博士你好，我在是西班牙留学的学生，我现在是大三，可是有一门课超级太难学会了，翻译成英语大概是statistical inferences and econometric introduction，看了你的科普视频之后觉得茅塞顿开，就是希望你可以专门出一期的教学类视频。我这有好多同学都被这门课难住了。谢谢谢谢！！！
你好博士，我要你幫忙What kind of theory is this： “Malaysian immigrant workers are willing to perform jobs Japan. workers are not willing to perform"? A.Correlational hypothesis B.Causal hypothesis C.Relational hypothesis D.Descriptive hypothesis 我自己覺得是d的答案。。 你覺得是哪個？
講講概率論是個好主意
up主的视频我是真心喜欢啊
希望up多讲一些，您讲的很好
请博士多讲讲概率论数理统计在数据分析上的解释和应用啊
支持更新❤😊
非常喜欢博士的知识视频！
为了youtobe多推荐点类似你的高质量科普频道我要在你频道留言哈哈哈哈
点赞！！ 如果能把背景音乐声音再调小一点或取消就更好了！！ 期待下一期！
博士你好，我在是西班牙留学的学生，我现在是大三，可是有一门课超级太难学会了，翻译成英语大概是statistical inferences and econometric introduction，看了你的科普视频之后觉得茅塞顿开，就是希望你可以专门出一期的教学类视频。我这有好多同学都被这门课难住了。谢谢谢谢！！！
up主能开设概率论与数理统计的教学课程吗哈哈哈
讲的好好👍👍
请教一个问题，按数学期望值，如果已知a的发生概率是12.5%，b的概率是87.5%，在a和b随机事件不断循环中，
问题1:a和b一共累计发生多少次，可以达到达到正态分布的概率99%（多大概率范围）
问题2:当a和b累计50（a的次数+b的次数）时，a实际的概率区间（多大概率范围）
问题3:a+b累计次数，和a的概率变化[合十][合十][合十][合十][合十][合十]
好帅
就很有用！
3:13 相關性系數可以有負值嗎？
Kai 博士你好，能介紹一下要怎麼做因果性的分析嗎？謝謝
能不能多讲一点别的相关分析 然后分析一下它们的利弊 和 适用情况
受益了
穿红色有没有可能是比较显眼😂 这可能是色彩理论心理学那块？
Hi Hi
跟你請教個東西，中介效果分析（Mediation analysis）如果採用這東西，加入時間順序下，可以證明其因果嗎
好棒啊博士 加油
格兰杰：那我走？
那因果性是怎麼確定的呢？
相关性只是一个背景下同时被触发了，就好比杠杆一头我的屁股和座椅同时上升了，但不是屁股的上升让座椅上升的，可能是A，可能是C也可能是其他的非A非C。C伴随B发生，B不须伴随C发生，这也是两件事。而如果中间的轴坏了，或者其他环境参与者变了，原来的相关也会不相关。所以发生在天地人下的主谓宾逻辑成立首先要有天地人的某背景。还要有主宾，还要有谓语不被法律等更大的环境禁止。还有过去相关不代表未来相关，所以天地人有范围的。还有大概看，粗看相关，细看，微观不相关，褒义词从大的说相关，从小的说不相关。越开方，相当于把分母变大，参照物变大越相关，越平方把分母表小相当于把参照物变小，越微观，相当于越不相关！
新冠与死亡也是这样，很多高龄老人有基础疾病 本来就不久人世 新冠感染只是诱发因素或弱因果关系
政治介入太多
我感觉这个话题个第一性原理有点像，但是说不清这里面的区别。
哈哈哈哈
我觉得博主如果能用更贴近生活的例子加上一些动画演示效果，视频播放量肯定能大增，因为大部分人看视频都是图一乐而不是来学习的😅
你好博士，我要你幫忙What kind of theory is this： “Malaysian immigrant workers are willing to perform jobs Japan. workers are not willing to perform"?
A.Correlational hypothesis
B.Causal hypothesis
C.Relational hypothesis
D.Descriptive hypothesis 我自己覺得是d的答案。。 你覺得是哪個？
严格来说，现实中就不存在因果性这东西，因果性只是人的一种臆想，对于反复发生A然后发生B的事情，将前者A认为是因，后者B认为是果，但其实这只是一种归纳而已。
這部影片 七個月前就有來看了
過了七個月 終於看見一絲希望 回來提出一個關鍵
其實因果與相關 最終我發現了 並不是等不等於的問題
應該直接注重在 到底是偏相關 還是偏因果
也就是 相關與因果 兩種情況 是相反的兩個方向
越因果 越不相關 (雖然很多人會說 有因果就是高度相關阿 ,但這句話前後對調 就絕對不通)
越相關 越不因果
也就是 是比例問題 是9:1 5:5 3:7
那好玩的問題就來了
又要怎麼判斷到底是偏相關 還是偏因果呢?
以科學與數學的方向來說 就是"蒙特卡羅方法"
那如果一般人不能用這種方法還有其他招嗎?
有的 請相信大數法則的另一種特性
大數法則通常是指蒐集大量相同類型的數據來做分析
而這裡的大數法則 則是不同類型的"種類量"
例如:你要知道一個人是不是跟你電波頻率個性相同
基本上你並不會直接問他個性是甚麼?
而是會從這人身上的各種情報與不同消息八卦來判斷聊天獲得信息
這在因果邏輯鏈 或者因果邏輯樹 的概念上來解釋最洽當不過
就是"子節點多不多" 或者說 "變項多不多" 或 "樹根多不多" 多到一定數量
就像福爾摩斯偵探判案 可以判斷 華生 身上各種微小的線索 來推敲出的消息
沒錯 這也就是同時利用了貝葉斯定律 貝氏定律
(上述是同時用到大數法則的種類數多+貝氏定律)
這裡只要關注邏輯樹的樹根量就可以了
比如電影與溺水的這件事情
看似數據線性相關性很高
若把這兩件事情的樹根 各拆解出10個樹根(子變項 子因素)
就會發現在樹根節點上 幾乎沒有更多的強力相關性
所以 我們就能直接靠直覺推定 這兩件事只是"偏相關"
最後說說我的看法 我認為 現在要開始改口說 "偏相關" 或者 "偏因果"
因為這樣更符合比例原則!
(因為繼續修改 電腦很卡 所以我接著繼續回復)
為何我會重視這個問題 並且持續探索追蹤
因為這問題是個非常嚴重關卡,而且是容易被人忽視的問題
我有個朋友 就是這裡卡住 一直無法提高"科學信仰"
而且我也是如此
直到最近看到蒙地卡羅 與 大數法則的非數據效應後 才恍然大悟
這問題很容易在要不要信 科學的路上 絆倒一堆人
甚至很多學完統計學 科學思維 的人 還是會相信玄學或哲學為大頭
有的時候我也只能感慨
知道科學 , 學會科學 , 癡迷科學 是三種境界
版主一定是最後的境界!
背景音乐可以不那么吵吗😂
宝可梦的bgm点赞😂
有點不太懂B導致A的解釋
就是頭上有蝨子判斷人健康的情況
因為AB本來就是需要靠一些主觀思考的判讀
他想表達的是
最正確的判讀 一定要符合 數據統計+主觀判斷 二者不能缺一
大部分的人都只有主觀判斷
會統計的人也很容易過於重視數據而忽略主觀
兩者並用 連續運用的技術 本來就是要相輔相成
數據統計+主觀判斷 一直重複持續到最後 最大概率能獲得最正確有價值的情報
另外你的症頭是大多數學統計的人都會遇到的問題 包括我
只有多練習找尋10幾個範例 扭轉主觀意識的看法
通常教統計最大的問題就是 大多學生對於"統計現象"都白紙一張
所以學得特別憋扭痛苦 但也沒別的法門 多找點相關的議題故事歷史來學習分辨
德國坦克 富人紅酒 飛機彈孔 入學男女 醫療 農藥癌症 尋找冥王星 這些都是統計經典故事
nb
講得很好，但是沒有穿紅衣服，所以不給讚😀
up主是学经济学的吧
嗯嗯博士论文做的资源经济学
1. 他还是个孩子, 所以就放过他吧.
2. 大过年的, 所以算了吧...
MIT博士都要穷到拍youtube视频来赚钱了吗？
为啥拍视频就是穷
逻辑感人😂建议你看十遍这个视频
好帅
哈哈哈