Statistical Thinking for Decision Makers

Go需要良好的数学技能。需要接触基础统计学（即与进行统计分析的人员合作）。

本課程專為決策者設計，他們的主要目標不是進行計算和分析，而是理解這些方法，並能夠選擇在組織的戰略規劃中相關的統計方法。

例如，潛在參與者需要決定在做出產品是否推出的決策之前，需要收集多少樣本。

如果您需要更長的課程，涵蓋統計思維的基礎知識，請參考為期5天的“Statistics for Managers”培訓。

統計能為決策者Make提供什麼

• 描述性Statistics
  • 基本統計 - 哪些統計量（如中位數、平均值、百分位數等）更適用於不同的分佈
  • 圖表 - 正確繪製的重要性（如圖表的繪製方式如何反映決策）
  • 變量類型 - 哪些變量更容易處理
  • 其他條件不變，事物總是在變化中
  • 第三變量問題 - 如何找到真正的影響因素
• 推論性Statistics
  • 概率值 - P值的意義是什麼
  • 重複實驗 - 如何解釋重複實驗的結果
  • 數據收集 - 你可以減少偏見，但無法完全消除
  • 理解置信水平

統計思維

• 在有限信息下做出決策
  • 如何檢查信息是否足夠
  • 基於概率和潛在回報優先排序目標（效益/成本比率，決策樹）
• 錯誤如何累積
  • 蝴蝶效應
  • 黑天鵝事件
  • 什麼是薛定諤的貓和牛頓的蘋果在商業中的意義
• Cassandra問題 - 如何衡量預測，如果行動方針已經改變
  • Google流感趨勢 - 它為何出錯
  • 決策如何使預測過時
• Forecasting - 方法與實用性
  • ARIMA
  • 為什麼天真的預測通常更靈敏
  • 預測應該回溯到多久以前？
  • 為什麼更多數據可能意味著更差的預測？

對決策者Make有用的統計方法

• 描述雙變量數據
  • 單變量數據和雙變量數據
• 概率
  • 為什麼每次測量時結果會有所不同？
• 正態分佈和正態分佈的誤差
• 估計
  • 獨立信息源和自由度
• 假設檢驗的邏輯
  • 什麼可以被證明，為什麼它總是與我們想要的相反（證偽）
  • 解釋假設檢驗的結果
  • 檢驗均值
• 功效
  • 如何確定一個好的（且成本低的）樣本量
  • 假陽性和假陰性，以及為什麼這總是一個權衡