我们只需要墨守成规就可以了。

另一种观点，早在1962年就由John Tukey[Tukey (1962)]提出来了，他认为统计应该关注数据分析。这个领域应该依据问题而不是工具定义，也就是那些和数据有关的问题。如果这种观点成为一种主流观点，那就要求对我们的实践和学术课题作较大的改变。
首先(最重要的)，我们应该跟上计算的步伐。哪里有数据，哪里就有计算。 一旦我们将计算方法看成是一个基本的统计工具(而不是一种方便地实现我们散信现成工具的方法)，那么当前许多和数据密切相关的领域将不复存在。他们将成为我们领域的一部分。
认真对待计算工具而不是简单地使用统计包–虽然这一点也很重要。如果计算成为我们的一个基本的研究工具，毫无疑问，我们的学生应该学习相关的计算科学知识。这将包括数值线性代数，数值和组合优化，数据结构，算法设计，机械体系，程序设计方法，数据库管理，并行体系，和程序设计等等。我们也将扩展我们的课程计划，它应该包括当前的计算机 定向数据分析方法，它们大部分是在统计学科之外发展起来的。

如果我们想和其它的数据相关领域争夺学术和商业的市场空间，我们的某些基本模式将不得不改变，我们将不得不调节对数学的幻想。数学（象计算）只是统计的一个工具，虽然非常重要仔郑，但并不是唯一能证实统计方法有效性的工具。数学不等价于理论，反之亦然。理论本来是创造理解力和数学，虽然这很重要，但并不是作此的唯一方法。比如，在疾病的基因理论中数学内容很少，但它却使人们更好地理解许多医学现象。我们将承认经验确认方式，虽然有一定局限性，但的确是一种确认方式。
我们可能也不得不改变我们的文化。每一个参与其它数据相关领域的统计学家都被他们和统计学的‘文化差距’所震撼。在其它的一些领域，‘想法’比数学技术（基础）更重要。一个有启发的‘想法’就被认为是有价值的，若有更详细的确认（理论的或经验的）人们才去讨论它的最终价值。思维方式是‘如果没有证明是有罪的，那就是清白的’这和我们领域的思路是不一致的。过去如果一个新方法不是用数学证明是有效的，我们常常诋毁它，即使不这样，我们也不会接受它。这种思路在数据集比较小和信息噪声比较高时是合理的。特别地，我们应该改变我们诋毁那些表现很好（通常在其它领域），但却没被我们理解的方法的习惯。

个人感觉，也许，现在的统计学正处在一个十字路口，我们可以决定是接受还是拒绝改变。如上所说，两种观点都极富说服力。虽然观点丰富，但谁也不能肯定哪一种战略能保持我们领域的健康发展和生命力。大多数统计学家好象认为统计学对信息科学的影响越来越小。它们也不太同意为此作些什么。站主导的观点认为我们有市场问题，我们在别的领域的顾客和同事不了解我们的价值和重要性。这也是我们的主要专业组织，美国统计协会的看法。在战略计划委员（A mstat News-Feb.1997）会所作的五年计划报告中有一节‘增强我们学科的声望和健康’，报告中提及“以下的内容意思是：统计学面临危机，市场的，人才的危机。”统计学可以在数据挖掘科学中发挥作用，统计学应该和数据挖掘合作，而不是将它甩给计算机科学家。

有一部分统计专家认为计算机和他们争抢了市场，这个是表面现象。以我们的课程为例，老师讲得很认真，但很多人都没有统计基础，这严重影响了学生对分析过程和结果的理解。SPSS、SAS等分析软件已很优秀，但运行出来的结果仍需进行解释，统计专家的价值也在于此。数据挖掘的可视化比统计分析工具更成功，在目前BI风起云涌的大背景下，企业数据仓库发展到一定阶段，数据挖掘的市场会越来越大，统计专家们的担忧正变为现实。数据挖掘是面向最终用户的，而统计分析的中间转换环节提高了应用成本。

以上是小编为大家分享的关于 数据挖掘与统计分析的区别 的相关内容，更多信息可以关注 环球青藤 分享更多干货

国势学派。最早使用统计学这一学术用语的是国势学派蚂段。统计学闷哗誉的萌芽最初在当时欧洲经济发展较快的意大利孕育良久，但最终却在17世纪的德国首先破土成芽，国势学派又称记芦悄述学派，产生于17世纪的德国。