《统计学七支柱》是一本引人入胜的数据分析指导书。作者以简洁明了的语言介绍了统计学的基本概念和方法，让读者能够轻松理解和应用统计学知识。通过丰富的案例和实践指导，读者可以更好地掌握数据分析的技巧，提高决策效率。这本书是学习统计学的绝佳入门读物，值得一读。
《统计学七支柱》读后感(一)
后面章节翻译的稍微有点出戏 不过整体讲 能把统计数据利用技巧的前世今生讲清楚 已经非常难得 当今世界数据体量飞升 从数据中榨取价值的需求和动机也越来越紧迫 踏实一点从源头开始学习 方能擦亮眼睛保持警惕
为什么要警惕呢？因为人均数据科学家的时代 各种混杂其中的李鬼 有意无意会对事实和数字进行选择和重组
所以把基础知识学扎实 能够识别诡计 也能在这个进程中收获成长 聚合 是放弃的艺术；信息及测量；似然 使用概率校准推断；相互比较 通过内部标准和数据判断内部效应及其显著性；回归；设计 同时考虑多个因素的高维数据模型；残差 想想图分析
《统计学七支柱》读后感(二)
评分有点偏低，其实是一本好书 作者明显很懂统计学，而且没有故作高深，书写的是很通俗的。而且关键位置还有风趣的注解。 这七大支柱确实也是统计学的特色，可以认为是学懂这门学科需要掌握的关键特征，了解这七个方面以后，再去看教科书之类的会更好懂。 书里还介绍了每个方面的来龙去脉，并且给出的原始资料也很详细，没有多余的废话。这一点比《女士品茶》要强的太多了。 有了这些史实，也更好理解每一个概念是如何产生的，以及说去解决什么问题。 当然这本书的不足也有三方面。 一个就是可以把似然，回归这些比较难理解的问题，阐述的更加详细一些，毕竟作者是大牛，深入浅出应该不难。 另一方面举了好多思想的发展阶段，但中间的联系有些地方是断档的。不太好理解每个支柱下面的副标题之间的关系。 第三个就是翻译有点差，有些明显的翻译没有统一，比如自变量还是解释变量。还有一些显然不通顺的错误，会比较影响理解。
建议配合别的书一起读，作为正式入门的前菜。
《统计学七支柱》读后感(三)
评分有点偏低，其实是一本好书 作者明显很懂统计学，而且没有故作高深，书写的是很通俗的。而且关键位置还有风趣的注解。 这七大支柱确实也是统计学的特色，可以认为是学懂这门学科需要掌握的关键特征，了解这七个方面以后，再去看教科书之类的会更好懂。 书里还介绍了每个方面的来龙去脉，并且给出的原始资料也很详细，没有多余的废话。这一点比《女士品茶》要强的太多了。 有了这些史实，也更好理解每一个概念是如何产生的，以及说去解决什么问题。 当然这本书的不足也有三方面。 一个就是可以把似然，回归这些比较难理解的问题，阐述的更加详细一些，毕竟作者是大牛，深入浅出应该不难。 另一方面举了好多思想的发展阶段，但中间的联系有些地方是断档的。不太好理解每个支柱下面的副标题之间的关系。 第三个就是翻译有点差，有些明显的翻译没有统一，比如自变量还是解释变量。还有一些显然不通顺的错误，会比较影响理解。
建议配合别的书一起读，作为正式入门的前菜。
《统计学七支柱》读后感(四)
本书介绍了统计学学科基础的七个支柱，并非完整体系。从由来、引入开始娓娓道来。
（一）博尔赫斯写道：思维是忘却差异，是归纳，是抽象化。
聚合，也称观测的组合、均值。这种说法表达的思想即整体概括大于各部分的加总。取均值会丢弃数据中的大量信息，例如测量的顺序、不同的环境等等，每个观测值会失去个性，但要揭示一般性的趋势，就必须将观测视为一个集合，将数据置于背景之中。
聚合的方式包括很多种，如算术平均、几何平均、调和平均、最小二乘法。算术平均思想最早可追溯到修正指南针指针的变化。逐渐地，为了保持至少一个数据的个性特征，而加入最佳值、众数。
18世纪关于地球形状的研究，通过两个方程可以得到肯定的弧长。到了18世纪50年代，默柏斯科维奇面临着数据的窘境，一共有10个不等的十个解。这时，他给出了算法求解最佳值的办法，也就是现在的所谓“线性规划问题”。
之后又出现了最小二乘法，形式上是观测的加权平均，但又很容易扩展为其他更复杂的形式来决定多个未知量。
（二）观测获得的信息价值会因为观测的样本数量增加而增加吗？
信息，具体称信息度量。
刚开始研究发现：数据和的变化并不随着相加的独立项个数成比例上升，均值的标准差也不与项数成比例变化。在这一观点出现后，亚伯拉罕发现了二项分布的正态近似，皮埃尔证明了其一般形式——中心极限定理（即项数有2项推至n项），泊松提出柯西分布。数学运算的每个步骤引起的最大误差，会随着序列增大而增大，统计学家可以接受一个可能的统一补偿，这个补偿会随着序列增大而收缩。
这一观点之上，学者们提出了“纠缠的观测”，即数据间的相关性，以及这种相关性对方差的影响。
《统计学七支柱》读后感(五)
序
最近想学机器学习方面的技术，发现里头满满的全是数理统计与概率的内容，不得不说这是一块我非常不愿意触碰的知识点， 但不去努力尝试克服，那就永远都是自己的软肋，所以我选择了去学习。
我想过我为什么会在统计学与数量统计以及线性代数的领域比较弱呢？
我一度对概率有偏见，毕竟我认为并没有不确定的事情，只有无法确定的技术，包括对拉普拉斯的推翻，也是因为现有的技术观测就必然会影响物理状态，所以根本测不准，在我看来这是技术层面的事情，而不是运行机制的问题。
后来陆续看了一些关于统计学的书后，自己的心结也就慢慢解开了，毕竟表征一大堆的数据需要用一些特殊的方法，这就是统计学，从现实数据得到的描述方法，是统计学。根据理论或者从现有的数据，推断未来发生的情况，叫做期望值，只是我们很多时候都把它的名字与概率混淆了，的确像我对知识这么矫情的人实在是不多。
虽然我对数理统计有一定的误解，但是我一直很清楚的是这是一门经过验证的学科，我有偏见不假，但并不能否认这门学科的合理性，只是我在做Critical thinking的时候遇到了自己无法解答的难题罢了。思辨，一直是我学习知识的一个重要的方法，我有时候表现出来的咄咄逼人的追问，只是我想弄清楚这个问题，而不合时宜的追问当然会招致他人的反感。
最近我在翻阅材料的时候，发现很多人推荐陈希孺先生的《数理统计简史》，这是一本绝版书，又因为说陈先生也参考过Stephen M. Stigler的书，所以凑巧看到了Stephen M. Stigler的新书《统计学七支柱》，于是买下了电子版。
我并不是很喜欢读电子版的书，以前尝试过kindle，后来也用过一些电子书的阅读器，都不是太理想。直到我接触了Mac的iBooks后，我发现我爱上了这个阅读器，kindle下回来的书，我都会想办法变成epub格式，然后静静的在Mac上阅读，毕竟家里实在没地放书了。
梳理一下脉络：
本质上在讲信息的放弃，这是一种“创造性毁灭”的行为。这个术语是约瑟夫·熊彼特提出的，用于描述一种经济重组的形式，是看待这种行为的一种方式。正如类似的其他应用，“聚合”必须遵守原则进行，放弃不利于（甚至可能减损）最终科学目标的信息。不过，即便如此，它也会受到指责：隐匿了其他观点下的个别特征。
我们通过组合观测值获取信息，获取的信息与观测个数之间的联系，以及如何度量信息的价值和获取过程。数据和的变化并不随着相加的独立项个数成比例上升（并且均值的标准差也不会随着项数的增加反比例减少）。
使用概率校准推断，并为度量不确定性提供尺度。危险性很高，价值也很大，要求有极大的细心和理解进行明确运用，但回报也是丰厚的。其中最简单的应用是显著性检验，它的误导性应用已经展现出来，似乎它们成了“诅咒”企业的证据，而不是为了支持特殊用途的证据。
给出内部标准，以及根据手边数据判断内部效应及其显著性的一种方法。它是一把双刃剑，因为不需要外部标准会使结论移除所有相关性。如果仅仅依靠一种数据内部变异的分析作为指导，将会遇到许多陷阱。模式似乎已经出现，接下来就是解释模式的故事。数据集越大，故事越多。有些故事是有用的，或具有深刻意义的，但许多故事两者皆非，甚至有些最优秀的统计学家也会受到这些差异的蒙蔽。
相关关系并不隐含因果关系。哲学家乔治·伯克利1710年这样写道：“思想的联系并不隐含着因和果的关系，它们只是标记事物的一个记号或符号。”
达尔文的堂弟高尔顿认为“向均值的回归不是生物上改变的结果，相反，这是亲代和后代之间不完美相关的结果”。高尔顿的分离持久效应和暂时效应的思想，是经济学家米尔顿·弗里德曼1957年出版的著作The Theory of the Consumption Function 中提出的模型的核心，后者因此获得了1976年诺贝尔经济学奖。
这个术语受到了更广泛的解释，包括一般的观测计划、决策结果分析以及执行方案。设计包括积极实验的计划、研究规模的决定、问题的设计以及处理的安排，还包括田野试验和抽样调查、质量监督和临床试验，以及在实验科学中的政策和策略评价。
复杂现象往往存在几种相同的、相反的或者彼此完全独立的原因，它们糅合在一起，产生了复合作用。为了简化，可以排除已知原因的影响与这种情况允许的特点，也可以通过演绎推理或诉诸经验。留下的就是要解释的残差现象。
看完这本书，自己最原初的问题，还是没有得到解答，希望在陈希孺先生的书中能找到更多的启示。
