身邊的統(tǒng)計學

第1章.懂點統(tǒng)計學，能更明事理 /  002
1.1 引言 /  002
1.2 有助于正確地了解自己 /  004
1.3 誤用統(tǒng)計學方法可能造成傷害 /  005
1.4 讓你的行為合理地謹慎 /  008
1.5 揭開謎團，發(fā)掘真相 /  011
1.6 看清真相，防止被蒙 /  012
1.7 同樣的數據，不同的結論 /  013
第2章.認識統(tǒng)計數據的各種特征 /  016
2.1 迷人的數據無處不在 /  017
2.1.1 數據是推動創(chuàng)新的一股力量 /  017
2.1.2 數據是發(fā)掘真相的一把鑰匙 /  018
2.1.3 數據是探索未知奧秘的導航 /  018
2.2 多種多樣的來源 /  019
2.3 初探數據的特征 /  020
2.3.1 數據分類 /  021
2.3.2 能表述性質的數據 /  022
2.3.3 有數量意義的數據 /  022
2.3.4 定量數據與定性數據的關系 /  024
2.4 數據的內容質量 /  025
2.4.1 數據是否真實 /  025
2.4.2 數據是否準確 /  026
2.4.3 與目標是否相關 /  027
2.5 數據的安全隱患 /  028
2.6 數據的使用與分析 /  030
第3章.弄清楚可能存在的樣本問題 /  032
3.1 吸煙30年的他為何身體超級棒 /  032
3.1.1 吸煙又健康的王爺爺 /  032
3.1.2 一般性結果不排除有特例 /  034
3.1.3 全方位考察一下特例 /  035
3.1.4 需要怎樣檢驗特例 /  037
3.2 你相信吃巧克力能減肥嗎 /  038
3.2.1 感覺反常識嗎 /  039
3.2.2 風靡全球的報道 /  040
3.2.3 使用化名的作者 /  040
3.2.4 研究過程是這樣的 /  041
3.2.5 問題出在哪里 /  042
3.2.6 類似的形形色色的研究 /  043
3.2.7 警惕那些小樣本研究 /  045
3.2.8 警惕只說結論的新奇觀點 /  046
3.3 到底能不能“開燈睡覺” /  047
3.3.1 媒體說的好可怕 /  047
3.3.2 那個統(tǒng)計靠譜嗎 /  048
3.3.3 追根溯源看一看 /  049
3.3.4 樣本好像不對勁兒 /  050
3.3.5 原作者也承認樣本有問題 /  051
3.3.6 證據無效，晚上睡覺踏實了 /  052
3.4 哪里安裝鋼板能降低飛機被擊落的概率 /  052
3.4.1 哪些部位更脆弱 /  053
3.4.2 關于選取樣本和推論的不同聲音 /  055
3.4.3 有偏差的樣本會導致錯誤的結論 /  056
3.5 樣本越多越準確嗎 /  057
3.5.1 用200多萬的樣本量，預測結果怎么失敗了 /  057
3.5.2 便利性樣本自然導致有偏差的結果 /  059
3.5.3 網絡時代就能充分覆蓋全部目標人群了嗎 /  060
3.5.4 Z時代樣本對象選多了嗎 /  061
3.6 小結：看穿樣本 /  064
第4章.看透用什么方法分析數據 /  066
4.1 京港澳少年兒童繪畫大賽為什么通過投票評比 /  067
4.1.1 投票結果決定是否獲勝 /  068
4.1.2 喜歡貓咪的人多還是喜歡狗狗的人多 /  069
4.2 新冠病毒的潛伏期究竟是14天還是24天 /  070
4.2.1 什么是中位數 /  072
4.2.2 如何使用中位數 /  073
4.3 為什么拖后腿的總是我 /  073
4.3.1 你的工資被入統(tǒng)了嗎 /  074
4.3.2 使用了什么樣的工資統(tǒng)計口徑 /  076
4.3.3 誰說平均工資是大多數人的工資 /  077
4.3.4 誰拉高了普通人的平均工資 /  077
4.3.5 求職時別被平均薪酬忽悠了 /  079
4.3.6 再看到平均數先要捫心三問 /  080
4.4 平均年增長率怎么計算更合適 /  081
4.4.1 更符合實際的均值計算方法 /  083
4.4.2 買基金，看清收益率 /  083
4.5 想要的究竟是穩(wěn)定還是刺激 /  084
4.5.1 如何才能找個更準點到達的公交車 /  084
4.5.2 哪位同學更可能逆襲考上重點高校 /  087
4.6 哪位學生候選人的支持率更高 /  088
4.6.1 美國的學校錄取新生存在性別歧視嗎 /  091
4.6.2 辛普森悖論現象是如何發(fā)生的 /  093
4.6.3 如何才能避免出現辛普森悖論 /  094
4.7 冰淇淋會導致犯罪？這純屬巧合 /  095
4.7.1 存在相關性，但違背常識 /  095
4.7.2 不賣冰淇淋就沒有犯罪了嗎 /  096
4.7.3 什么是相關性分析 /  097
4.7.4 小明外出與手機使用時間的關系 /  098
4.8 國內最安逸城市排名遭質疑 /  099
4.8.1 數據能夠支持結論嗎 /  100
4.8.2 數據之間的差距顯著嗎 /  101
4.9 生活中常遵循的鐘形分布曲線 /  102
4.9.1 股市只有5%的人賺錢 /  103
4.9.2 身高的正態(tài)分布 /  105
4.9.3 選擇吃什么晚餐 /  105
4.9.4 考試成績分布 /  106
4.9.5 小結 /  107
4.10 英語學得好的人為什么法語和西班牙語也學得好 /  107
4.10.1 語言學習者的特征 /  108
4.10.2 制訂個性化英語學習方案 /  109
4.10.3 學霸為什么門門功課得A /  110
4.10.4 足球踢得好，打籃球也不差 /  112
第5章.別忘了要進行數據檢驗 /  114
5.1 做奶茶先放奶還是先放茶 /  114
5.1.1 奶茶味道的測試檢驗 /  115
5.1.2 為什么要喝8杯奶茶 /  116
5.1.3 怎么知道不是瞎猜的 /  117
5.1.4 品茶能力的顯著檢驗 /  119
5.2 男生比女生數學成績更好嗎 /  119
5.2.1 數學成績引發(fā)的性別困惑 /  119
5.2.2 關于男女成績的假設檢驗 /  120
5.2.3 p值不代表成績差異的大小 /  121
5.2.4 假設檢驗是必不可少的 /  122
5.3 智能手表電池續(xù)航時間像宣傳的那么長嗎 /  123
5.4 打不打疫苗被感染的概率問題 /  124
5.4.1 打不打疫苗感染的概率一樣 /  125
5.4.2 新疫苗產品的有效性檢驗 /  126
5.4.3 輝瑞疫苗的保護率解讀 /  127
第6章.謹慎使用統(tǒng)計結果作決策 /  129
6.1 看著好看的統(tǒng)計結果 /  129
6.1.1 有技巧地描述數據 /  130
6.1.2 投資回報率同比增長200% /  132
6.1.3 價格上漲幅度大嗎 /  132
6.1.4 圖表顯示變化很大 /  133
6.1.5 結語 /  137
6.2 被統(tǒng)計數據誤導的決策 /  137
6.2.1 就診時間怎么增加了 /  137
6.2.2 減少促銷合適嗎 /  139
6.3 統(tǒng)計口徑謊言——兩個第一 /  140
6.3.1 誰才是第一名 /  140
6.3.2 兩個第一不奇怪 /  143
6.4 忽略基數規(guī)模差異的把戲 /  145
6.4.1 哪個品牌的電動車更加可靠 /  145
6.4.2 投訴率高的產品一定差嗎 /  147
6.4.3 僅比較增長率是不客觀的 /  149
第7章.基于大數據技術賦能的統(tǒng)計學 /  154
7.1 大數據的威力 /  154
7.1.1 大數據的新特征 /  155
7.1.2 大數據分析的高速度 /  156
7.1.3 大數據的統(tǒng)計新思路 /  157
7.2 大數據預測 /  158
7.2.1 谷歌流感趨勢預測——大數據預測是可行的 /  159
7.2.2 數據量大不等于完整——也可能存在系統(tǒng)誤差陷阱 /  160
7.2.3 利用相關數據預測應小心陷阱 /  162
7.3 大數據也會“垃圾進入/垃圾輸出” /  164
7.3.1 不要過度依賴大數據 /  164
7.3.2 大數據清洗非常重要 /  165
7.4 不被數據算法控制而變“瘋魔” /  168
7.4.1 那是算法陷阱惹的禍 /  168
7.4.2 信息繭房是怎么建成的 /  170
7.4.3 算法偏差和算法歧視 /  172
7.4.4 如何掙脫數據算法的控制 /  174
第8章.基于智能化應用場景的統(tǒng)計學 /  176
8.1 學哪個專業(yè)未來更有前途 /  176
8.2 探索兩個學科的起源 /  178
8.3 人工智能的本質是精裝版的統(tǒng)計學嗎 /  179
8.4 數據是統(tǒng)計學和人工智能的共同基礎 /  181
8.5 人工智能比統(tǒng)計學使用的數據更豐富 /  183
8.6 統(tǒng)計學與人工智能之間相距千萬里 /  184
8.7 統(tǒng)計學與人工智能使用數據的方式不同 /  186
8.8 人工智能專業(yè)為什么要學好統(tǒng)計學 /  188
第9章.統(tǒng)計預測照亮未來之路 /  191
9.1 生活中時常發(fā)生預測 /  191
9.2 父母身材高，孩子以后會長多高 /  193
9.3 受教育程度不同，未來的收入差多少 /  195
9.3.1 多讀一年書到底能帶來多少收入 /  195
9.3.2 高學歷必然得到高工資嗎 /  198
9.3.3 歷史可能會重演 /  201
9.4 哪年是畢業(yè)生最難的就業(yè)季 /  202
9.5 籃球得分預測需要不斷地調整 /  205
9.6 人工智能技術使統(tǒng)計預測更準嗎 /  206
9.6.1 將曾經的不可能變?yōu)榭赡?/  206
9.6.2 大數據助力現代預測 /  210
9.6.3 人工干預相對少 /  211
9.6.4 始終保持批判性 /  211