自我学习与受教教育？

对于程序员，有一个类似目的的问题。这个问题有一些很好的答案，但是总的主题似乎是，如果不自学，您将无所适从。

显然，编程和统计之间存在一些主要区别-使用编程，您实际上只是在学习一些基本逻辑，然后重复应用它。新语言都使用相同的基本概念。自我学习可以让您学习更高级的概念，并变得更有效率。这种东西很难教。

统计数据完全不同。应用所涉及的逻辑很容易-因为通常有人设计了该方法。实际上，该方法通常是大学所教授的大部分方法。但是统计信息确实比这更深入，并且涉及一些真正的高级概念。甚至很难找到这些概念，如果您所学的只是应用统计学，更不用说理解它们了（尽管我想知道这可能是由于该领域的行话造成的）。另外，我发现编程中的自学涉及阅读许多简短的文章/博客以向您介绍新概念，而有关统计的可访问文章几乎总是针对初学者，因此对于像这样的新手而言毫无用处。我。

因此，问题是：自学是否比大学教育更适合统计学？哪种自我学习方法可行？任何以前为人们服务的例子都将受到欢迎。

（这可能应该是社区Wiki，但是我没有看到任何复选框）

我想我在一个相当相似的地方，但我会刺中。我最初是一名社会学研究生，当我完成了本系提供的所有统计学课程后，就进入了我大学统计学系的一些研究生课程。这是一个启示。统计教授解决问题的方式与我的高级教授截然不同，比我以前学到的要直观和启发得多，公式化的要少得多，并且依赖于很多我从未教过或没有的东西设法在我的基础课程中学习了。为了跟上步伐，我不得不反复自学很多东西，但我仍然担心自己还没有真正扎根那些基础概念。

在这四到五年间，我花了大量时间广泛阅读-博客，此站点以及一些杰出的教科书确实很有帮助。但是这种自我学习是有局限性的，最大的不是我没有在学校里听过一些讲座，而是自从我与实际上比我了解更多的人紧密合作已经过去了四五年。做到了。该站点是我消除不正确观念的主要来源。这让我感到恐惧，以至于我计划在今年秋天申请生物统计学家的MS程序-肯定会参加一些有趣的课程，还因为我只是希望有人对我的想法粗鲁地了解我所拥有的知识真的学到了。

相反，我在大约相同的时间和相同的条件下自学R。大约一年半以前，直到我帮助建立一个R用户组之前，我实际上还没有任何人指出我的代码中公然愚蠢的构造。但是我对我的代码并不感到焦虑，这在很大程度上是因为编程最终归结为一个问题，即是否可行。我并不是要减少那里的挑战-我已经在StackOverflow上工作了足够长的时间，所以知道对于真正的软件开发人员来说，有大量的专业知识可以使事情变得优雅，高性能，可维护，适应性强并且易于操作。 -使用。但是最终要根据软件的功能表现来判断软件。正如你所说，统计数据几乎是相反的问题-现代统计软件可以相对容易地得出复杂的模型，但是在许多情况下，我们没有合适的系统来确保这些模型值得一做。很难重新创建许多已发布的分析，并且从头开始复制以前已发布的研究并不像获得新发现那样引人入胜（请在您认为合适的地方加上恐惧的引号）。我几乎总是知道我的程序何时出现垃圾，但是我永远不能完全确定我的模型是好的。像发现新发现一样迷人（在您认为合适的地方加上吓人的引号）。我几乎总是知道我的程序何时出现垃圾，但是我永远不能完全确定我的模型是好的。像发现新发现一样迷人（在您认为合适的地方加上吓人的引号）。我几乎总是知道我的程序何时出现垃圾，但是我永远不能完全确定我的模型是好的。

所以...就像在编程中一样，我认为自学是必不可少的。但是我也认为，有一位导师或同伴来陪伴您提出想法，让您了解新思想并在必要时踢屁股至关重要。正规教育是与这样的人会面的一种方式。它是否有效取决于您的情况...

+1是个好问题。从长远来看，我认为您总是不得不依靠一种或另一种形式的自学。如果您对基础知识不满意，那么正式的课程会很棒。例如，如果您对应用的统计数据感到满意，但又不觉得自己对基础数学有所了解，那么采用数学统计数据类将是必经之路。即使到了那里，研究生院最终将要学习如何独自导航。

我想借此机会歌颂简历。老实说，我认为该站点将成为您关注的答案。确实有很多资源没有针对适当的级别（太高或太低），并且很难找到您需要的资源。我的猜测是，书籍通常会处于最适合您的水平。它们将变得更加全面，并且对于任何主题，都会有一些主题，从几乎没有任何数学到纯理论性论文，其间有许多等级。您可以在书籍下搜寻简历如果找不到任何正确的答案，请提出一个新问题。通常，如果您不确定某个特定的概念，只需询问一下即可。即使只是在网站上四处浏览并跟踪链接也能提供令人难以置信的信息-自从我活跃于网站以来，我学到了多少知识，我对此感到惊讶。

在有助于自学的具体策略方面，有两件事对我的帮助最大。首先，根据应用的统计信息，这实际上与编程相同，或者进入卡内基音乐厅练习。尝试查找数据集（如果可能），并进行探索；查看数据，考虑可能发生的情况，拟合某些模型并检查它们是否合理，等等。您可以做的越多，情况就会越好。为了理解构成各种技术基础的理论概念，模拟是最适合我的方法。当我读到某样东西，并说它以某种特定方式工作或在某种情况下会崩溃时，我经常编写一些代码来创建这些条件并从该过程中生成数据，然后拟合模型并存储任何相关指标，将其嵌套在一个循环中，然后使用它。实际上，这就是我几乎了解任何东西的方式。我可以读到一些东西，而且可以说得很清楚-我什至可以转过身来解释-但我不是真的得到它，直到我可以生成它并在实际中看到它。

统计学的理论基础太深，无法仅通过处理桌面上碰到的问题就能够很好地理解该主题。我见过的一些最大的统计失误是来自具有编程或数学背景的人，他们愚蠢地认为知道如何编码或计算出概率与了解统计信息是一样的。

一样，没有理由为什么一个经过深思熟虑的自学程序不能胜任这项工作。至少对于某些人来说确实如此：请参阅皇家统计学会的研究生文凭。不乏可供阅读的教科书（由Cox，Berger，Tukey，Nelder和Efron等人撰写！），出色的免费软件（R）可以试用，当然还可以通过Cross Validated解决疑问。

对于编程，我同意自学是必经之路。在我担任统计学家的几个月中，我自学了R。然后，我参加了R编程的Coursera课程，看我是否可以学习任何新知识，并且由于我有扎实的背景知识，所以我将其提高了，并受邀担任该课程的助教。

至于自学统计，这取决于，但出于谨慎的考虑，我会拒绝。统计员的大多数工作至少需要统计专业的理科硕士学位，这只是为了进入您的大门，这是有原因的。经验丰富的统计学家通常拥有博士学位。

想象一下，有位医生要您设计一种针对特定治疗的选择程序（我从事过的工作）。您可以拿起统计资料进行复习并开始工作。您犯了一些数学错误，或者您无法识别一些潜伏变量，并且选择了错误的人员。砰! 亲戚因疏忽被起诉和/或您因误杀而入狱。

因此，通过编程，自学是唯一的选择，但永远不要说没有统计和经验丰富的统计学家的指导下就知道统计学或从事统计项目，或者至少首先要问得出结果的用途。