数理统计的哪些领域可高度采用？

13

我即将完成统计学方面的荣誉，我真的想获得博士学位，因为我发现数学统计学非常有趣。我最想攻读博士学位的研究领域是随机过程和时间序列。

但是，我也想在获得博士学位后在私营部门从事职业。我想知道私人机构中最常使用哪些数学统计领域，以及哪些类型的工作？

显然，我不会因为可以就业而去做博士学位，但是我认为这绝对是我需要考虑的事情，因此需要一些建议。

mathematical-statistics careers phd

4

欢迎来到简历！在此网站上，您无需在帖子末尾说“谢谢”-起初看起来很粗鲁，但这是该网站“问问题，得到答案，不要分心” 的理念的一部分（游览），并且这意味着将来您的问题的读者不需要阅读所有的乐趣。同样，也无需签名-您的用户名和用户页面链接会自动出现在每个帖子的底部

— Silverfish

6

您应该问的问题是“ 5-6年内将有哪些需求领域？” 正确的答案是：“我们没有任何线索。”

— 阿克萨卡尔邦

@Aksakal，不应该在简历中允许这个问题，因为正如您正确指出的那样，它是基于观点的。对这个问题的回答应该是客观的，并在可能的情况下基于就业统计。美国劳工统计局可能是OP开始的好地方。

— StatsStudent

2

我注意到这里似乎侧重于数学统计的问题和侧重于技能的答案之间有点脱节。我不确定这是否是因为问题并不清楚要解决的问题，人们没有阅读问题，还是人们说技能比主题更重要的方式！

— 银鱼

2

@Silverfish，如果答案有误怎么办？OP将会因此失去6年生命。这么高的价格，我什至不愿意回答他。这也应该告诉他，也许他根本不应该问这个问题。也许他应该选择对他来说最有趣的区域。六年的博士学位不会让他的生活停滞不前。重要的是，他这些年生活，享受自己的工作。谁知道我们在地球上有多长时间，每一刻都很重要

— 阿克萨卡尔邦

22

我是作为例行评估和雇用数据科学家的人来回答的。

当一个人从学术研究过渡到私营部门的职业时，您将不会因为拥有的任何特定技能而被录用。统计领域的学术研究领域以及任何给定公司存在的一系列问题的范围都太广了，以至于无法根据非常精确地定义的特定技能来聘用。

相反，您将被录用，因为您可以表现出对精确思考的一般才能，对解决问题的渴求和才华，理解和传达抽象和复杂思想的能力以及各种实践和理论技能。

因此，根据我的建议，我只是一个人，做您喜欢做的事，并渴望解决问题，细微差别和复杂性。学习各种技能，并充分了解您的基础知识（比您的研究主题更好）

哦，学习编程。

这很有道理，非常感谢您的深思熟虑。您是否推荐任何特定的编程语言

难以回答而又不自觉的问题。

我个人的看法是，这并不重要，因此，请学习您喜欢的一种，并激励您继续学习。很好地学习母语是一大障碍。第一次学习后，另一个（一个又一个，另一个）就容易得多，因为您已经解决了艰巨的概念挑战。

但学习语言的好，学会了语言的作品，为什么它设计的方式是。编写不害怕返回的干净代码。将编写代码视为认真的责任，而不是不幸的现实。这不仅使您受益匪浅，而且可以做广告的真正技能。

如果您仍然需要具体建议，我会回声@ssdecontrol，而不是可以（一般）执行通用统计数据的语言，更喜欢可以执行统计的通用语言。

— 马修·德鲁里
source

3

@Patty知道通用语言是科技公司的一项重要资产，因为它可以让您与开发人员“说相同的语言”。Python是一个不错的选择，因为您也可以将其用于数据分析，并且它是“真实”编程的绝佳入门。在大型企业之外，SAS不会有价值。而且无论您走到哪里，都可能需要了解一些SQL。Shell脚本也是至少应注意的一个好工具。

— shadowtalker

4

与编程和现实世界中的问题解决相关，一种建议是确保您可以使用“原始”数据来处理某些项目（即，不是所有为您收集和预处理的项目）。如果您能够根据需要进行数据综合/清理/质量控制，那么无论选择哪种语言，您的编程技能都将作好充分的准备。

— GeoMatt22 '16

2

“统计学领域的学术研究领域以及任何给定公司存在的一系列问题的领域都太庞大了，以至于无法根据非常精确定义的特定技能来聘用。” 是的，没有。您当然可以在没有任何特定统计技能的情况下获得工作（即，无论研究主题如何，博士学位绝对足够），但是您也可以积极招募特定技能。作为轶事，我知道有人因为对他的工作感兴趣而拒绝了Google的4条建议。

— 悬崖AB

2

@CliffAB这很公平。但我认为这是错误的钱包的东西深入的研究只是使公司将积极招募你。

— 马修·德鲁里

2

关于“深度学习”的哈哈，马修：我确定@CliffAB的人知道谁从Google那里获得了四个报价，正在从事深度学习。

— 变形虫说恢复莫妮卡

4

如果您对“适销对路”的技能感兴趣，那么我想说的是了解各种建模技术（GLM，连续和离散的生存模型，随机森林，人工林），重点是预测而非估计。在参数模型下，数理统计有时可能会陷入估计的泥潭，试图回答那些在模型不真实的情况下变得不相关的问题。因此，在深入研究问题之前，请考虑在模型不成立时它是否仍然有趣且适用，因为它永远不会成立。如果这是您的兴趣之一，那么您应该能够在时间序列中找到许多这样的问题。

还应了解，在现实世界数据分析中会遇到一些挑战，仅凭统计教育可能无法为您做好准备，因此，我将考虑通过研究关系数据库和通用计算等主题来补充您的教育。这些字段也可能非常引人入胜，并提供了令人耳目一新的数据透视图。

最后，正如Matthew Drury所指出的那样，进行编程至关重要。我将努力使R和/或Python变得强大，并开始学习有关SQL的知识，您将不可避免地遇到它。许多公司仍在使用SAS，但是您真的想为SAS工作吗？诸如C或Java之类的编译语言也不会受到损害，但这并不是很关键。

— 达克斯顿
source

1

我绝对同意“所有模型都是错误的，有些模型是有用的”。但是，您是否同意制定机械的解释性（生成性）模型可能有价值，其中可能包括潜在的（未观察到的）参数？例如，在确定数据生成/收集策略时。我的印象是，这可能是统计和机器学习之间的（软？）划分。否则我可能是错的。（我是工业界人士，但从技术上讲不是“数据科学家”。）

— GeoMatt22年

3

作为在工业界从事博士后工作的人，我会这样说。

Matthew Drury的回答是一流的。dsaxton关于预测与估计的论述也不错。
学习使用任何编程方法，这将帮助您快速完成研究生课程。做好吧。一旦您能说一门非常流利的语言，其他语言就很容易掌握了，您可能会为此付出代价，而这需要由雇主支付。
数据库不会变得越来越小，可能也不会变得更干净。我预计在未来两到三十年中，用于处理巨大的，混乱的/丢失的数据的技术是一个不错的选择。

— 自行车手
source

2

当前大多数答案都是面向“数据科学”的，这无疑是一个高度可用的领域。正如最初的发帖人提到的对随机过程和时间序列特别感兴趣，数学统计*的另一个相关领域可能是状态空间估计。

这用于估计由于高度结构化（准）确定性过程与随机强迫之间的反馈而导致系统发展的模型。例如，状态空间估计在自动驾驶汽车中无处不在。

（*该领域通常被认为是工程或其他领域的一部分，但肯定涉及数学统计。）

— GeoMatt22
source

1

我不会提出一些根本性的新建议，但作为我自己的专业数据收集者，我想强调几点。

所有可销售的技能不仅是单个孤立技能的捆绑，而且是一个完整的同步包。从包装上来说，我的意思是，
一套非常熟练的实践技能。就像您可以根据大量数据形成有意义的判断一样。对于具有博士学位水平的人（或任何来此工作的人），雇主将对带来现实世界的认知匹配更感兴趣，而您可以使用给定的数据集进行匹配。举例来说，
如果您发现流程无法发挥最大的潜力，则可以使用这些技能从API提取数据，编写编解码器和驱动程序。然后使用统计分析的元素将数据转换为信息。这个过程是如此原始和真实，以至于您的学习越多样化和深入，您可以检索到的信息就越好。曾经有人告诉我，可以给出问题答案的精通数学是一回事，而在现实世界中解释该答案则是另一回事。
最后且极为重要的是，您是否可以提出结论的可视化结果，以供所有人查看和理解，而您所属领域以外的任何人也不能提出3个以上的后续问题。这就是您将模拟现实世界过程的地方。这有点困难，但是一旦掌握了它，通常会在整个职业生涯中带来丰厚的回报。

对于所有这些，从我的角度来看，一个有用的技巧是在研究新事物时不断问自己如何在现实世界中运用它。是的，当人们深入研究抽象时，确实会感到尴尬，但是这是一个非常值得的习惯，并且它经常使超级雇员与受过高等教育的人分开。祝好运！

— 马杜尔
source