首页 > 论文范文 > 社会科学论文 > 经济学论文 > 统计学论文 > 对统计学风险的认知

对统计学风险的认知

2019-12-27 325 上传者：管理员

摘要：人们对小概率事件和微小误差存有错误的认知，会将看似精确的概率计算引入歧途。精确有时候并不意味着准确，客观事实和我们对概率的直观感受往往是存在差异的。统计学原理并不复杂，但它仍然是一项严肃的科学，需要时刻带着客观、严谨的思维去审视数据和风险，下文就当前统计学进行了阐释，强调用辨证思维解读统计学。

关键词：
回归分析
概率学
统计
黑天鹅
加入收藏

回归分析是一种非常强大的统计学方法，专门用来分析那些影响因素很多的复杂问题。简单来说，回归分析就是通过一个已知的现象，来找到未知的原因。它可以通过严格的数学分析，复原出每种原因对结果的贡献比例。

伦敦大学公共卫生学院曾经主持过一项著名的“白厅”研究。医学家们发现，英国政府里低级别的公务员，患上心脏病的概率比他们的上司更高，白厅研究就是要找出这背后的真实原因。这个研究显然不能用随机抽样的方法实现，因为我们不可能把志愿者强行分配到各个工作岗位工作几年，然后再看哪些人因公殉职了。研究员只能在很长一段时间里，对数千名公务员进行详细的数据采集，来比对各类导致心脏病的可能因素。

低阶公务员的学历普遍偏低，会不会是影响因素?烟民比例多呢?还是不能享受到高水平的医疗服务?或者是加班多，锻炼时间少?这些都是导致心脏病高发的变量，那么到底哪一个才具有决定性的影响呢?这么庞杂的数据里有太多错综复杂的因素，显然会干扰研究员的判断。这时候就要用到回归分析这个工具，它的作用好比一个可以调节孔径的筛子，能在综合考虑其他变量效果不变的情况下，把其中一个变量的效果分离出来。

回归分析的数学过程比较复杂，好在现在有了成熟的多元线性回归方程模型可以套用。我们要做的，就是把多个变量的取样结果代入回归方程式，计算结果就会显示出，我们关注的变量和心脏病发病率的线性关系。通过统计推断，我们就能知道这个变量到底在多大程度上影响了发病率。实验结果表明，造成心脏病高发的真正原因，是对工作缺乏控制力和话语权。而这类存在感较低的岗位，在低级别职位中更常见。现在，“低控制力”已经成了一个专有名词，专指那些精神负担重、决策水平低的工作。

事实上，当前科学界绝大多数的研究结论都是以回归分析作为基础的。尤其是回归分析软件的普及，让建立模型和解析方程变得很简单。但同时也要注意，电脑永远不能代替人的工作，如果我们在进行回归分析时遗漏了变量，或者忽视反面因素，回归分析就会得出危险的结论。

上世纪90年代，哈佛大学医学院对12万名女性开展了纵向调查，经过严格的回归分析证实，定期摄入雌激素的女性，突发心脏病的概率只有其他女性的1/3。医学机构支持了这个观点，医院开始定期为中老年妇女进行雌激素的补充治疗。然而后来的临床试验发现，补充雌激素的副作用会导致乳腺癌和血栓病高发，这是科学家们没有考虑到的重大疏漏。最终，因为接受雌激素治疗而死亡的女性患者达到上万人。你看，一旦出现变量遗漏，错误的回归分析结果甚至会杀人。

统计学原理虽然看似简单，但却不是人人都能做数据分析师。因为它既能给我们的观点找到严谨的数据支持，但有时也会给一个错误的结论，披上合理的外衣。先来说说著名的“黑天鹅事件”。通过这个例子我们可以了解，忽视那些小概率事件，会造成多么严重的后果。“黑天鹅”一般用来指那些影响很大，但难以预测的小概率事件。2008年美国次贷危机爆发前，整个北美金融行业都在使用同一个风险价值模型来预测投资风险。这个模型的强大之处在于它非常精确，它能把华尔街每家公司的资产都进行严格的概率学分析，给出预期收益和损失值。它还能把这些海量的市场信息整合成一个简洁的风险指标，提供给美联储和财政部参考。比如分析了以往的市场变动数据后，金融分析家会根据这个模型，给出某项投资在特定周期内可能让公司蒙受的损失，而这种预测可以涵盖高达99%的市场风险。

然而，这个模型有一个被忽略的致命问题，那就是它的概率学模型参照的是过去20年的市场行为，不能对未知的意外情况做出预测。所以，它预测不了“黑天鹅”的出现。这只“黑天鹅”就是2007年美国商业银行房贷业务的崩溃，虽然它发生的概率只有不到1%，但悲剧的是，它确实发生了。这直接导致了一次全球大范围的金融危机，失业率数字达到了10%，很多国家和政府都陷入了债务危机。

这就是小概率重大事件的破坏力。是概率学本身出问题了吗？显然不是，模型已经告诉了我们有1%的风险无法预测，可人们仍然选择了无视。作者认为，最大的风险从来就不是那些我们能看得见、算得出的，而是那些看上去似乎概率很小，我们认为一辈子都不可能发生的风险。它们的确会发生，而且比我们想象的要频繁得多。

除了“黑天鹅”，还有一个我们容易忽略的问题，那就是统计误差。统计学虽然有着严谨的数学计算，但它并不是完美无缺的，我们通过分析数据推断出的结论，永远不会是100%正确的。这是因为，只要数据分析建立在抽样调查之上，样本的统计结果和真实情况之间就会存在误差。虽然随着样本容量的增大、试验次数的增多，这样的误差会接近于0，但即使误差再小，也不能忽视它的存在。

在现实中也一样，对于那些意义重大的科研结论，人们往往对概率计算有特别精确的要求。比如物理学家在探测引力波是不是真的存在时，总计花费了数十亿美元、用20多年的时间来建造探测器，目的就是必须要把实验误差控制在一个极其微小的数量级。事实上，这个探测器能探测到小数点后21位，这个尺度上的引力波变化。爱因斯坦一个世纪前的这个预言，才最终得到了有说服力的证明。

人们对小概率事件和微小误差的错误认识，会让看似精确的概率计算误入歧途。精确有时候并不意味着准确，客观事实和我们对概率的直观感受往往是有差异的。统计学原理虽然不那么复杂，但它仍然是一项严肃的科学，需要时刻带着客观、严谨的思维去审视数据和风险。

参考文献：

[1]张健.用统计学观念思考海关风险式通关以及数据审核[J].统计与咨询,2008,(06):46-47.

[2]胡璐,胡铃,王吉如.从统计学角度看大数据与金融风险防范[J].金融世界,2018,(01).

[3]康卉妍.统计学在精算与风险管理领域的应用[J].财讯,2017,(22).

王晔.浅析统计学的风险[J].中国科技投资,2019,(4):288.DOI:10.3969/j.issn.1673-5811.2019.04.265.