昨天和一挚友聊天，主题就是：享受当下。不要抗拒什么，顺其自然的走下去。在一个还可以年轻、还可以疯狂、还可以享受的时候，毫无顾忌的去享受年轻的滋味。
有人说，踌躇是因为太害怕失去。只是，还没有失去的时候，都不懂得珍惜和享受的话，又谈何未来？如果注定要失去，我们也宁愿，在失去之前，让感情像烟花般，华美绚烂的绽放一番。总好过，从未盛开就凋零。
工作也是如此。总要做自己喜欢的事情，总要把握住自己喜欢的时间。和一群激情的人共事，和一群聪明的人一起创造价值。人生，总要给自己留点记忆，创造一些属于自己的经典。
现在，越来越不喜欢太多的计划和规划什么了，随心而至吧。最后，附上一个去年做的flash的截图，treasure before loss...是的，就算失去了，也会在回忆中温暖吧。
今天刚刚看到TED的一个视频。以前的时候总是听到TED的大名，但是一直没有怎么看。刚才的是关于统计分析的，感觉很有意思，见：http://v.163.com/movie/2011/7/L/1/M7805EO9V_M7805PEL1.html
TED可能受众是大众一点，所以演讲者更多以举例为主。这个就是以TED现有演讲为基础，来黑色幽默的展示统计分析可能带来的误导和违背常识。哈哈，一如既往熟悉的美式幽默风格呢！
里面有很多例子，比如“受欢迎的演讲者”一般头发要长一些，之类之类很简单的相关性统计。然后给出了一个终极TED演讲模板……当然有点搞笑了。不过这也让我想到，关于“相关性”和“因果关系”之间，我们应该怎么更好的结合起来。统计分析最常规的就是给出相关关系，不管是线性的还是非线性的，以试图寻找连系事物之间的线索。同样的，数据挖掘也是做的这个事儿，在一群纷繁的数据中，找出有价值的信息，往往也是两个事物之间的连系。
大多数情况下，相关性分析是符合我们直觉的，也会给接下来的业务开展带来极大的指导意义，比如那个最著名的“啤酒与尿布”。但是现在大量与我看来有些莫名其妙的统计模型的引入，尤其是计算机发展后算法实现的便利，很多人不管三七二十一就开始套用算法了。没有直觉的算法我还是觉得不靠谱，尤其是无法用经济原理来解释的人类的行为。一个算法或者统计模型分析出来的结果，只有通过演绎法下面的经济原理检验，我才觉得是可以信赖的。违法直觉的结果强行应用，怕是事得其反。
有名的例子有很多，比如最早的时候联合国做扶贫，思路很简单，就是若干统计研究发现，一个国家接受的FDI（外来直接投资）和GDP正相关，所以想当然的认为只要给非洲等贫困国家大量的资金支援，他们就能产生经济增长和发展……然后呢？一笔笔钱显然是白扔进去了。FDI水土不服的例子有的是。显然，这里的问题就是，FDI和GDP确实是有正相关关系，但不见得是因果关系，所以就算FDI扔进去也不见得GDP就会产生。一个线性估计模型出来的参数，可不是这么简单的就适用哦。这也就是计量经济学家们一直纠结的内生性问题——两个变量之间本身就是相互促进和影响的。
这也是为什么，从一个政策制定指导的角度，计量经济学会首先侧重于一个估计量的“一致性”而不是一味的追求估计精度的提高和预测的准确性，这个和金融里面的关注点差别就会蛮大了。这也是我比较欣赏计量经济学思路的一个地方。相比于大多数很fancy的统计学模型和计算机算法，计量经济学还是比较务实的希望先把握准一个方向，然后才去细细地寻找一种解决的策略。现在身在业界，更是体会到一项商业活动找准方向是多么的重要。否则，一旦大趋势改变而我们浑然不觉，那么什么算法模型都只能是一时的准确，而很快就会消亡，毕竟只是在猜而没有一个坚实的基础。
所以，从这个意义上，我一直觉得经济学看问题还是有它自己的深度和远度的，无论是演绎法之下的经济原理与分析模型，还是归纳法之下的计量经济学。从相关性到因果关系，往往还有很长的一段路要走的。走通了，自然登高望远风景无限秀丽。不过，这其中的辛苦也是当事人自知啊～
开发算法固然不容易，但是能把算法找到坚实的基础支撑和准确的应用，再进一步提出算法的优化和进化要求，更是一种考验智力和耐心的事儿。这么看，economic consultant真的是最最伤不起的职位啊！还要懂得如何深入浅出的展现结果啊！太历练人了！
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。
市场有一只“无形的手”，大家都默默的承认着这个道理。这只手有多厉害呢？很多人看投资的走向，觉得市场的效用太过神奇。而最近，则在深深体会到这只无形的手对于人力资源配置的巨大作用。
这个问题有多现实呢？高中毕业选专业，要选就业好的，然后一窝蜂奔向经济管理计算机；毕业之后要就业，还要选利益最大的，于是公务员、金融大热。
这么说，是因为最近很多本科同学研究生毕业，在找工作。经济金融嘛，大多数都奔向金融业了。投行，券商，最差也要去银行。还有若干希望找个铁饭碗进体制内的。可是，这些地方真的需要这么多优秀的人么？市场不管长远的，市场只告诉你价格是一个决定走向的因素。
想到这里，就深深的感觉到，原来自己所不理解的、那些研究经济体制对于资源配置的distortion的论文价值在哪里了。原来不觉得TFPQ、TFPR这些东西有什么用，现在看起来真的是很有意思的宏观层面衡量生产力的指标。
小小的再一个感慨。国外偏学术的econ项目对学生的训练是什么呢？现在看来答案越来越清晰了，就是培养经济学家，学校里的学校外的都算。没有其他任何其他的目的，干净的纯粹。有的时候翻翻所学的东西，到硕士已经是在“精”和“专”上走的很远了，真的只能为做经济学家而准备，就算economist这个词儿快被用滥了。其他任何事情，在业界，还是欠缺的太多了。
宏观经济理论比较难以直接转换为微观的商业模型，就不说了，毕竟关注的问题完全不是一个层面的。那么微观经济学呢？一个什么样的理论可以转换为一个可实践的商业模型呢？ 除了金融之外？
这可能是经济学院和商学院最大的区别吧～就像物理和工程的差别。从我的感觉，最普遍的就是各种拍卖理论和模型，但是这个就有点鸡生蛋、蛋生鸡的味道了。比如Groupon，这种互联网时代的团购模式是不是我们以前所未曾闻及的？那么，在每一个传统的商业模式搬迁到互联网这个平台的时候，我们是不是可以利用信息的优势（用户注册资料、购买记录、地理位置等），来针对传统商业模式的弱项有所弥补呢？
电商在过去的2011年为广大群众贡献了无尽的福利，这个看看双11和双12抢购就不用多说什么了吧？各种烧钱烧的没完。从某种程度上，我甚至认为他们对平抑物价做出了杰出贡献……当然这个是暂时的，可是是什么样子的力量让各大电商这么火拼呢？我个人认为，还是信息优势和物流瓶颈突破，带来的电商较之于传统卖场库存、场地租金等等大幅下降的优势和对于顾客的准确感知。
作为一个有羊毛一定要蓐的半家庭主妇，我就很直接的在淘宝商超买掉了柴米油盐酱醋茶……除了肉和蔬菜牛奶等这种暂时没法买的之外。一袋大米，比1号店还便宜，联想起1号店每笔单子都亏，我就更开心的蓐淘宝的羊毛了。真慷慨啊，还暂时只有上海可以享受此等福利，真是送到门口的肥肉啊。其实，好吧，我只是觉得一个人去超市扛一袋5kg的大米太沉了，还是送货上门的好啊。
随着信息流通的加快，不可避免的，各种传统的商业模式都要面临着变革。这个过程中，经济理论可以发挥多少作用呢？我们对于information和noise的分析、我们对于博弈的分析、对于交易成本的分析，一个个是不是都可以重新在信息充分流动的情况下考察是不是可能突破传统的束缚、有一种新的均衡结果的存在。为了达到一个新的均衡，我们又应该如何设计一个对应商业模式，来充分挖掘信息的力量，创造信息租和利用信息差，赚取信息的价值？
最近在一直想这个问题，或许过去对于商业模式的关注太专一的从经济的角度出发了。这里面其实不论是academic research还是business trials应该都是可以有所尝试的。如果说团购燃烧起了传统商业模式在信息时代的第一场变革，那么后续的，应该还有更多的爆发空间——在泡沫破灭之前，需要创造更多的实质性的支撑。
最浅的，从最直接的信息流通的层面、营销，也会经历一场变革吧。只是没有它背后实质性的商业模式的变革那么深刻的有趣。