Tag: 偏见

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。