落园 » 统计学

遇见与未来（自我广告一下，求推荐工作~）

Liyun — Tue, 24 Apr 2012 11:07:30 +0000

如前几日所言，最近在考虑换工作。所以，希望遇见一个自己喜欢的机会，然后体会一种新的生活。未来，在寻觅与改变。希望大家帮忙推荐一些机会，我坚信着social network的无穷力量，相信这样的推荐会比海投更有效。

下面是自我广告时间。分中英文两个语种，内容是一致的。点击这里直接跳到中文部分。

What I am able to do...

I will divide my background introduction into several categories: knowledge, skills, and experience.

Knowledge

Knowledge reflects my academic trainings, and it stresses more on "how I think", than "what I do".

Economics: Typical advanced economics courses, including advanced microeconomics, advanced macroeconomics, advanced econometrics, etc., up to the first-year Ph.D level. I am holding a M.Sc degree in Economics from the Barcelona Graduate School of Economics, one of the top European economics schools. To be specific, my researches specialize in social and economics networks, as shown by my graduation thesis.
Mathematics(analytical): I have learned analytical mathematics up to real analysis, functional analysis and complex analysis.
Statistics: I am familiar with most quantitative models applied in economics and finance (cross-section, time series and panel data methods), as well as some data mining algorithms. From the practical side, a brochure on implementations of these methods in R is being working in process.
Computer Science: some basic principles, for example, database management system, algorithm and data structure, network technology.
Biology: I also know a little about biology at an undergraduate level, including biochemistry, physiology, microbiology, ecology, genetics, etc.

Skills

Skills come from what I have done repeatedly.

Computational Skills: R, Matlab, Stata, SPSS.
General programming: C/C++,Python, Java, Basic.
Website related programming: PHP, HTML+CSS, JavaScript(Ajax), SQL, little JSP and ASP.
Office related software: Word, Excel, PowerPoint, Photoshop, Flash, Illustrator, InDesign.
Others: LaTeX, Linux.

Experience

The past years have granted me some experience on:

Data analysis: I have played with data for years since my senior year in undergraduate school. Recently, I am working on "Big Data" processing using regressions and data mining methods, and am in favor with it.
Industry background: familiar with the telecommunication industry, from working as a consultant and supporting the operators (e.g. CMCC).
Media: I have worked as a journalist and free lance writer, and an experienced blogger ^_^

To sum up, I will be qualified for most quantitative analytical works and communications with clients. You can trust me on these

For more details, my FULL CV is here: http://www.cloudlychen.net/cv.html.

What I want to do...

Among all things I can do, there must be something favored, and thus attracts my passion. In the ideal framework, it would be tagged with:

Data: I would be very glad to pay my time for a high-quality data source.
Passionate workmates: it is a kind of enjoyment to work with a group of energetic people and come up with brilliant ideas.
Space for development: I appreciate the chances of experiencing more and growing up. I love challenges - no risk, no pay.
Language: English is preferred.

These characteristics will serve as bonus during my decisions. With concerns to industries, well, I do not have a particular taste on this, though being objective, information related ones, international organizations and finance may offer more relevant opportunities as described above.

我能做什么？

大致的，我将分知识、技巧和经验三块，来介绍一下自己。

知识

这一部分更多的是我所接受过的学术层次的训练，很大程度上决定着我的思考模式、深度及广度。

经济学：作为一个欧洲顶级经济学院毕业的经济学硕士，三高（高级宏微观、计量）自然是接受过相当于博一水准的训练的。然后，我的研究主要集中在经济和社会网络方面，关于学术研究可以更多的参见我的CV。
数学（分析）：数学分析方面，学到实分析、泛函分析和复分析层次。
统计学：熟知大部分数量分析模型，尤其是经济和金融中常用的，例如横截面、时间序列、面板数据分析等。也知道一些数据挖掘的算法。另所谓“工欲善其事，必先利其器”，我也在将一些计量经济学模型在R中的实现方法整理于一个小册子中。
计算机：知晓一些基本的原理，比如数据管理系统、算法和数据结构、网络技术等。
生物学：稍稍知道一些本科层次的生物学知识，包括生化、动植物生理学、微生物学、生态学、遗传学等。

技能

技能就是一些常年反复做过的事情，主要是跟计算机相关吧。

计算与统计: R, Matlab, Stata, SPSS.
基本编程: C/C++,Python, Java, Basic.
网站编程: PHP, HTML+CSS, JavaScript(Ajax), SQL, 一些JSP和ASP.
办公及图形设计: Word, Excel, PowerPoint, Photoshop, Flash, Illustrator, InDesign.
其他: LaTeX, Linux.

经验

经验更多的源于实际的工作历程。

数据分析：从大三开始，一直在玩各种数据。最近一段时间一直热衷于“大数据”分析，关注这种大数据分析模型、实现方法及商业应用模式。
行业背景：目前比较熟悉电信业，作为咨询顾问跟中国移动等运营商打过很多交道。
媒体：曾经做过一段时间记者（在学校里面的时候），现在业余也作为自由撰稿人写一些稿子，当然还在傻傻的坚持喂养着一个博客。

简而言之，对于大部分数量分析、或者与客户交流的工作，我应该都是值得信赖的

当然，如果希望了解更多的细节，我的CV在这里： http://www.cloudlychen.net/cv.html。

我喜欢做什么？

一方面是自己能做的事情，另一方面，自然的有一些工作会额外的吸引我的注意力，以及随之而来的热情。下面这些“标签”可以简单的且理想化的勾勒一下我喜欢的工作:

数据：我是个典型的数据源控——会非常乐意跟高质量的数据源打交道。
激情的团队：我会非常享受跟一群有热情的人共事、创造新想法的过程。
成长空间：我喜欢挑战，希望有一个很大的空间可以成长。所谓，没有风险，就没有收益嘛。
工作语言：我更倾向于英文，可能跟英文环境中可以强迫自己更直接的思考有关。

这些标签更多的是我在选择的时候的“bonus”吧。具体到行业，虽然我没啥特别的偏好，但是客观的讲，可能信息产业(例如IT啊、咨询啊、媒体啊)、国际组织或者金融行业会有更多类似的机会。好吧，虽然我还是有点“抵制”金融，但是没有那么坚决了——银行证券之类大机构还是算了吧，不过私募啊量化啊还是可以看一下的...呃，工作地点的话，上海肯定是最好的了，要不就得搬家了。

总结完毕，还要仰仗各位帮忙推荐好的机会啊，先谢过~

那日，恍然觉得，魔都真的是魔都...真有点魔幻色彩啊。View @Ritz Carlton, Shanghai Pudong

[RAAT]第一话：微博的数据该怎么玩呢?

Liyun — Tue, 03 Apr 2012 13:41:42 +0000

引言(即废话)：每当要准备presentation的时候，就会开始想一些问题。去年写的是【社会实验的特殊性】，然后有一系列的文字和最终的slides。现在，想多少从自己这大半年的工作经历出发，写一系列文章，就叫做 R as an analytical tool吧，简称RAAT。第一话，从微博入手好了；第二话，将由Joke童鞋过年时候问的一个问题引出；第三话，会是更偏向流程和实践的东西。这些我会一点点写，也可能有所改变，看到时候具体的想法了。

新浪微博也火了这么久了，但是对于吾等数据源控来说，这等数据简直不能被暴殄天物啊。怎么用来分析为好呢？

links类数据

微博有两大类links:

粉丝关系
评论与转发关系

然后呢然后呢？

首先很多人感兴趣的是信息传递吧？那么决定信息传递的就是，第一呢，每个用户的信息源（主要来自于他关注的其他微博用户）；第二呢，他关注的人的发布及转发行为。用粉丝关系来计算影响力（influential rank）自然是没有问题，但是多少有点损失的感觉——我们总关心一个人在接受信息之后的response是不是？所以，一个简单可行的思路是，这里不妨用其转发行为来加权，判断每个他关注的用户对于他的影响程度的不同～如是，则每个有向的link上就附加了一个权重，成为了一个加权的有向图。

嗯，这样一个基本的网络模型就构建好了。然后呢？链路预测？等等，我们关注并分析微博数据是为了什么呢？到底构建什么样的指标是合理的呢？

如果你想扩大自己的影响力...

好吧，在下作为一个老字号（落园居然被我坚持写到第6个年头了，这是一种什么精神啊~）blogger，自然可能希望多少扩大一下影响力。落园是落园，blog对我来说有它自己特殊的意义（比如发泄，呃），但是我的新浪微博就沦落为一个落园的notifier了（这个特别的理由就不在这里公开说了，私底下聊）。如是，那么应该怎么办呢？

正常的话，经营一个微博，怎么判断自己是不是越来越受欢迎了呢？显然，简简单单一个“粉丝数”还是不够的，用“转发数”为每个粉丝关系加权也还是不够的，我还得关注一下我的“粉丝”们都是一些什么样的人。比如，他们有几千+的粉丝，还会转发我的东西，那么我的影响力就～哈哈。简单的说，一个衡量指标可以是：我的微博可能会被多少人看到呢？那么，我只要算一下我的粉丝和他们转发的可能性，然后再算他们的粉丝转发他们微博的可能性，以此类推，我就通过了“粉丝”这类link成功的影响到了更多的人。从这个角度而言，这比直接的“粉丝数”或者“转发次数”更能衡量一个微博的影响力。

当然，类似的指标还可以构建很多，比如对response进行加权。看具体目的了。我的微博算个特例，因为它有一个特殊性：不转发任何其他微博（机器人自然要符合自己的身份嘛），所以我关注的指标相对单一——我是比较关注“信息能传递到的人”，而不是特别关心他们的response程度（话说最近关评论了，直接刺激大家转发啊，故需要另当别论了）。如果是商业经营一个微博，那么在内容的选择上或许就要更加迎合各自群体的口味，具体的是否可以用Bayesian规则来算算被转发概率呢（不断的update概率）？

如果你是想提供一个互动渠道……

微博被很多企业作为新兴的接触客户的渠道（沟通成本低嘛），所以很多企业可能希望建立一个帐号来更多的获取用户的信息。比如会员制的商家，可以通过找寻自己会员的微博号，来得知他们最近的偏好，然后推荐相应的产品。电商也可以进一步的做一些销售活动，比如我的京东帐号和微博帐号绑定之后，是不是就可以直接留言给京东下单了呢？就像我打个电话似的那么方便。要是他搞什么团购之类的，我也可以直接在微博上买而不是跳转到京东复杂的页面上去，那该多好啊。

对于这样的目的，首要的任务就是找寻自己的用户群，然后建立他们微博帐号和会员帐号之间的关联。除了直接的搜索关键词之外，初期还可以利用社交网络的力量，比如洲际和喜达屋集团都在做一些转发抽奖的活动，让已经关注他们的微博用户来扩散到他们的朋友（所谓物以类聚嘛，自然更有可能也是酒店常客），这样一来就已经实现了用户的识别。然后，怎么引诱这群会员是这些商家的长项，各种美图诱惑之下，让人经常在屋子里面各种坐不住（比如我...）。如果这些用户发一些信息，比如“下周飞北京”，那么这些商家大可以直接找到这些用户施以小惠然后成功的从对手那里抢的客户（先发制人啊）……反正至少我认识的玩酒店常客计划的人，都没有只专心的玩一家的。

跟R啥关系？

说了这么多，我们有了一些基本的建模思路。比如希望借助微博扩大影响力，那么最直接的办法：去找粉丝多的微博来转发自己的内容。很多微博都有一个不太公开的转发价格，如果你相信市场是无摩擦的、处于均衡的，自然可以认为价格反映了其影响范围的大小。但是，首先市场就不是一个静态的，难免在动态潮流的波动下偏离均衡；再说怎么可能无摩擦呢，信息不对称总是到处存在的。因此，为了实现现有资金（或其他资源）的集约化投入，往往需要做到的就是“找到对目标群体影响力最大的微博”。

还是用那句俗话，“物以类聚，人以群分”，很多大众微博的粉丝关系并不是从天而降的。这些微博发布的内容往往偏重某一个侧面，如科学松鼠会往往会发布科普类知识，主动follow松鼠会的粉丝可能也就有着更高的教育背景和辨知能力。换言之，不同微博的粉丝往往有着不同的群体背景。为了识别这些形形色色的圈子，我们可以先利用微博的粉丝关系，建立起来一个网络图（更可利用转发情况来建立加权的有向网络）。这在R中可以利用SNA等package完成，或者Gephi之类的更专一的network analysis software。然后在此基础上，分析若干帐户发布的微博关键词（会用到一些text mining技术，其R中的实现可以参见思喆大哥的这篇指导：http://www.bjt.name/2012/03/text-mining-in-r/），然后找到一个或者若干个符合目标群体特征的微博帐户，在此基础上按照links顺藤摸瓜、获取更多相关的帐户。一切的影响力之类都可归结于一个数学上的distance的measure问题（think about real analysis...），而加权网络中计算这些并不困难（也可以加入随机的扰动项进行多次模拟得出结果）。最后，自然可以计算哪些微博帐号的转发会对某些目标群体产生极大的影响——不仅仅是定量计算，更可以进一步归结于一个有约束的最优化问题。一旦一个问题成为数学问题，在R中无论是模拟还是求解都不是难事。最后结论会告知，哪些微博是应该去争取转发的（无论是通过金钱还是内容本身的意义去说服）。

类似的思路，能做的事情还有很多。譬如，哪怕是作为一个个体用户，我只关心某些事情发展的潮流（比如那些会影响股市的情绪），利用R也可以在浩瀚的微博信息中更准确的找出我应该关注的信息源（可能不是全部，或者出于实时性要求无法做到全量检测），即排除噪音，然后这些信息源所提供的信息便有可能给我一些方向上的指导，而不是盲从大众媒体的言论。

利用微博作为新兴交互渠道的办法就更多了，背后依赖的数据分析知识也会相应有所调整。R作为一个开源、免费的工具，其已经提供的众多packages可以迅速的帮分析人员实现相应的想法，而不是把大量的时间用于无休止的编程以开发相应工具。这样，R便可以在一个想法探索阶段找到相应的数据支撑和信息。有了想法、去实现之后，很多时候还需要评估效果（这里可以参见去年写的关于社会实验的东西：一、二、三、演讲幻灯片），这方面简单的计量工具更是可以在R中迅速实现、并可以轻易实现可重复的评估和报告（简单的分析模型和结果重复可以利用已有的脚本，偏正式的报告可以借助当年的Sweave和进化版如knitr）。

总而言之，我一直觉得数据分析考察的是分析人员本身的统计知识、业务知识和具体学科知识的积累，以及一些对于数据的敏锐直觉，而不是编程能力。若有想法便有其他人可以帮忙实现自然好，但是有时候一味的借助他人往往存在着时滞，一闪而过的很多想法便成了过眼烟云。不是我不提倡团队合作，只是找到这么一个完美团队的成本实在是太高，更多的时候还是不得不自己做很多事情。团队的合作程度在现实中往往会有所降低，分工模式也会更加的偏向项目执行流程（比如分析->成熟模型->自动化系统），而不是在分析阶段就完全的实现了各展所长（那样对每个成员的要求可能都太高了~）。在效率和效果兼顾的现实情况中，R的贡献自然轻易的凸显。我想这也是这两年R越来越热的趋势背后的推动原因吧。Labor division problem with constraints 分工最优化的必然结果。

------remaining challenges ------
当然，有一个回避不了的问题就是大数据量……R现在面对大数据依旧有些吃力，而network的数据往往又是一个N*N维的（N为个体数量），更加大了对于空间计算量的需求。这方面，解决思路一方面是把线性的计算分块化、分批跑；对于非线性的计算，更多的则可能是先抽取一个小样本，然后确定一个或几个模型，最后利用其它高性能计算工具来实现最终在整个大数据集上面的运行。

土山湾拔草与古文

Liyun — Wed, 07 Mar 2012 08:20:19 +0000

终于把心里这根草拔掉了～在moore童鞋提及那么久之后，我终于把念想转变为了行动力，遵循王守仁同志“知行合一”的思想，辗转了几趟地铁。在一个周日的下午，在工作人员即将关闭大门谢客的时候，我就堂而皇之的闯了进去。

第一份惊喜是一本护照。原来除了世博护照之外，还有这么多，上海这么喜欢搞这套东西啊。然后长长的一串名单，对我这种人最有效了，逐个的拔草吧拔草吧。

土山湾特殊之处在于它是中西文化碰撞、融合的历史痕迹。在上海，在徐家汇，当中西方文明交织在一起的时候，土山湾忠实的记录了这一切。绘画、雕刻、建筑艺术等等，都有着东方文化的烙印和西方风格的痕迹。再念及其民国时期的大历史背景，一曲婉转而悠扬的文化交融曲就此鸣响。

博物馆不大，但是没想到我逛了好长时间，很多东西多少确实觉得新奇。很专业、很精致的博物馆。

然后最近一直在读《明朝的那些事儿》，貌似这套书风靡了也有些时日了。我总是这么落后……谁让我原来以为他是戏说历史呢，就没想读。后来在一位朋友的大荐之下，觉得再不读点历史就枉为华夏儿女龙的传人，于是乎赶紧的开始努力读书了。这套书确实好长，7卷啊，我真佩服这个作者可以这么孜孜不倦的把明朝的历史一点点用白话语言、符合现在表述习惯的方式展现给大家，而且其材料组织罗列能力不是一般的强，很少有“断”的感觉，很连贯（也造成了我一读起来就停不下，废寝忘食的状态肯定是有的，跟当年一口气读三国的状态有的一拼）。现在读到了万历，联想起去年春天读《万历十五年》的情景，好熟悉的陌生。

初中的时候在语文老师（影响我很大的老师之一，要不我肯定跟文艺青年八杆子也打不着了）的鼓励下，读了很多古文，后来不自量力的死在了《资治通鉴》下——真不是一个十几岁的毛孩子应该翻开的书。而后就中断了古文的阅读，转到华丽的诗词去了。类似的故事还有大四的时候我雄心壮志的要继续打牢统计学基础，直到搬回家一本陈希孺的《高等数理统计学》，在反复翻看前几章无果之后，我彻底死心了……

这两段经历的不同之处在于，不读古文不会有什么严重后果，除了别人海侃的时候插不上嘴，少个卖弄的机会罢了。而不学高等数理统计，那就是跟我自己的本专业过不去啊。君不见黄河之水天上来，计量尽是渐进论。所以今天看到yixuan童鞋感慨大样本理论的时候，顿时心里一抽，俺这个从没正儿八经学过测度论和极限定理的人，也居然从计量经济学的课程上存活了，各种侥幸后怕……话说俺们当年，就是对着一本Hamilton的《时间序列分析》中大概第4~5章的渐进理论推导，生生的活下来的。计量里面那么多plim，说到底也就是那么几个定理，转来转去居然一致性就出来了，现在想想当年真的不知道怎么对着满眼的“asymptotic”活下来的。这样无知者无畏的好处就是，现在看algorithm，一上来就是各种asymptotic性质，可是心里很有底的可以说“不怕不怕啦”，都是骗人的纸老虎，纵然知道自己的对于渐进理论的理解还真的很有限……

跑题再跑回来。现在心里真的有一些特别的“惶恐”，不读书真的觉得有种比不过“吴下阿蒙”的感觉。在我一直奉行的“偏见源于无知”的背后，也要“知行合一”的去“退而结网”，不能总临渊羡鱼啊。从我的角度来说，为了说服别人，我更倾向于沿着别人习惯的逻辑走下去达到自己的目的，而不是把自己的逻辑和成见强行的加在别人身上吧。于是，要学习的东西真的太多了，根本不知道很多圈子里人们的规则是怎么玩的。念及于此，总为自己的无知觉得惶恐，惴惴不安吧。人外有人，天外有天。

----
插曲：最近如Yihui兄所说，COS的小宇宙持续不断的爆发——当然这跟R最近在学界和业界都很火热（估计是有一大批学界的人毕业去了业界了吧）有很大关系。先是和松鼠会的联合（大赞taiyun和yihan的辛勤劳动啊 p.s. 这丫头的网站地址我居然找不到了~sigh），然后我这样在魔都嗷嗷待哺的人终于也盼来了一丝曙光，TopGeek伸出了橄榄枝~ 神马热闹之类的，伦家最稀饭啦~ Hoho，又有的玩咯！

跨学科研究之殇

Liyun — Thu, 26 Jan 2012 03:17:53 +0000

今天看到木遥的一篇文章：为什么跨学科的研究项目是件残酷的事，略有感触，在此罗嗦几句。

1. 经济学大量吸收了数学家，Arrow之后更是有一系列微观理论数理化的变革，Laffont的加入对于博弈论的影响扩大也不可或缺。这些人，在当年应该都算是“跨学科”的吧，经济和数学总是走的那么近，和统计学就更不用说了。
2. 很多学科领域都在期待数学工具的变革和进步，很多学科的突破式发展也是得益于数学工具的引入。物理和数学的渊源就不用说了，生物这些年来也多多少少依赖着好多数学工具的发展。另外从某种层次上，计算机和数学是不分家的……
3. 交叉学科研究最难的是，要求一个人具备两个、或者更多领域相对专业的知识。某一个领域少了一点，都不足以支撑一个突破性研究的进展。或者应该这么说，纯知识是好学的，关键是习惯两个以上领域的思维方式，知道他们分别关心的是什么，然后找到交叉点，这是我觉得对人要求最高的。隔行如隔山，很多时候确实如此。

最后补一句，最近常用一句话，

偏见源于无知

无知请理解为“某种知识的欠缺”。举个简单的例子，一个统计调查和研究估计往往首先要考虑的问题之一就是，样本是不是selected sample。简单的说，你不能跑到东北去进行人口身高采样然后回来告诉大家这就是中国人的平均身高（而某些国际研究，限于资金人力，往往在一个国家就取一个或者几个点）。selected sample，以及我们耳熟能闻的truncted data, censored data 等等，都是样本较之于总体的缺陷，自然会造成最后估计的偏颇。这也是很多时候，为了保持无偏（一致）性，我们需要根据样本的特征加上各种假设（比如Tobit模型）进行修正，然后才能得到基于假设下面的一致估计。

这是从统计或者计量的角度说这个估计的事儿，那么扩展一点，统计的本质无非是“归纳法”（此处特指相比于演绎法），那么自然是基于已有的信息集作出对已经发生的事件的判断。如果信息集不全，正如我对“无知”一词在上面的运用，那么得出的结论必然多多少少是有所偏颇的（无偏成为了小概率事件）。从这个角度来说，跨学科研究对于研究者多领域知识的高要求，在我的理解中，是这些研究突破困难但是珍贵的最主要原因（至于是不是偏颇，我们只能说这里无偏就更加的是一种信念了，没有什么可以衡量比对的依据了）。

终归，在一个充满噪音的信息集里面，找到有效信息，是一个脑力+体力活。Ph.D在我看来，值钱的地方正是这种孜孜以求的苦干精神，怕是真的与上上课就能学来的知识、和考考试就能获得的分数或者证书没什么关系。至于木遥所说的就业问题，呃，学界容不下还有业界……不要这么看不起业界……实践也能出真知啊。从学术研究突破所需的资源来看，业界能提供给研究的资源是完全不同的，所谓换个角度看世界嘛。

面试二三感想

Liyun — Sun, 20 Nov 2011 09:20:30 +0000

若是算一下，是自己接受的面试多还是面过的人多，我想还是面过的人会稍稍多一点吧，谁让我是这么一个懒得投简历的人呢？嗯……

原来在学校里面的时候，无非是帮各种社团面试，简单的很，偶尔摧残一下刚刚进入大学校园的花朵们。后来，帮一些单位面试，害得我只能借身衣服装成熟。再后来，就真的成了自己去招人而面试了。一路走过来，从开始面试的随意，到后来面试的忐忑，再到后来面试的随意，往往复复，也算是不断的在成长着吧。

平心而论，对我来说，面试别人比被别人面难的多、耗神的多。也可能是我太善良了？时间允许的话，我希望被面试的人尽力的放松并且能够尽可能多的让我知道他的能力和知识，以便我作出最正确的抉择。呃，这样下来，就比较费神了呢。而且很多时候，现在人才市场竞争激烈啊，看中的人不一定对你的offer感兴趣，还要费好多口舌去说服和引诱人家，不容易啊。招人的人才知道，找到合适的人比找到合适的工作难得多。劳动力市场的双方都不容易啊～这也是为什么有时候一个blog或者一个Github就能让人脱颖而出的缘故吧。

今天突然又写到这个主题，是因为昨天的时候面试了一个统计学的学生，深有感触。从我的角度，我是一直希望招一个统计学的，这样沟通起来比较容易。但是，我有一点点小小的期望，你多少会写写代码嘛！不要求多么fancy，SAS或者R都行啊，哪怕是SQL也行啊，要不我实在是不相信你的动手能力啊。面试的小姑娘也说，她们虽然是“统计学”，但是更偏向“经济管理”，很多课程都是什么统计调研方法之类的，我听来听去基本就是为人口普查准备的。可是啊，我们国家多少年才人口普查一次？是吧……也不需要那么多人去设计人口普查表格吧。真的是，学的东西太不贴合实际了。若是学个实验设计方法，我还可以跟你深入谈谈……唉。

说真的，如果你现在还是一个统计学专业的学生，没有进一步深造打算的话，抓紧时间多学学一些统计软件的使用方法吧！简历上有一行SAS或者R的应用经验，加上一个SQL，会吸引到很多HR的眼球的。

我真的不得不抱怨一下，某些学校开的课程实在是迂腐至极，教材老套、思路老套，统计学统计来统计去用的数据量都不过千行，多少届学生都是那几个翻到烂的数据集，你让学生学什么？会用什么？教他们一个计量经济学，讲了半天就是什么理论上的多重共线性、自相关、异方差，然后呢？深度不够做科研、浅度不够去应用，这实在是尴尬啊！而且貌似不仅仅是在中国，就算是大洋彼岸，也有类似的“微积分难教难学”的感概。

这个小姑娘也是蛮无奈的跟我说，她们找工作很难，跟会计相关的人家有会计专业，银行保险有金融专业，好不容易招统计专业的不是希望数理统计的就是希望研究生学历，她们现在真的很尴尬，很多人无奈转行做销售什么的了。是啊，四年本科下来，学的东西一点用武之地都没有，换谁都会觉得痛苦吧。

相比而言，或许计算机专业的情况会好很多吧，但是眼睁睁的看着一个基础还不错的人为了稍微高一些的薪水毅然投身做IT界底层的Coder去了，顿时也觉得挺惋惜的。唉，青春饭+苦力啊。

或许，这就是越来越多的人被无奈的淹没在时间的滚滚洪流中的感觉吧。很多事情，敌不过现实。我是否又应该庆幸，至少自己，还拥有很多思想上的自由，还有一点点的任性与勇气。

社会实验的特殊性（二）

Liyun — Fri, 23 Sep 2011 14:56:06 +0000

还真没想到这一题目居然被我一直写下来了，虽然已然时隔一月。今天想说的是偏社会实验设计的东西，起承于“费歇尔(Fisher)三原则”。当然，关于Fisher，建议大家读一下《女士品茶 (The Lady Testing Tea)》这本书，会得到更多的八卦故事以及他的思想的来源。

Fisher三原则是指实验设计的：1）随机化原则 2）重复原则 3）区组化原则。

我就沿用计量的术语了，第一个随机化原则大家都比较熟悉了，就是保证进行实验的时候实验组和对照组（如为对照实验）的同质性，也就是避免我们在将实验对象分组的时候分组不均、造成由样本偏差带来的实验对照结果偏差。从社会实验来看，实验的对象必然是人，那么人作为一个主动行为和决策的个体，自然会有非常强烈的个体之间的差异，这也是我在社会实验的特殊性(一)里面一直在说的问题。随机化最常见的就是lottery，比如彩票或者抽签的形式决定哪些人可以进入 treatment group、哪些人留作对照。这种方式最常见于小额贷款实验的实践中，因为他们想看一下有机会得到贷款（优惠）的人是否和其他人日后的生活有了显著的差异，从而证明小额贷款的意义。这种实验方法从技术和随机性原则来说并没有什么问题，但是在实践中却经常被口诛笔伐，毕竟有些优惠政策很吸引人、这样子的随机抽取而不是按需分配多少有点不道德的味道。关于疫苗、书籍等牵涉到一代人命运的分配更是如此，这样子随机实验的“机会成本”着实太高，谁也无力大规模承担。众所周知，由于种种原因印度成为了小额贷款等microcredit的优选试验田，因此有了这么一张经典的图片……

因此随机性原则说起来容易，但是很多时候还是有实践困难的，要不也不用RDD（Regression Discontinuity Design）等稍显复杂和依赖于更强假设的模型了（当然，某些时候RDD的假设也不是那么强……这个各种经典的实验分析方法日后另论）。

再说第二条“重复原则”，就是说实验可以被重复、然后结论经得起重复试验的检验。这种要求最常见于理科实验中，比如物理、生物、化学等。刚看到一条新闻说是“欧洲研究人员发现了难以解释的中微子超光速现象"，其中有这么一句“参与实验的瑞士伯尔尼大学的安东尼奥·伊拉蒂塔托说，他和同事被这一结果震惊了，他们随后反复观测到这个现象1.6万次，并仔细考虑了实验中其他各种因素的影响，认为这个观测结果站得住脚，于是决定将其公开”。我们姑且不论这个发现的物理意义和新闻的正确性，假设新闻是正确的，那么重复实验1.6万次就足以在大样本下排除实验每一次的一些随机性和测量误差，更充分和有说服力的证明一个实验结论的可靠性。这一条原则在社会实验中相对较难满足，因为每一次都是“独立重复”实验隐含着对于实验对象也要保持一模一样的要求。然而我们很难找到两群完全相同的人去做实验，比如我们今年找大一的学生做一次心理暗示教育，明年再做这个东西下一批学生多多少少就会有一些不同，三五年之后这种不同便更明显了。对同一群人做重复实验显然不可取，在经历了一次 treatment 之后实验个体已然发生了改变，不可能回到原来的起点重新做重复实验了。这也是社会实验面临的严格性挑战之一。最简单的，很多人说做博弈论的实验，觉得只需要一组两个人参与，然而看看实验经济学的paper有多少前后实验设计并无二致的实验进行之后结果迥异。这也是实验经济学就算是 lab experiment、不算 field experiment 也会出现各种争议的缘故。毕竟，实验的对象在变化，这样的重复实验并不是完全的“独立重复实验”。从社会实验来看，更多的只是能说一次结果，然后找一群我们认为关键的特征相似的人群做下一次实验。实验的不可完全重复性某种程度上决定了我们对于一次实验结果的internal validity和external validity的难以确保性，也就是说这种试点实验结果在多大程度上可以复制到所有我们感兴趣的人群中，还需心里预先打个折扣。我觉得，两次实验结果一致那真的有点纯属巧合了，不一致还是正常的。这也是很多时候我对于实验估计出来的marginal effect并不是特别的关心，只看一下数量级便是了，更关心的则是显著性。一般说来，几次相差不大的实验若是都能保证我们预期结论的显著成立，那么便可以考虑大规模的复制了。这也是社会实验和自然科学所无法比拟的严格性。

Fisher提出的最后一个原则是“区组化原则”，指的是“消除试验过程中的系统误差对试验结果的影响而遵守的一条规律”。这里要说的两个概念就是“随机误差”和“系统误差”，都和“测不准原则”有关系。随机误差大致是说我们不知道的随机因素造成的每一次实验结果的客观误差存在性，而对应的解决策略就是上面说到的“独立重复实验”。“系统误差”则是更多的在结果出来之后我们对其进行测量的时候带来的误差，比如最经典的测长度可能会由于尺子本身刻度不准的问题带来系统误差，即最简单的“仪器误差”。当然，系统误差还包括我们本身实验设计所依赖的理论要求和实验条件的差别，比如“热学实验中没有考虑散热所导致的热量损失，伏安法测电阻时没有考虑电表内阻对实验结果的影响等”，称之为“理论误差”。当然，“个人误差”也是客观存在的，指的是“由于观测者个人感官和运动器官的反应或习惯不同而产生的误差，它因人而异，并与观测者当时的精神状态有关”。区组化原则更多的就是为了消除/减轻系统误差的影响、提高实验的精确度而建立的一条原则。区组化的做法无外乎先把实验对象按照某种特征分组，使各组之内尽量同质，然后在此基础上每组分别随机抽样。这里多少有点和“分层抽样”的思想契合。从我的感觉来说，社会实验中我们对于这一点的强调相对少一些，除非是比如性别决定了实验方式需要区别（比如对丈夫和妻子要采取不用的treatment），要不大多数情况下常见的还是完全随机抽样。我的感觉来说，区组化原则更多的在于treatment的制定是不是完全相同，如果我们需要依赖于某种特质来制定treatment，那么分组再随机抽样就显得更为必要。当然我这里的理解可能和fisher的意思有一些偏差，但是实际中我们确实是要考虑，比如对于教育水平极低的人（甚至不识字）采用亲笔签名的方式来确认某项事情并不一定反映了其真实意愿，不见得有最传统的“按手印”来的有效。这里我更多的是想说区组化原则除了可以作为分层抽样的基础，更多的是一种制定实验手段的时候可以考虑一些实施中的实际困难、灵活应变，以保证在某些区组中不至于出现大规模的系统误差影响实验最终的平均意义上的效果。这更多的是一种事前的警觉性体现，事后往往修正就比较难了，实验不尽如人意也就在所难免了。

OK，今天就简单的回顾一下Fisher的实验设计三原则，感觉这些东西在最基础的统计学中都学过，估计大家也都有把这些作为“重点”概念熟记应付考试的经历，其实刚才很多名词我搜了一下出来的都是XX试题详解。其实“随机误差”“系统误差”这些东西说起来容易，先不论很多人只是为了考试，大多数人学这些概念思想的时候很少有同时确实在动手做实验的，哪怕是物理化学实验，更少有思考实验设计“为什么这样”的机会，很多东西大家都约定俗成了。而到了社会实验，面临的问题就更复杂和多元化，对这三原则自然也会有一些不同的解读和理解，大概也是走出象牙塔之后的一种进步吧。实践出真知，比证明多少次plim a= a或者E(u|x)=0都更有切身体验。除了数学公式的所确保的一致性，在一个实验的实践过程中确实有太多的环节可以导致结果的偏差了，尤其是系统误差。如果对这些可能的因素没有警觉，那么实验的设计缺陷可能进一步导致实验结论的稳健性下降。所以，设计实验的过程更多本身就是一种学习和积累经验的过程，然后这种积累到了一定程度，就会影响到理论的发展和进步吧。科学不就是这么一点点艰难的前进的？虽然经济学或者其他社会科学还称不上实验科学，但是这些思想的引入和考量我觉得还是有益无害的。

天才，R会议还有那个小册子

Liyun — Wed, 21 Apr 2010 07:51:22 +0000

先说说小天才们。今年无意间在Google Reader里面看到一篇枫叶兄分享的日志，是一篇关于庞加莱的几何学的文章（见http://www.eaglefantasy.com/archives/386），虽然已是一年以前的了……之所以突然间对此问题感兴趣，是因为前几日一朋友在博客上的留言（见http://www.loyhome.cn/935.html/comment-page-1#comment-6807），当时说到了P Versus NP，我就很无知加很无耻的继续讨教了下去：

克雷数学研究所悬赏的7个问题之一，哦，不对，现在只有六个了，庞加莱……
可以简单理解成某些经典组合优化问题是否有多项式时间复杂度的图灵机算法
http://en.wikipedia.org/wiki/P_versus_NP_problem

看了半天那个NP和P的问题，感觉好象是算法那边的，大概糊弄了自己一下就放过去了，因为有更感兴趣的千禧年7个悬赏问题。嘿嘿，搜了一下，大致了解了来龙去脉，于是乎对庞加莱更加的感兴趣。我真的是孤陋寡闻到一定程度了，根本不知此人为何大牛，就像前几个月还不知道写僵尸研究的Gelman是统计学泰山一样……没事，亡羊补牢，开始津津有味的八卦起来此人的历史。嘿嘿，在看不懂他研究的是什么的时候，看看传记是最有意思的一件事儿。

然后脑海中刻下了此人的大名，没想到时隔不久就又碰到关于此人的文章，自然要跳过去好好阅读一番。非欧几何我接触的不多，但是断断续续的也对那边的理念有一些了解。最初是高中的时候在张景中院士的科普读物《数学与哲学》里面有了一个印象，而后去年有幸阅读《西方文化中的数学》一书的时候渐渐的建立起来了一个整体的概念。然而看到庞加莱，着实感觉到此人的体系有多么的诱人……

回到题目，其实想说的是这篇博文的作者，也就是宇宙的心弦博客的博主，一位年纪轻轻的小天才。说他年纪轻，是因为他是90后，但是90后这个词儿多少有点奇怪的味道，所以年纪轻轻一词足以。说他小天才，看看他的博客就知道了，从高中开始就接触那么多的物理学，真的让吾等无知之辈汗颜。想当年俺也是狂迷恋天文滴，虽然现在时过境迁，天文大概与我无缘……一直以来有种强烈的偏好，觉得小天才们都是对数学或物理有着超强的领悟力……如果按照我的这个有点莫名的标准，那么此人必可归类于此。上了这么多年学，见过的可以称之为天才的却寥寥，大概加起来也没有一只手的指头那么多……当然不排除我孤陋寡闻的因素。

从这个角度讲，吾等不济之士便从数学一路沦落，弄个应用数学混个颜面——譬如经济学。曾记得高中毕业时，很不好意思的跟数学老师说我去学“文”了，她问我是何学科，我曰经济。她笑了笑，说没事儿，你还是学的数学，只不过是应用数学罢了。当时我还没理解，学经济学的前两年也没理解，到现在隐隐约约知道她当年那番话是多么的有远见。果不其然，无论经济学别人学成啥样，我还是把它大半当作应用数学来学了，因为纯粹就是经济学思想加上数学表述嘛。

再说一件有意思的事儿。第三届中国R语言会议就要召开了，现在已经开始紧锣密鼓地筹备了。统计之都论坛上已经开始部署启动工作，诸位热情高涨，此次有望突破历史。目前在商定会场事宜，诸位有兴趣（承办、建议）的话可以直接杀到该页面（http://cos.name/cn/topic/101426）留言，我就充当一回摇旗呐喊者……

不过说实话这次我并不确定能不能参加，不过大概可以确定的是肯定不会站在讲台上面了，这次只想安安静静的做个观众。当然做观众不代表沉默，因为现在手头一直有一件事儿压着，隔三差五的我也弄一弄，目前已经稍稍有个雏形了，那就是一本关于R和计量经济学的小册子（暂定名曰：Play Econometrics with R）。现在刚刚弄完第二章，打算先内部测试一下（简称内测）听听修改意见，而后会公开的发布一个试读（简称公测）征集大家的看法。这个小册子是打算免费在互联网上发行的，作为COS的项目之一……目前关于这个小册子的一点点信息可以在这里看到（http://blog.cloudlychen.net/beginning-play-econometrics-with-r），具体的发布平台和流程还在探讨中……

Anyway，如果你对此小册子有兴趣，可以加入我们的mailing list（此招感谢Frank兄提醒，借用于此Prof），当此册子完成到一定程度之后你会收到一封邮件通知，大致包括我们更新了哪些内容、更正了哪些错误、计划完成哪些部分。这样一个定时的email通知是为了方便及时得到大家的反馈，让我们这本免费的小册子在大家共同的心血浇灌下更快的成长。目前Mailling List的加入方式暂时只有：

在本文后面留言（只需在email框里填上你的email即可，不用在留言内容中再指明，从而避免spam）
发一封邮件给我：cloudly.chen[at]gmail.com （请把 [at]替换成@）

暂时只能这样麻烦大家，当然待具体的流程完善后，我会进一步改进订阅方式和反馈系统。

p.s. 最后补一句：人生最悲哀的事儿莫过于在网上搜一个问题，却发现搜来搜去列在google前面的结果都是来自自己的博客……FAINT！

一幅漫画

Liyun — Sun, 24 Jan 2010 10:53:12 +0000

不废话了，看图，来自Phd Comic (因Flickr不幸牺牲，暂时放在国内的yupoo上了，各位可以反馈一下速度)。

一下子就想到高涛、李程在R会议（演讲稿见这里）上面提到的“视觉欺骗”等等报刊杂志滥用统计学了。当然，yihui兄对此问题貌似也是深恶痛绝（原文找不到了，大概曾经写过吧）。

另，过年期间每周例行的日志就不写了，免得总是在流水帐。

答Taiyun问(2)：对统计学（数学）转经济学（金融）的一些建议

Liyun — Sat, 14 Nov 2009 09:07:34 +0000

3.经济学、金融学中有哪些研究方向是能够让数学和统计学专业学生所学东西有用武之地的呢？

其实在第二个问题的回答中也大略的提过一些关于数学应用于经济学的问题，在此再细细叙述一遍：

运筹学：解经济模型中的最优化问题
实变和泛函：提供经济分析的工具和一些求解方法（注：我泛函实在是学的一塌糊涂，只知道个“压缩映射定理”，至今还没弄懂什么弱收敛、全连续之类的到底想干嘛，所以真的是“仅供参考”！！！）
概率论：对经济学中涉及到不求定性的分析提供工具
统计学：提供经济模型的现实依据
数值逼近：对于非解析解的求解办法

其他的可能还有一些，比如山大就有彭实戈院士在研究非线性风险测度的问题，据说用到了非线性泛函、现代概率统计等等的知识。

统计（或数学）专业的学生若想转到这两个专业，结合点在哪里？在哪些方面优势明显？又有哪些弱势？

统计（或数学）专业的同学，毫无疑问在实证研究上、即对于计量经济学的方面会有一些优势，很容易的做出一些漂亮的成果。但是个人觉得经济学的思维和分析方法可能还需要统计学的学生进一步的适应。至于金融，可能对于数学背景的同学更为简单一些，因为里面对数学的要求远胜于经济学思维。由于我个人非金融学专业，相关知识了解甚少，对于金融的理解也是从经济学的角度出发的（即解决个体的跨期预算约束等等），所以也无法提供更深入的建议，仅供参考。

您对我们统计学的学生转读经济金融有什么具体一点的建议？

至于转读经济或者金融，我觉得还是需要先搞清楚原因。是出于就业压力，还是个人兴趣所致，还是赶大潮？如果是仅仅为了硕士毕业之后有个较好的工作，那么相对来说只需要在研究生期间多多关注经济或者金融在现实中的应用，多多的去实习。如果是想致力于经济学的科研，那么就很有必要多多的涉猎各种经济学和人文科学的知识，培养和传统数理逻辑思维有所区别的思考模式，用最快的时间建立经济模型和数学工具之间的“映射”关系。此外就是多都关注社会、关注日常生活，毕竟经济学源于人们的实际日常生活。

如果从统计转向经济，其中的风险如何看待？特别是对于本科生和研究生所能承受的风险，是否能多方面具体分析下。

至于“风险”一词儿，Wiki解释为“Risk concerns the expected value of one or more results of one or more future events”。即知道未来可能的收益及相应的概率及其分布。但是我觉得人生是没有固定的结果的，所以不能谓之风险，只能谓之“不确定性”，即我们连可能的结果是什么都不知道，那么就更难言之风险。对于这个问题，奈特（弗里德曼、斯蒂格勒和布坎南的老师）有一本书叫做《风险、不确定性和利润》，可以看看其中对于这两个词儿的解释和思考。

因此，我觉得对于大家而言，能比较的就是“机会成本”。这当然取决于你个人的预期，你想做什么，你目前的期望薪水和职业生涯是什么样子的？对于经济学学生来说，如果留校任教且至少拿到副教授，大致一年10万～50万（可能略偏高，取决于学校档次）的收入（含薪水及各种校外收入）；如果工作，那就更难说了，银行保险证券大致也是从5万～200万每年不等。所以我实在是难以确切的说出一个答案。只能说，人生道路漫漫，别人的现状只能用来借鉴，但始终不是属于你自己的。因此，既然未来都是未知，那么何不随着自己的兴趣，做一些喜欢的事情？船到桥头自然直，相信真金不会被埋没的。

对于经济学来说，理论和应用绝对是两个层次的问题。若想在学术上有所斩获，那么自身的兴趣和创造力（创新能力）是必不可少的要件。而从就业来看，经济专业的学生可能比统计专业的选择范围更广一些，不仅仅局限于对数学统计知识要求高的银行、保险、证券等等金融行业，还可以选择一些政府部门或者咨询公司等等，做的事情也可能更贴近与人的交流而不是对着电脑和数据。
但是这只是泛泛而言，对于每个人来说，现在社会限制已经少了许多，所以如果有机会，还是依据个人兴趣吧。

4.工欲善其事，必先利其器。如果一名同学想要在将来从事这方面的研究或者工作，在本科阶段哪些准备工作是必不可少的哪些又是可有可无的呢。

例如数学基础、专业课基础方面；

既然问题是“研究”，我就只从研究的角度上来说。对于课程，如国外的很多大学经济学Ph.D.项目要求的一样，中级的宏观、微观经济学和计量经济学是必不可少的。但我个人倾向于建议各位去读一些经管类的书籍，不仅仅是经济学类的，金融、管理等等的都是有益的。其实很多经济专业的学弟学妹们也经常问我类似的问题，下面是一个我上中级微观习题课的时候为他们推荐的书单，是我自己读过的一些书，可以稍稍参考一下：

第一类（直觉层次）：《弗里德曼的生活经济学》（戴维·弗里德曼）、《世界是平的》（托马斯·弗里德曼）、《卖橘者言》（张五常）、魔鬼经济学（史蒂芬·都伯纳）
第二类（专业入门）：《活学活用博弈论》（詹姆斯·米勤）、《经济学基础文献选读》（罗卫东）、索罗斯三部曲——《金融炼金术》、《开放社会——改革全球资本主义》、《索罗斯论全球化》、汪丁丁散文集系列、张五常散文集系列
第三类（专业分析）：《人类行为的经济分析》（加里·S·贝克尔）、《经济学思想史讲义》（汪丁丁）

至于《货币战争》之流的垃圾书就不要看了……当然，你也可以边看边批判。

6.如果没有遇到较好的老师，什么东西都得自学，但是自学往往容易陷入死胡同，您觉得如何自学效率最高呢？

自学确实是一种无奈的选择。不过我倒是觉得，自学收获的往往远胜于课堂灌输。毕竟没有兴趣的东西，是很难坚持下来自学的。

自学走入死胡同是经常的事儿，毕竟一个人的领悟力有限，没有别人的提点只能靠时间积累慢慢成长。

我能想到的就是，在现在这个信息时代，广泛的利用互联网上的资源。个人最最推荐的就是各个专业的论坛。比如我当时自学Latex的时候就是经常流连在 CTEX论坛，翻翻大牛们的帖子或者脸皮特别厚的去问一些弱智问题，在这个过程中逐渐的学习。不要依赖“百度知道”这种东西，最多就是搜搜看看有没有以前遇到类似问题的人，但是这里绝对不是一个学习的好地方。
其次就是，学以致用。我觉得自学很多时候是觉得“需要”才会去学的，那么学了知识之后就要迅速的用到需要的领域，在应用的过程中逐渐的体会原理。这也是最有效率的、最卓有成效的学习方法。

最后想说的就是，人生漫漫，高中毕业后基本就没有老师逼着学习的“黄金时代”了，因此自学是一件很实际的事情。拘泥于课本的人往往是难以在日后的工作学习生活中出类拔萃的。而且，从个人的经历来说，在自学中遇到的坎坷才是最最宝贵的经验。老师带着的时候往往轻而易举的把陷阱跳过去了，却不能保证你以后不遇到陷阱。只有自学者才知道如何识别陷阱，从而在以后的道路上避免再次落入陷阱。

12.还有哪些重要的？

我最后特别想说的就是，数学在经济学中有着巨大的应用空间，每一次数学在经济学中的成功应用都推动着经济学向前迈进了一大步。数学的严谨的思维也是经济学中所欠缺的。拉姆齐、马科维茨、阿罗（Arrow）和德布鲁等等，都在经济学的历史上书写了漂亮的一笔。

附：拉姆齐、马科维茨、阿罗对于经济学的贡献

1.拉姆齐（转自互动百科）

剑桥皇家学院会员、温彻斯特和三一学院昔日的学者、马格达兰校长之子——弗兰克·拉姆齐在26岁上的英年早逝，对经济学纯理论是一个重大损失，尽管他的主要兴趣在哲学和数理逻辑方面。从他年龄很小时，我想大约是他16岁时，他早熟的头脑就对经济问题发生了强烈的兴趣。生活于剑桥的经济学家们，从他大学时代起，就习惯于在他有判断力的和逻辑的天赋的锐利锋刃上试验他们的理论。如果他遵循了单凭爱好的容易一些的道路，我不能肯定他会不会已经失掉了思想和心理学之基础的折磨人的练习，在那儿这个头脑试图抓住它自身的尾巴；为了我们自己最适意的道德科学分支的愉快的道路，在那儿，理论和事实，直觉想象和实际判断，以一种对人类智力而言舒适的方式相混合。

当他真的从他习惯的多石高地下降时，他仍然毫不费力地生活在一种比大多数经济学家喜欢呼吸的更稀薄的大气中，用一种习惯于远远更困难的事物的人的轻而易举的优雅，操纵着我们的科学之技术仪器。他（不包括他的哲学论文）只留在身后两个他的力量的见证——他发表于1927年3月的《经济学杂志》关于《对税收理论的一个贡献》的论文和1928年12月的关于《一个关于储蓄的数学理论》的论文。尤其是后一篇论文，我认为，是对数理经济学的最杰出的贡献之一，无论就其题目内在的重要性和困难程度，所运用的技术方法的力量和优美，还是就被读者所感觉到的作者头脑凭以驾驭其主题的阐述的清晰纯正。对于一位经济学家来说，这篇文章是困难得可怕的读物，但欣赏在它里边结合了多么科学和审美的素质是不困难的。

2.马科维茨（转自互动百科）

哈里•马科维茨、威廉·夏普和默顿·米勒三位美国经济学家同时荣获1990年诺贝尔经济学奖，是因为“他们对现代金融经济学理论的开拓性研究，为投资者、股东及金融专家们提供了衡量不同的金融资产投资的风险和收益的工具，以估计预测股票、债券等证券的价格”。这三位获奖者的理论阐释了下述问题：在一个给定的证券投资总量中，如何使各种资产的风险与收益达到均衡；如何以这种风险和收益的均衡来决定证券的价格；以及税率变动或企业破产等因素又怎样影响证券的价格。马科维茨的贡献是他发展了资产选择理论。他于1952年发表的经典之作《资产选择》一文，将以往个别资产分析推进一个新阶段，他以资产组合为基础，配合投资者对风险的态度，从而进行资产选择的分析，由此便产生了现代的有价证券投资理论。

马科维茨关于资产选择理论的分析方法--现代资产组合理论，有助于投资者选择最有利的投资，以求得最佳的资产组合，使投资报酬最高，而其风险最小。

他的主要贡献是，发展了一个概念明确的可操作的在不确定条件下选择投资组合理论，他的研究在今天被认为是金融经济学理论前驱工作，被誉为“华尔街的第一次革命”。因在金融经济学方面做出了开创性工作，从而获得1990年诺贝尔经济学奖。

3.阿罗（转自MBA百科）

肯尼斯·约瑟夫·阿罗（Kenneth J．Arrow，1921年8月23日—），美国经济学家，于1972年因在一般均衡理论方面的突出贡献与约翰·希克斯共同荣获诺贝尔经济学奖。

肯尼斯·约瑟夫·阿罗在微观经济学、社会选择等方面卓有成就，被认为是战后新古典经济学的开创者之一。除了在一般均衡领域的成就之外，阿罗还在风险决策、组织经济学、信息经济学、福利经济学和政治民主理论方面进行了创造性的工作。

阿罗是保险经济学发展的先驱，更一般意义上讲，他是不确定性经济学、信息经济学和沟通经济学的发展先驱。

继续阅读：

http://www.hudong.com/wiki/%E5%BC%97%E5%85%B0%E5%85%8B%C2%B7%E6%8B%89%E5%A7%86%E9%BD%90互动

我最近的一点动向

Liyun — Mon, 07 Sep 2009 14:19:24 +0000

最近，终于把那些最time-comsuming的事情都结束了，新学期虽然有很多课也会很忙碌，但是还是想做些自己喜欢的事情。

比如，应太云和yihui兄的邀请，担任了统计之都论坛——经济统计版版主。这个我实在是非常的紧张啊，自己所学的那一点点浅薄的知识就要拿出来晒晒，让各位见笑了。

我会努力的工作的……至少希望不会误导谁……

这学期选了泛函分析、常微分方程、运筹学、复变函数、数理经济学等等好几大门关于数学的训练课，还有打算去旁听的研一的计量经济学和高级微观，希望自己的知识有所进步。不过，我觉得要做好经济统计方面的东西，应该去多学一点统计学的东西，而我只学过经济统计学和数理统计学，缺少一些社会调查方法方面的知识。现学现卖吧，但愿能胜任……（说这话自己都没底气）

然后就是觉得需要在这里给统计之都做做广告（虽然它也不缺我的广告），只是如果有人对统计学（学术方面）感兴趣，还请去看看。觉得现在纯学术论坛越来越少了。不过我在学校里访问实在是慢的要死，在宿舍直接打不开……这是个比较严重的问题……

“统计之都”（Capital of Statistics，简称COS）网站成立于2006年5月，由中国人民大学统计学院主办，其主旨为传播统计学知识并将其应用于实际领域。纵观现今国内统计学理论和应用的发展，一方面我们不难发现统计学在应用领域的巨大潜力——现代管理、咨询、商业、经济、金融、医药、生物等等，无不需要数据的力量，而另一方面我们也不得不承认，国内统计学的应用很大程度上受理论的制约——无论是应用界的人们对统计学基础理论知识的欠缺，还是学术界所研究的理论对应用领域问题的轻视。

“统计之都”网站便是基于这样的认识而创建。我们希望，统计理论研究者能充分关注应用问题，而统计应用者也能正确把握统计学基本知识，将统计学这门应用学科真正的潜力开发出来。

“统计之都”为非赢利性质网站，但大力欢迎所有商界和研究领域的朋友与我们在实际应用问题上合作。

我们的口号是：中国统计学门户网站，免费统计学服务平台

我们怀着“十年磨一剑”的决心，要将“统计之都”创建成中国的统计学门户网站；我们抱着“己欲立而立人、己欲达而达人”的信条，要将“统计之都”以免费统计学服务平台的形式坚持办下去。我们希望“统计之都”在专业知识体系上有真正的王者风范，在面对用户需求时却又以谦恭的态度为大家服务。

网站地址为：http://cos.name（COS主站）；http://cos.name/bbs（COS论坛）；http://cos.name/wiki（COS维基）；http://cos.name/en（COS英文站）

目前，已有多位老师同学云集于统计之都，我们也随时欢迎各路英雄前往共同建设我们的统计事业！

来自：http://cos.name/about/

统计学和计量经济学的神奇？

Liyun — Sun, 10 May 2009 16:33:25 +0000

我又要从方法论上说事儿了。关于计量经济学的应用，着实有一种“泛滥”的感觉。尤其是在前段时间和一些同学争论“格林兰因果检验”的时候，对那种“把统计检验结果奉若至宝”的态度实在是感到心痛。这种检验也就是摊上了一个好名字，最多可以否定一下因果关系（这还有待商榷），哪能作为肯定的依据？

这两天和Taiyun Wei、Yihui两位同学交流甚多，他们都是统计学专业科班出身的，可谓对于统计学的认识颇深。让我这么一个连本专业经济学都还没出师的对于统计、计量的看法和认识深入了很多。确实，计量只是一个工具，不能替代真实的世界中的因果关系（causal-relationship），虽然很多计量经济学家都在热衷于这件事儿。

到底，统计学和计量经济学应该在经济学分析中扮演什么角色？

下面是Taiyun Wei同学不辞辛苦整理贴给我的东西：

-------------------------------------以下引用其原文-------------------------------------

只是统计上的因果，能否定因果关系，却不能反过来支持因果关系。

我之前也这么认为，但是我目前的看法是：统计上的因果，即不能否定因果关系，也不能支持因果关系。之所以说不能否定因果关系，是因为实际条件可能错综复杂，相互影响、噪声影响可能很严重。还有即便是统计方法，可能不同的方法得到的结果都是不一样的，有的支持有的不支持，这时候应该怎么选择呢？

下面是我和朋友们的一些讨论，不当之处尽管批评：

我觉得现实生活中的因果关系不可能从数学或者统计分析中得到，因果关系是一种很强的关系，只能通过对具体问题机理的分析、验证才能确定，单纯从数据来看，很不安全。计量经济学中有个著名的granger因果检验，我觉得它的局限性很大，但也算是没有办法的办法了。我的基本统计观是：实体科学为主，统计分析为客。统计永远是为实体科学服务的，固然十分重要，但不能反客为主。——魏太云
目前学界的结论是，部分因果关系是可以推导出来的，当某些条件符合的时候。
有本非常经典的书，叫《caustion,prediction and search 》,这里第一章就讨论到这个问题。你有兴趣的话可以去看看。当然，这些条件很容易就被人攻击。比如，有一个条件是，所有的variables of the system should be included or measured。这就是说，如果某一个变量的数据无法取得的话，那么从这个相关矩阵中找到的因果关系可能就是错的。——黄兄
真正的因果关系，应该是排除宇宙中（或者一个更大的未知全集）所有其它变量的影响，看剩下的两个变量是否有时间上的先后必然关系。这样一来，太阳黑子、宇宙射线、外星人、植物释放的氧气、到COS论坛注册的人数、蝴蝶是否扇动了翅膀等都应该纳入回归方程……计量经济学家如何解决这个问题呢？（很不幸，格兰杰因果检验的横行似乎把原始问题掩盖了）
我对计量经济学的意见很大，以至于后来彻底放弃了这方面的学习，以上因果关系的问题便是原因之一。
当然我不否认他们很认真，他们付出了很多努力，但如果是我的话，我不会钻进这个角落，我会用脑子（用心理学、经济学、社会学等）去验证因果关系，而不是用数学推导。有时候我觉得统计和量化就有点“过犹不及”的意思，导致我们训练出一批“有知识、没常识”的数学家。——谢兄
本科时候读Wooldridge中级计量的书，觉得比Weisberg的应用线性回归写的好。当时只是觉得他对于 ceteris paribus（Rubin曾讨论过这个假定与其理论的关系）得解释很深入。最近在听Chen S.X老师计量专题的同时细细的看了Wooldridge高级计量书的某些细节，才恍然大悟：原来计量经济学家一直都在做causal inference。
翻译错误：不是“房间”，是“月亮”！感谢Yihui

这种说法不是没有根据的！Wooldridge在Econometric Analysis of Cross Section and Panel Data开篇就是“因果关系与其他条件不变分析”，阐释了计量经济学对于因果关系的关注。在书的Chaper 18, 专门介绍了Rubin的虚拟事实模型，这在统计学的教科书中几乎是找不到的！不过糟糕的是，中文翻译者根本不懂因果推断，把ignorability翻译成“不可知性”，差之毫厘，谬以千里！在章，Wooldridge还介绍了Propensity Score以及Principal Stratification（Wooldridge写书的时候Frangakis和Rubin的文章还没有发表，所以后者没有被明确的提出），这些都是因果的核心概念。
老板认为，计量经济学讨论的endogeneity和exogeneity，就是流行病学讨论的有无confounding的问题。知道了两者的关系，则茅塞顿开。
至此，我除了佩服老板的统计直觉以外，还不得不对这些关注因果的计量经济学家表示充分的敬意，因为要想从observational data推断因果，真是难于上青天！据说，Hume认为，这是不可能的。——丁兄

说这些话不是说统计无用，相反，统计很有用，但要具体问题具体分析，用得合适、恰当，而不要盲目套模型。但怎么用得恰当，可是很大的一个问题。正如号称经济学家的人那么多，但真正会用的有几个？

------------------------------------引用结束-----------------------------------------

看完之后，我的心里颇为一沉，印证了很多我在现实中隐隐约约体会到的对于计量经济学应用（尤其是初学者滥用）的疑惑。虽然其中某些观点稍显偏激，但是在现实中的事实是，太多的急功近利的行为导致了计量经济学、统计学的滥用。经济学专业的学生不去关注经济规律本身和客观的物质世界，只知道一头埋在统计数据里面企图挖掘出来什么鲜为人知的关系。这说明了人们的思考角度已经不是事物本身，而实证检验的英文原文empirical指的是"经验主义"，而不是中文那般美化的仿佛就是现实中的必然规律似的。太多人忽视了统计应用的前提假设，胡乱把一堆例如结构方程模型（SEM）和数据包络(DEA)的东西随便应用到自己的分析中去，而不去严格的证明为什么可以这么用，为什么不会导致结果失真（或许他们也根本证明不了、没有意识去证明）。到这里，我不得不悲哀的说，这已经不是一个方法论的问题，而是彻底的世界观出问题了——认知世界怎么能全部依赖统计？

然后看了Yihui写的一系列文章（三篇，针对低年级统计学专业学生的），外加一两篇分析。网址分别列出，只挑选其中部分内容转载。

----------------------------------------引用开始------------------------------------------

我们先看最简单的一个例子：t检验。我想只要是个学统计的必然都知道这个检验，它是用来检验位置参数的，比如单个样本的均值是否为0，两样本的均值是否无差异，等等。我们也都知道这个线索：t检验需要t统计量，而t统计量的来历是独立的正态随机变量与卡方随机变量平方根之商（卡方要除以自己的自由度），实际应用中，这里的分母往往就是样本标准差。在t分布被Gosset发表之前，人们往往只能用总体标准差作为分布构造标准正态随机变量来做检验和估计，Gosset的t分布伟大贡献在于，我们可以用可知的样本标准差替换不可知的总体标准差而且构造t统计量，这下就让人放心多了，因为我们总是畏惧未知的总体（或者未知的参数），而且在小样本情况下更为畏惧——样本量太少我们就更不敢对总体标准差作出估计。

Gosset的确帮助我们解决了个大麻烦，然而t检验仍然要假设总体服从正态分布，这个麻烦可不好解决。可能马上就会有人说，分布也是可以检验的啊。没错，是可以检验，比如著名的KS检验；问题就在于，统计分布检验的备择假设太大，我们做假设检验只能有把握得出“样本不服从某种分布”，而不能说“根据检验，样本服从某种分布”：因为犯第一类错误的概率可以控制，而第二类错误的概率只有鬼才知道（不干鬼的事，鬼也许也不知道）。

第二个例子我想稍微说一点关于抽样调查中的统计推断，这里面的统计推断往往比较简单，大致原理就是用样本均值估计总体均值，样本方差估计总体方差，为什么能这样呢？因为这些估计量往往都是无偏估计，不妨仔细想想“无偏”的意思：期望等于真值；注意不是估计量等于真值，那期望是什么意思呢？通俗来讲，期望就是一个随机变量按照它的分布不停地变变变，变了无数次之后我们看它在“平均”意义下取值为多少，当然抽样工作不可能一遍一遍无穷做下去，我们一般仅有一次抽样，得到的估计量也就只有一个值，这一个孤零零的估计值，到底离真实值有多远？只能再去问问鬼。此时可能又有人会说，我们不是还有方差吗？不是可以做置信区间的估计吗？没错，书上都是这么写的。方差有什么用呢？书上说了，方差是度量离散程度的，试着想一下，告诉你一个随机变量均值为100，方差为1000，你能想出所谓的“离散程度”是怎样的吗？恐怕也难以想象，所以除非方差为零，否则我一向觉得它在描述统计中并没多大实际意义（它的确是刻画离散程度的，但怎样叫大怎样叫小？没有标准）。再看置信区间，要谈置信区间一般也就不可避免要用到分布，于是假设条件又来了，一方面是总体独立同分布，另一方面样本量足够大，这样才能根据中心极限定理构造正态分布随机变量。显然，两个问题来了：抽样能保证独立同分布吗？怎样的样本量才算作大？又是不好回答的问题。例如分层和整群抽样，很能让人怀疑样本的独立性；而大样本的问题，从数理统计角度（中心极限定理）来看，必须是样本量趋于无穷，显然这是不可能的，若样本量趋于无穷了，那我们还抽什么样？

-我们的下一代必是男孩！-但是他们是选择样本！

其实，关于统计模型的这种质疑，也不是机器学习出现后才开始有的，以前看Gujarati的"Basic Econometrics"一书，曾经读到一段很有意思的话：

Economists' search for "truth" has over the years given rise to the view that economists are people searching in a dark room for a non-existent black cat; econometricians are regularly accused of finding one.
-- Peter Kennedy, A Guide to Econometrics, 3d ed., The MIT Press, Cambridge, Mass., 1992, p.82

经济学家们“在一间黑屋子里找一只本不存在的黑色的猫”，而计量经济学家往往会宣称他们找到了一只这样的猫。听起来很可笑，但从某种意义上来讲，我们何尝不是在做这样的事情？

----------------------------------------引用结束------------------------------------------

原文：谢益辉：关于统计推断的一些惴惴不安

这一篇可谓是最通俗的说明了他的所有观点的，此外还有几篇文章：

谢益辉，2007-01-27，我的一些统计方法观（写给在统计学院学习的学弟学妹之三）
谢益辉，2006-10-24，关于搜索统计资源（写给在统计学院学习的学弟学妹之二）
谢益辉，2006-10-07，兼听则明，偏听则暗——客观看待统计数字
谢益辉，2006-10-07，统计学的领域（写给在统计学院学习的学弟学妹之一）

个人认为都是非常值得一看的。不再直接粘贴过来原文，敬请直接移步。

注，漫画英文来自：http://myhome.iolfree.ie/%7Elightbulb/Research.html 由我翻译为中文并直接修改图片。

在R中的第一次尝试

Liyun — Sun, 10 May 2009 12:58:47 +0000

好吧，我承认我是比较懒的，虽然写了一篇长长的统计软件：R，但是我还是没有动手装上R的。

只是刚才看到了Yihui同学的留言,其中一行代码让我倍感好奇:

plot(1, type = "n"); text(1, 1, "\\VE", cex = 20, vfont = c("serif", "plain"))

所以就只能老老实实的打开迅雷,下载下来R,安装...

嗯,不错,至少还是个中文版……可是欣慰了没多久，安装完打开R之后，就被彻底的打击了……

这界面也太……简单了吧！

然后那行神奇的代码出现的结果，居然就是……怎一个，囧，字了得！

于是乎，我的第一次R尝试，就是画了如斯一张图片……唉！

统计软件：R

Liyun — Sun, 10 May 2009 08:23:48 +0000

其实前几天Taiyun Wei就给我留言说R是个很强的统计学软件。

关于统计软件及其在经济学中的应用，我的在SPSS 17中的简单尝试一文中仅有一些很少的介绍。平时也只是用到的时候才会去研究一下SPSS或者STATA（没办法，谁让陈老师和欣欣姐都这么钟情于STATA呢？），对于SAS直接望而生畏。

然而今天想起来去看看R之后，真的发现它实在是太强大了！

R的一些基本情况

全称是：The R Project for Statistical Computing
Logo:
官方网站：http://www.r-project.org/index.html （英文）
中文资源：http://www.biosino.org/R/R-doc/ （R文档的中文网页）
中文论坛：http://rbbs.biosino.org/Rbbs/forums/
http://cos.name/bbs/thread-htm-fid-15.html
宣传图

R的使用

说实话，我到现在为止也只是简简单单的看了一下R的入门，有一份很好的《R导论》，可以http://www.biosino.org/R/R-doc/下载。

总体感觉就是，R很符合习惯面向对象操作的人……嘿嘿！

题外话

我现在也很关注的一点就是“数据挖掘”，有兴趣的同学可以共同探讨一下！主要是最近对于统计年鉴直接无语了，而看到国外的标准格式的统计数据，想到可以直接用SQL操作，心里那个兴奋啊！
此外，对于“统计学在经济学”中的应用，也颇有兴致了解一下。计量经济学到底发挥了什么作用？统计学到底能带给我们什么？（感谢Taiyun Wei这位统计学专业的给我的另一篇留言）这都是我在疑虑和思考的问题。貌似自从想清楚数学在经济学中的作用和地位了之后，从严谨和科学的态度出发，对于这些最基本的问题关注的越来越多。
上次有位老师嘲讽我们的时候说，“谁能解释清楚价值规律和价值就能达到诺贝尔奖的平均水平了”，我很反感这种业内人士拿着业内观点来嘲讽学生的做法。价值理论是整个微观经济学的核心和最最基本的问题，作为老师不去谆谆善诱，而来嘲讽初学者，真不知道是为了鼓励还是为了显示自己的水准。想说的就是，对于基本问题的思考不仅不会中断，而且会越来越深入。可能同一个问题，在不同认知水准下的思考会是不同层次的，但是我相信，会是越来越接近本质的。其实上面说的那个问题本质就是：对于历史的态度。或者说，大数定理究竟会在多大程度上指导我们的实践和预测将来？究竟是指导，还是误导？

写论文的心路历程[1]

Liyun — Mon, 19 Jan 2009 07:52:56 +0000

最近被逼的在写一篇漫长的论文，很是坎坷的经历，终于知道写论文的不容易。

首先是选题，匆忙之下没有过多选择。然后是找资料，互联网的发达一方面给我充足的资料库，但另一方面也不知道应该如何去运用这些资料。前后经历了半个多月的查找资料时间，昨天忙活到凌晨才大概写了个框架出来。

终于知道了写论文是一件多么不容易的事情，这在以前看来我并没有这样的概念，洋洋洒洒写博客的时候也有过几万字的经历，但是相比于现在的一点点写出一篇论文来，还是小巫见大巫了。总怕字数会太多太冗余，四处拼凑的东西不知道有没有什么科学价值——还是寄希望于借助这个过程了解一下整个框架和方法，总归是要不停的修改很多遍的。我有着这样的心理准备。

然后这次选择了Lyx作为文本编辑器，我恨死那个叫做Winedit的东西了，虽然昨天在Tex网站上溜达的时候貌似大虾们都很鄙视Lyx这种WYSIWYG（What You See Is What You Get，所见即所得）的编辑器，但想想Winedit修改一个地方时候的痛苦经历，我还是决定挥挥手告别他好了。Lyx很好用，但是问题是文章是中文，我还没弄明白怎么输出PDF，这个问题比较严重。眼下实在不行的话就导出tex然后还是用Winedit+pdflatex弄出去吧。虽然绕了一个圈圈……

回到正题，这次为了保持方法的独特性，看来我和几个同学是不得不亲自去南部山区”旅游“一趟了，话说感觉这一年去了好几趟南部山区，不过都不是去旅游的。路我都熟悉了……然后眼下要做的是弄清楚调查问卷的设计，这里还要多多感谢宋宪华老师，让我的统计学学的非常的扎实~希望不要在问卷上出问题，要不我就没法做这个研究了。说起来，可以顺便的对于支付意愿做一个调查，WTP可以在市里小样本做一下，估计也用不了多少时间。关键是，这个可以写出来一份非常好的寒假社会实践报告，一箭双雕。

不过，始终是比较忙碌的寒假。这只是一个开始。

To be continued...

[原创]山东大学经济学院毕业去向调查报告

Liyun — Wed, 11 Jun 2008 15:55:26 +0000

山东大学经济学院毕业去向调查报告
山东大学经济学院
指导教师：宋宪华
陈丽云贺艳倪方飞田慧婷杨旭展佩佩张瀛

1. 序言和背景
当前我国处于严重的就业形势之下，而其中高校毕业生的就业形势更是不容乐观。每年毕业生的迅速增长与劳动力市场需求缓慢增长形成了鲜明的对比。不少大学生面临“一毕业、就失业”的窘境。同时从就业结构来看，人才供求不平衡的现象突出。不少专业供过于求，但与此同时很多新兴产业却面临无人可用的局面。在这种状况下，我们不得不寻求大学对于大学生培养方向的改善和大学生自身意识的转变。
可以说，现在大学生已经不再是当年的“天之骄子”，故而适当的放低自身的位置以在社会中谋求一个更加适合自己的位置，成为了最现实的选择。与此同时，很多大学生也选择了出国或进一步读研以求深造的道路。那一条路才是最适合的？对于经济这么一个热门学科来说，毕业生所面临的现状和自身期望之间到底有多大的差异？这些问题的答案都有待调查。
所以，我们希望通过一次对于经济学院大学生毕业去向的调查，来了解当前经济学院未毕业的学生的想法和倾向，同时了解他们选择的理由和顾虑。通过调查我们对在校生的群体现象和个体差异进行统计汇总，进而加以分析，从而得出结论，以便为广大同学选择毕业去向提供借鉴和参考。
2. 数据收集及分析方法
本次报告调查取样期限：2008年5月～2008年6月
调查对象：山东大学经济学院2005级、2006级、2007级在校全日制本科生
数据收集：
本次调查采取分层抽样方式，共对山东大学经济学院2005-2007共三个年级的140名同学进行了调查，涵盖了各个专业。（原本计划分别对三个年级各抽取50份样本，由于问卷丢失10份，因故2006级只调查了40份）
本次共下发调查问卷140份，其中2005级（大三）50份、2006级（大二）40份、2007级（大一）50份。共回收137份，回收率97.86%。其中有效问卷132份，问卷有效率94.29%。
注：在以下报告的文字叙述中，2005级统称大三、2006级统称大二、2007级统称大三。

3. 总体分析

由调查结果得到，在总共132份的有效问卷中：

选择考研的有61人，占46.21%；选择就业的有48人，占36.36%；选择出国的有23人，占17.42%。

具体到各个年级，可以发现各年级的考研和就业占的比重都相当大。
其中大三各方向相差最悬殊，以考研和就业为主。大一和大二各方向相差相对小一些。
由此可以看出，随着年级的不同、学习和社会经验积累的不同，对待未来的态度和意愿也有不小的差别。进而有针对各个毕业后走向的不同特点和原因进一步分析的必要。

4. 出国方向调查结果分析
出国的总人数23人，其中大一11人，大二9人，大三3人。
1．出国的原因：

可以看出所有同学对于出国的原因是十分明确的，没有人选择随大流这一项，其中大一和大二的同学中分别有81.82%和88.8%的人选择以出去锻炼自己，增长知识为主要原因，而大三则有66.7%的同学选择出国深造为主要原因。由此看出，大三的学生相比于大二和大一的同学目标更为具体，更为现实。
2．选择的国家：
总体来说，大多数的同学选择去北美国家，但是大一和大二的同学的选择相对分散而大三的同学的选择国家非常明确，由此推出大三同学对于出国的各方面考虑十分仔细。
3．选择国家的原因：
大一同学和大二同学更注重国家的经济发展程度，而大三的同学更注重师资力量和教育发达程度。
4．学费的来源：
大一、大二同学对于这方面的选择倾向于由家庭负担，少数同学选择由奖学金负担，而大三同学全部选择由奖学金负担，由此看出大三学生的家庭责任感和自力更生的能力已基本成熟。
5．选择大学的原因：
大一同学更看重大学名气而专业排名其次，大二学生正相反，而大三学生完全取决于有无奖学金。
6．对国家的了解：
大一大二学生对国家的文化习俗基本不了解，而大三学生相较了解多一些，可知大三学生对于出国的准备比较全面。
7．深造的方向：
大一大二学生大多数选择本专业，而大三则随机性较强，深造方向不单一。
8．奋斗目标：
由数据可知，随着年龄的增长，选择以学习主业课程和研究为奋斗目标的人数越来越多。
9．读研还是读博：
大一同学中72.73%选择读研后就业，大二同学也有66.6%的选择读研后，就业，他们普遍认为出国读研可使自身具有更强的竞争能力。大三的同学里66.7%的人选择取决于奖学金，他们更多地考虑了家庭的经济状况。
10．毕业后打算：
大多数人选择工作两年，获得经验后再回国。大一同学中无一人选择留在当地，获得绿卡。这与我国经济发展水平的不断上升有着紧密的联系。
11．预期工资：
大一大二同学对自己的预期相对较高，都要求中上水平的工资，而大三同学大多数人不介意初期工资。

5. 就业方向调查结果分析
在所有被调查者中，选择毕业后直接工作的比例只有35.6%，其中，大三的学生占51%，大二的学生占23.4%，大一的学生占25.6%。从中可以看出，大部分学生在本科毕业后并不想直接去工作，但是大三同学的工作意愿明显高于大一、大二，主要是因为他们经过三年的大学生活，更加了解社会与自身的能力，更加成熟和现实。我们认为大一的比例比大二的还高的原因，是刚入大学的新生觉得大学毕业后的工作前景会很好，而大二的同学对严峻的就业形势有所了解。
接下来，我们按所调查的问题逐个进行分析：
1. 大多数学生选择就业主要考虑的原因为：想早点工作，积累工作经验，认为上研究生意义不大，选择这一原因的学生比例大一、大二、大三依次为66.7%、58.3%、75%。

其中，大三的比例还是最高，他们认为工作能力比学历更为重要，他们更加重视工作经验和机遇，他们不再束缚于学校这座象牙塔中。
而就“成绩不好，没有信心上研究生”这个原因，大一、大二没有学生考虑，而大三则占了12.5%，由此，我们可以看出，随着年级的增高，成绩不好越来越成为他们选择考研的限制因素。
2. 对于就业方向，大多数学生心里并不明确，被调查者中有54.5%的大二学生选择了“不确定”，远远高于大一的25%。可见，大二学生心中迷茫，对于自己未来就业的憧憬十分暗淡，他们是最矛盾、最彷徨的群体，他们对社会有了一定的了解，对自己的能力却更加悲观，所以，正确引导大二学生的就业观是最有必要的。另外，我们经济学院学生希望从事与自己所学专业对口的工作的比例是比较高的，大约为三分之一，由此可得，许多大学生还是希望学以致用的。而几乎没有同学选择“依父母期望选择就业”这一选项，这一点还是可喜的，说明当代大学生更加有主见，而不过多地依赖于父母。
3. 对于第一份工作的起薪，大二、大三的同学多选择1000~3000元左右，而大一的同学想法比较分散：有些人选择2000~3000左右，也有人选择4000元以上。不过，总的来说，起薪要求在2000~3000元的学生占绝大多数。

从中可以看出，多数同学能较客观地定位自己，但整体上还是稍有偏高，然而，随着年级的升高，同学们能越来越好地适应社会，根据社会来定位自己，在社会中发展自己、提高自己。对于大一新生而言，他们的希望固然是美好的，斗志与野心也是值得嘉奖的，可严峻的就业形势还是要认清和正确对待的。
4. 同学们对“就业的城市”的选择，四个选项中选择最多的是“沿海及特大城市”，但各年级比重差异较大：大三中仅有29.2%的同学选择该选项，而大二有58.3%，大一46.2%。另外，在大三同学中，选择“沿海及特大城市”和“其它”以及“家乡所在地”的人数相当，差别不大。就此，我们分析得出：沿海及特大城市确实魅力不凡，为其他城市所不敌，但它的优势只是对大一、大二学生的择业意愿影响较大，对大三学生做选择影响不大；这也致使大三同学选择分布较均匀，没有“扎堆”现象，可能除了考虑个人喜好外，更多考虑了人事关系、工作生活环境和竞争强度等因素，考虑的更为周全。
5. “选择何时开始准备就业”，大二、大三的学生选择最多的是从“大三”开始准备，没有人选择“大一，并时刻准备着”或从“大二”开始准备，而不同的是，大一学生选择“从大二”或“从大三”开始的最多。分析原因，可能是因为大一新生心态比较乐观积极，对待就业热情较高，加上有就业指导的相关讲座，于是意愿本科毕业找工作的学生对就业准备重视有加。而大二、大三的同学，已经过了三分钟热度，对准备就业的态度趋于理性或者冷淡，更倾向于晚做准备。建议那些决定毕业就找工作的同学，能早做准备，抢占先机，为将来的成功添筹加码。
6. 对于“选择工作考虑的因素”：有约一半的同学把“收入”放在首位；首先考虑“单位的未来发展潜力”的同学接近三分之一；排名次之的是“单位目前的状况”和“单位的福利状况”；被考虑的最少的因素是“父母的安排与建议”和“领导的个人魅力”以及“工作强度”。同学们之所以普遍把“收入”作为衡量工作好坏的首要指标，而不重视“单位的福利状况”和“工作强度”等软指标，我们认为原因有二：一是大学生的择业观比较短视，不够成熟；二是信息不对称，在选择工作时，毕业生很难了解到工作单位的软指标情况。所以，同学们在培养科学的择业观的同时，也要充分了解应聘单位，做到知己知彼。

6. 考研方向调查结果分析
在本次调查中，考研的人数为61人，占总体的比例为46.21%，就此可以看出考研的学生在总体中所占的比例相当大，考研已经成为大学生毕业去向意愿的主要方向。其中大一的选择考研的比例为46.00%，二年级约44.44%，三年级为47.83%，总体上看，考研的比例随着年级的升高呈递减趋势。经过整理分析，我们以下结果
（括号中的数字依次为大学一年级、二年级、三年级的百分比）
1. 您选择上研究生的原因是：

进一步深造，想做研究型学者
拿学位，为找工作添资
为家族争光，父母要求
其他
从以上结果可以看出，选择上研究生的原因主要集中于拿研究生学位，为找工作添资，三个年级均超过60%的绝大多数的比例；其次，选择“其他”所占比例大二、大三学生人数均在20-25人之间，经过思考我们认为因素主要包括比如男女朋友的被迫要求或者只是简单的随波逐流;再者，想进一步深造研究性学者所占比例较小且随着年级的升高呈下降趋势，原因主要在于专业知识的逐渐增加，对专业的了解逐渐深入，认识到专业研究性人才要求高，且投入时间长，机会成本高;此外，我们分析得到受家庭影响比例较小，说明现代大学生相对较为独立，主见性较强。
2. 如果您选择上研究生，您认为从什么时候准备考试比较合适？
A. 一踏进大学　　　(4.3, 6.25, 4.55)    　　　　
B. 大二下学期    (17.4, 18.75,0)
C. 大三上学期    （64，62.5，63.6）
D. 大四上学期 (14.3,12.5 ,31.85)
从以上数据分析说明，大多数的学生认为从大三上学期准备比较好，此时专业已经明晰，开始全面的掌握专业的知识，对专业的了解加深，对考研逐渐明朗，准备起来针对性较强。
3. 成绩优异的你获得了报送研究生的资格，内保和外保之间需要您作出取舍
A .内保（17.4，0，31.8）
B. 外保 (82.6, 100, 68.2)
从数据分析可以看出在内保和外保之间的选择上，绝大多数的同学选择外保。在三个年级的状况上：大三年级对内保的选择与大一和大二形成鲜明的对比，二者之比为1：2.147，大一为1:4.78,大二为无穷，从而表明随着年龄的增加和阅历的丰富，决断能力的提升，我们更注重于现实和稳定性。
4.在第三题的基础上
（１）您之所以选择内保的主要考虑因素是：
A. 内保稳妥，风险较小 (45.5)
B. 学费减免的政策 (9.09)
C. 导师相对较为熟悉，对研究生时期较为有利 (36.4)
D. 熟悉学校所在地，不希望改变 (9.01)
调查学生考虑的因素主要集中于A,C两项，认为内保相对稳妥，导师较为熟悉，这一点主要在于研究生考试和研究生阶段竞争压力的逐渐加大，求稳、求实已经成为一种心理倾向。
（２）您之所以选择外保的原因主要是：
A. 喜欢挑战，锻炼自己 (26.1, 50, 20)
B. 与就业有关 (56.5, 12.5, 13.3)
C. 不喜欢一成不变 (17.4, 37.5, 66.7)
对于选择外保的原因，三个年级的差异比较大，大学一年级有过半的人选择“与就业有关”，可以看出一年级想考研的同学中相当一部分将上研究生作为一种找工作的资本，选择外保，意味着给自己提供了一种上一所档次比山大搞得大学的可能性，可见年轻气盛，还是处于理想状态下，对未来充满幻想的大一新生还是将人生的目标稳妥的锁定在了就业上。相对来讲，大学二年级则有一半的学生选择了“西化挑战，锻炼自己”作为选择外保最主要的原因，或许可以这样解释：经过近乎两年的历练，越来越多地将喜欢挑战，张扬个性摆在了第一位；而三年级的考研人数中有近乎七成的人选择“不喜欢一成不变”作为理由。风吹雨打，在山大磨练了三年，在即将选择下一步的人生规划之时，已不再注重个性的展示，而是将期望过多的归于简单的“换个地方”。
5. 您上研究生选择学校主要考虑因素是什么？

学校所在城市的发展潜力
学校的历史，发展状况及排名
师资力量
专业排名
与就业有关
从总体来看，大部分考研生将“学校所在城市的发展潜力”“学校的历史，发展状况及排名”及“ 专业排名”作为三个主要的考虑因素。三个年级的选择略有差别：一年级，二年级学生对五个因素呈现出平均关注的程度，三年级的学生则比较集中一些，主要部分都集中在了ABE上。由此可以看出，随着自己所获信息的增加以及对社会更深刻的了解，高年级的学生一一将对自己来说的重点考虑因素缩小了范围，更进一步的找准了目标，为下一步的读研究生做好了准备。
6. 您选择在研究生阶段结婚还是工作之后？
A. 研究生阶段　(4.5, 12.5, 21.7) 　　
B. 工作之后再考虑 (95.5, 87.5, 78.3)
总体来说，工作之后结婚的人数有力的占了上风。可以看出大部分学生还是将学习与婚姻的界限划得比较明显，认为学习与婚姻的组合还是不够完美，大多比较崇尚自由的恋爱和自由的学习的组合方式。但由三个年级的数据可以明显地看出，随着年级的增长，选择研究生阶段结婚的比例呈逐渐递增趋势，而工作后再考虑的比例则呈现逐渐下降的趋势。由此可以看出，随着年龄的增长，对感情认识的初步加深以及某些因素的逐渐确定性，研究生阶段结婚将是一种趋势。

附：对此次调查活动的收获和不足的总结
(1) 调查问卷设计阶段
首先是题目的确定。我们聚在一起讨论并想到很多题目，但是之后又都找出种种不好的地方。最终觉得关于毕业后走向这一问题比较贴近我们的大学生生活，又是很值得关注和调研的一个问题，故而将其作为我们此次社会调查活动的题目。在这一阶段我们采取了分工合作的方法，每两个人一组，负责一个方向的调查问卷题目的设计。然后汇总到一起，形成了调查问卷。在这一阶段，我们尽力寻找自己比较关注的问题，并进行讨论和筛选，最终在确保质量和意义的前提下，尽力简洁，制作出调查问卷。
然后非常感谢宋老师的悉心指导，她在问卷设计的过程中给我们提供了很多有价值的意见，指出了包括内容和格式在内的很多不合适的地方，为我们成功制作此份调查问卷提供了莫大的帮助。
(2) 调查问卷发放和回收阶段
这一阶段我们各自发动自己的朋友，在大一到大三三个年级中进行了调查。非常感谢学长学姐学弟学妹们的积极配合，使得我们在不到一个星期的时间内就完成了调查问卷的发放和回收工作。如果没有他们的配合，我们的调查将难以进行。也同样感谢他们尊重我们的问卷，在每一个问题上都予以了认真的思考和回答，有些细心的同学还在旁边加以解释，这为我们统计数据和结果并分析问题提供了很好的支持和帮助。
(3) 原始数据汇总阶段
看着纷繁的数字，觉得很难取舍，每个数字都代表着我们的努力和深刻的意义，但分析是有不能不分主次，简单的堆积，计算、比较、归类、排列、选择，尽管这是一个非常单调的过程，但是它考验了我们的耐心和细心。每个数字该保留多少位、每个数字是否用了同一个基数，我们之间相互协助，认真地核对，使得枯燥无味的分析整理也充满了乐趣。也许最后的分析不算完美，但那都是我们的辛勤的结晶。
(4) 数据的整理和分析阶段
这一阶段主要是对原始数据的处理，并依次按照审核、分类、编码、汇总、编制统计表进行。在审核过程中，我们主要将一些登记性错误予以改正，并将不符合填写规范和要求的问卷予以剔除。然后按照级别标志和方向标志进行统计分组，在汇总过程中分别计算不同级别的各个去向的总量指标，最后编制统计表。
(5) 最终调查报告制作和完成
经过全体成员的细心统计和缜密的数据分析之后，我们集中完成调查报告。在调查报告的制作的过程中，我们充分利用 EXCEL表格处理技术，图文并茂的展示出我们的调查结果。在整个统计调查的过程中，全体成员齐心合力，充分发挥了各自的优势，激情与智慧齐飞，过程与结果共彩。我们衷心希望我们的调查结果能够对大家有所启示和借鉴。

由于时间仓促加之我们水平有限，此调查报告中难免有疏漏和错误之处，望您指正！