《统计思维》读后感摘抄

《统计思维》是一本由[日] 西内启著作，后浪丨浙江人民出版社出版的平装图书，本书定价：52.00元，页数：368，特精心收集的读后感，希望对大家能有帮助。

《统计思维》读后感(一)：更偏重与理论的科普读物

算是统计学的入门科普图书把。个人觉得除了有些地方的表述，因为翻译（或是由于日本语言风格）的原因显得有点奇怪，大部分还算是深入浅出的，尤其是冒失鬼和糊涂虫的互动比喻，很好的引入并且解释了置信区间的概念。

其实我对于这本书的期待，还是在于统计思维与商业的结合，但是很遗憾的是，作者更多的是站在统计理论的角度来看商业，这对于商业数据的统计梳理，和理解来说，其实作用蛮有限。

我期待看到的是，既有的回归分析，多元分析是如何应用在商业实践当中，并产生真正指导作用的。统计与商业思维的链接点在哪里，我们应该如何从商业的角度来看待统计。遗憾的是，这本书没有给我相应的解答，而且，越是到了后面，公式之类的出现的就越多，理论的氛围就更加浓厚。

书籍封面左下角的小子说：所谓的大数据，骨子里就是统计学。个人非常不认同，大数据分析，是对统计学的商业级应用，是以统计学为理论基础，但是还包括商业逻辑，购物心理等等内容，而这个维度，也应该是之后从商业角度审视统计学的关键。

我个人认为，统计学是更具有科学性的学问，而不是更具实用性的数据习惯。数据习惯的重要性，可能才真正是威尔逊说的“是有效率公民的一种必备能力”。而这本书，并没有突破学问这一层内容的桎梏。

《统计思维》读后感(二)：晒“智力优越感”是一种傻逼行为

社会生活中，经常碰到晒“智力优越感”的傻逼，连我村里平日蠢里蠢气的狗盛都跟人说他智商测试125，我听了就笑得奶疼，两个都疼。

“智商”这东西是怎么搞出来的呢？原来在1904年，有个心理统计学家斯丕曼在一篇论文中马马虎虎的提出了几种测试智商的可能办法。之所以说是“可能办法”，是因为智商不是具体的东西，只能通过对“表示智商的指标”之间的相关性进行分析。

何谓“相关性”？就是指“一方面的值较大时，另一方面的值也较大/一方面的值较小时，另一方面的值也较小。”注意了！“一方面的值较大时，另一方面的值也较大”与“因为一方面的值较大时，另一方面的值也较大”是不一样的，前者是相关性关系，后者是因果性关系。

“智商”又不是具体的东西，所以只能通过与智商相关的因子来体现，比如说记忆力、反映速度，语言能力等等。这些因子穷尽了所有“智商”相关的东西吗？不可能。

那这些因子有客观的测验标准吗？其实也没有。比如出一道记忆方面的题，如果是考背诵圆周率，可能穷山沟的孩子就不如城市孩子；但如果是考谁能从山上走到一个陌生地方再原路返回，穷山沟孩子可能就要占优势。所以，台湾毕恒达先生在《空间就是性别》一书里说“我们都清楚，使用西方的智力测试，非洲小孩的得分一定偏低，因为测试题目与文化、成长环境有关，并非客观中立的。例如空间能力的定义就有很多种，包括不同角度认出同一物件、在电脑中旋转物件、看地图、室内设计、拼布能力。使用不用的测验，研究结果就不同。”（31页)

而且，“智商高”与成功也没必然关系。《异类》一书就谈到了美国人格拉德威尔智商有195，比爱因斯坦的150还高出许多，可社会成就却比爱因斯坦差远了，为什么？作者认为情商之类的实务知识也很重要，它能帮助人把握成功机会。此外很重要的一点就是，人类大部分事务，智商在80-120的正常人都是可以做的，而且差别不大，高出120的人对成功的帮助没有那么大。换句话说，只要你智商不低于80，你与智商150的人成功概论差不多。这其实跟统计心理学上著名的“均值回归”很类似。

什么是“回归分析”？达尔文进化论大家都知道吧，其中一条就是：

个体特征会由父母遗传给子女，其实也包括对生存和繁殖有利的特征。

有人就推想：高个女人嫁高个男人，生出的孩子也是高；矮个男人只能娶矮个女人，生出的孩子也是矮。那么，世界经过几十代人的进化，岂不是彻底分成高人和矮人两个群体？哈哈，会这样吗？

不会的！为什么呢不会？西内闪在新书《统计思维》里提到了一个人，达尔文的表弟高尔顿，这家伙创立了生物分析统计学，他发现：自古以来大家都认为孩子的身高和父母的身高基本相同，可统计结果却是未必。有些高个父母会生矮个子女，有些矮个父母会生高个子女。他将这一想象称为“回归平凡”，他的学生们则称为“均值回归”。

《统计思维》读后感(三)：钱就放进兜里，就看你会不会花这钱了

前阵子刷到一张图，说pornhub上的视频热度不是按照点击量去排，而是看哪些视频是用户离开网站前最后点开的。大家都在感叹这种统计方法是多么的精妙和通人性，我也是拍大腿叫好然后试图在下面的回复找到个可用的vpn亲自翻墙去体验一番这顶级产品经理的产品。。。

但是我又马上回想起一直以来自己对统计学的态度，我一直认为数字极其冰冷，它抹杀了背后的人性。历史中无数遇难统计数，他们的爱恨葬在符号里，近于零。在缺乏自主价值判断的时代，我们往往靠拢大众化的准则，忽略了哪位农家汉子或许把田野稻穗当成诗来读，哪位服务员待着善良在积善修行。对专注与人文社会的我来说，这似乎是不可原谅的。

正好书橱里还有一本翻开好几次，每次都读不下去的《统计思维》，正好带着这种矛盾的求知心硬着头皮看完了。

西内启，东京大学医学部生物统计学专业毕业。生物统计学光是这个名字就让我一个文科生看的头大。西内启致力于研究公共卫生学，这门学问的目标是人类健康，采用什么研究方法都行，于是他运用统计学技术分析各领域的实证数据并将其活用。。

西内启之前写过一本《统计学是最强的学科》在日本卖了35万册，它从实用的角度说明了统计学在现代社会中发挥着多大的作用，以及现今普遍使用的统计方法，是经过了怎样的历史，因何人的思考而诞生的。大多数读者都认为这本书是很好的入门读物，但也有部分人认为只有概念没有具体应用的话其实实用性也不大，于是就出现了《统计思维》，算是前者的实操篇。

西内启认为统计学是一门应用性很强的学科，它可以像英语一样用在各行各业之中，他本人也用统计学在医学和政府公共计划中做出过成绩，之所以选商务作为这本书的突破口，是因为这个离大多数人的生活工作比较近。

可能我们已经习惯了网络数据的搜集和处理，但个人层面的数据处理还是主观模糊的。这两年开始越来越多的大企业甚至政府开始强调大数据，商业、执政、政法系统都在运用统计学规划发展，颇有一副未来属于大数据的架势。

《统计思维》的理念很简单，就是要通过统计在商务和职场中发现因果关系。比如通过分析销售额和商品类别有没有关系，来分析改编商品组成能不能提高销售量。实际上就是把统计学应用到商务和职场日常之中。

核心理念其实很简单，统计学很强大，他可以把握现状、预测未来以及洞察人类行为的”因果关系”。马寅初曾说:”学者不能离开统计而究学，实业家不能离开统计而执业，政治家不能离开统计而施政。”统计学研究的是过去以及现在正在发生的数据，但目的是为了指引和预测未来，让我们更好地规划未来。

但是平心而论，《统计思维》这本书，真的是太硬了，他像大学教科书，像是企业的培训手册，从头到尾都在教你假设检验、随机对照实验、回归分析、因子分析和聚类分析这些哪怕我看完一遍都晕乎乎的常见统计方法。但是这不是说这本书很难，相反只要你还记得高中学过的统计学、大学学过的概率论，这本书就挺好懂的。好懂，但是很难读下去罢了，所以我说这本书更像是教科书。

这本书有很多的例子，文后附有数学公式，但是不看公式也不会影响理解，如果感兴趣的话，还可以亲自解一解这些公式。

书看完了又回到我最初的疑虑，统计学到底是不是冷冰冰的数字，而淡化忽视了背后的人性？我觉得统计学就是帮助我们从大千世界熙熙攘攘的所谓人性中剥离出最本质的不变的属性来加以利用。你的统计方法可能很看起来人性化，但统计学本身是及其严谨的。

统计正如我们的思维，客观至上，否则便是自欺欺人。反之我们的思维若是统计式的，便是极客观的。

《统计思维》读后感(四)：统计学是谎言吗？

马克·吐温曾说：“世上一共有三种谎言：谎言，糟糕的谎言，还有统计数据。”

如果留心新闻与弹窗，统计数据的“骗局”与荒谬性确实足够令人震惊，如果光凭统计数据，可以得出“过马路走横道线出车祸的人数更多”，“妙龄熟女20年每天一杯奶茶变中年女子”这样的标题党。而英国皇家学会成员大卫教授也于近期发表了论文，其中援引了斯坦福大学流行病学家约翰·安尼蒂斯发表的另一篇论文《为什么大多数已发表的研究成果是错误的》中的一项结论：最近有研究者重复了100项实验心理学的不同研究结果，发现仅38%的统计结果重复了原来的结论。

统计数据是否真的有那么不堪？马克·吐温的话多少有些夸张的成分，作为科学一部分的统计学，之所以蒙上了不科学的色彩，甚至成为谎言蒙蔽我们的内心，很大程度上是因为很多人不具备东京大学与哈佛大学西内启研究员所说的“统计思维”。

作为一位曾经的纯文科生，为了让毕业论文更有说服力（不只像一个人的话说八道），也试图在文中插入了数个统计图表。因为甚至不曾选修过高数，因而病急乱投医地翻了数本带着“统计学”名号的初级书，但身为统计学和数学零基础少女，多次无功而返。听闻东大医学部生物统计学出身的西内启在日本颇为出名，在出版第一本统计学《看穿一切的统计学》时才32岁，却引爆了日本商务人士学习统计学的热潮。怀着试一试的心情，最近阅读了西内启的两本统计学的入门书——其处女作《看穿一切数字的统计学》，以及新出的《统计思维》；前者更偏重理论，后者则更注重实践，多少有了些许提高。

在《统计思维》一书中，西内启并没有对统计学的讨论集中于最常见的“把我现在”和“预测未来”，而将目光聚焦于统计学更源头的部分——洞察人类行为的“因果关系”。唯有弄清统计思想与分析方法，才有可能看清现状，并根据复杂的状况做出更为准确的预测。基于这样的思路，西内启在书中首先讲解了均值、比例等最基本的统计学工具，随后介绍了统计学中假设检验的思维方式，进而对回归分析、因子分析和聚类分析等进阶方法进行了讨论，目的则皆集中于统计实践。

诚然，对于高数零基础的读者而言，对于《统计思维》中的进阶方法部分内容并不能完全吸收，但书中提高的统计思维则深入浅出可以被启发与借鉴。

首先，要用更优的统计视角解释变量。所谓有意义的统计，需要把握三点：

同时，最有效的统计工具往往存在于最基本的元素之中，比如我们从小就熟知的“平均数”。在看到可支配收入统计时，我们常常觉得自己被“平均”代表了，正像比赛中需要去除最高分与最低分，在描述现状的统计学中，中位数与众数更具代表性。然而，西内启却说，对于目的是“洞察”的统计学，并不需要太过在意中位数和众数，反而是伟大的高斯最先提出的“平均数”。为了洞察因果，我们需要的并不是一个作为代表的粗略的均值，而是对于总体的把握，在这一点上，平均值确实更为称职。如若要稍微专业一些的角度来考量，关注到数据本质呈正态分布，同样也可以得出平均数贴近“真值”的结论。在高斯之后，同样赫赫有名的大数学家拉普拉斯曾如是总结：

此外，要提升统计功效，即“在存在差异的假设成立的情况下，认为显著性差异存在的概率”，需要警惕α错误与β错误。所谓α错误，是指明明不存在差异却认为存在，也被戏称为“冒失鬼的错误”；而β错误，则指明明存在差异却没有发现，被称为“糊涂虫的错误”。统计学的厉害之处，正在于其系统化了在“冒失鬼”和“糊涂虫”之间做出正确判断的方法，即统计性假设检验。对于我们文科生更可能接触到的社科类调研，则牵涉到样本量的设计，“将最终的误差范围和调查所需花费的时间和金钱放在天平上，估算必要的数据数量”。如果能将比例标准误差（SE）在可接受范围内，大数据并不是必须的，适宜范围的数据才是统计的重点。置于什么是可接受范围，也可以理解为“置信区间”的选择，则在于抉择，“问题归结到得失上”，结论偏差的可能性足够小，即被认为不可能。目前，习惯用5%作为界限，不过值得一提的是，这个比例并没有严格的数学依据，似乎只是因为伟大的统计学家费希尔曾经写道：“用5%来判断p值很方便”，统计学的基础假设，竟充满了随性的色彩。

总而言之，要理解统计学的奥义，洞察数据与行为之间的“因果关系”，而不被谎言所迷惑，确实有思路可循。归根结底，统计只是理解世界的路径与方法，并不是目的，最关键的自然并不是数据本身，而是从数据中发现有意义的变量，并通过控制变量影响项目的结果。

《统计思维》读后感(五)：用统计思维洞察职场因果关系

要说什么专业最没用，统计学肯定能排上名号，很大的一个原因是没几个公司需要统计职工。开始的时候，统计学多应用在金融和科研机构上，民营企业用得比较少。一来民营企业没有那么多资源去收集和分析海量数据，二来也没有意识到数据的重要性。但是，自从大数据、云计算提出后，数据统计变得越来越重要。查看拉勾网上的相关招聘可以发现，除了平安保险、尼尔森数据、中科院这样早就重视统计的公司，哔哩哔哩、什么值得买、QQ阅文这样的互联网公司也需要找专人分析处理收集到的数据，而今日头条的算法匹配、推荐内容就是数据统计有效利用的一个例子。

然而，仅仅把统计用在大公司大机构还是太浪费了。统计就和英语一样，是一门工具，可以通过这个工具打通不同领域的界限。比如，掌握了统计方法，可以通过比较几家公司历年的发展状况、企业福利，来推算出自己可能的薪资、发展前景，更加合理地跳槽。学统计和学英语也很像，一要有英语的思维，用英语的习惯表达，也就是要学会统计思维，二要学习英语的语法，也就是统计方法。《统计思维》在这两点都有涉及，通过案例来解释统计思维在商务和职场中的应用。

《统计思维》的作者西内启是东京大学医学部生物统计学的毕业生。别看他是从医学院毕业的，他利用统计思维不仅在医学方面做出成绩，还为日本的多项社会创新提案提供了数据支持和分析指导，把统计玩出了跨界。现在，他又将统计思维带入商务之中，《统计思维》这本书就展示了统计在商务和职场中的具体应用。

统计在商务中的应用是以切实的数据支撑提出改善经营、获得效益的因素，包含四个方面：

1.利用统计找出最能反映数据差别的数字

2.有了统计，就不一定需要搜集大量数据

3.巧用统计工具可以发现数据间的因果关系

4.统计可以用于发现抽象概念间的关系

1.利用统计找出最能反映数据差别的数字

假设A公司有10个人，9个人月薪5000，一个人月薪15000，这个公司的平均工资是多少？假设B公司也是10个人，9个人月薪5000，一个人月薪2000，这个公司的平均工资又是多少？也许有人会觉得两家公司都是5000，因为5000是绝大多数人的工资水平。但这是从把握现状的角度分析的。把握因果的统计则是要找出最能反映数据差别的数字，月薪都是5000，两个公司的待遇不就一样了？明显不是这样。用平均值可以解决这个问题，A的平均值是6000，B是4700。这样就能看出两家公司在员工投入上的区别了。

2.有了统计，就不一定需要搜集大量数据

做报告常常会遇到诘难，比如数据不完整、风险考虑不周，这样的反驳让人无所适从，总不可能把所有数据都搜集完，把所有风险都评估完再做决定吧。等真的做完所有工作，最好的时机也错过了，兴许竞争对手就出了个类似的方案了。那是否有可能通过分析部分数据得出有效结论呢？作者认为完全可以。只要把握误差的观念。初中就学过的标准差就能反映出数据与真值的偏差，通过分析样本来得出接近实际情况的数据。

3.巧用统计工具可以发现数据间的因果关系

如果要分析客人到店次数和销售额之间的关系，该怎么办呢？能简单说到店次数多销售额就高吗？如果经常到店的客户只看不买或者只在打折促销时到店，那一味的鼓励客户进店反而起不到提高销售额的作用。要分析两个数字之间是否存在因果关系，要用到回归分析，最简单的说就是求y=ax+b这样的一条直线。y是想要的结果，x是引发结果的原因，x和y之间有没有关系，利用数据求出来就一目了然了。

4.统计可以用于发现抽象概念间的关系

如果要分析一个抽象的因素和结果之间的关系怎么办呢？比如大家都很熟悉的品牌的作用。有的公司投放品牌就有很好的收益，有的公司却适得其反。然而品牌又不像到店次数一样直观，可以直接得到数据，那该怎么办？可以用因子分析，把包含品牌和销售额的材料归为一类，以点的形式标在坐标系上，若是要考虑别的因素就建立新的坐标系。

统计思维是把所有信息转换成数字的思维，将数据以公式、图表的形式呈现出来。数字是客观的，可以最大程度地减少主观的影响。处理数据的目的则是找出最能影响结果的那个数据，也就是平常说的最优方案。这个思维和商务简直是天作之合，因为商务也是要从众多的因素中找出能最有效地促进销售、获得收益的那一个。

这种数字化的思维不仅在商务中有很重要的作用，在个人的职场中也有很重要的帮助。比如前面提到的跳槽。善用统计思维还能把自己的工作化成数字，今年做了多少项目，每个项目花了多少时间，取得多少成绩，A项目和B项目的区别在哪里，这样不仅能看出自己的工作效率方法也能看出成绩所在。最直接的，就是能拿着这个当年终总结了。统计思维是一个工具，可以帮助使用者建立一个因果关系的思考方法，在纷繁复杂的现实世界中找到最重要、最关键的原因。相信拥有了这种思维，无论是处理工作和是个人生活都能更有条理，更加顺利。