Prescriptions for Working Statisticians

اولین دوره در آمار، مهم نیست که چقدر \"خوب\" یا \"طولانی\" باشد، معمولاً رویه‌های استنتاجی را پوشش می‌دهد که فقط در صورتی معتبر هستند که تعدادی از پیش‌شرط‌ها توسط داده‌ها برآورده شوند. برای مثال، به دانش‌آموزان در مورد رویه‌های رگرسیون آموزش داده می‌شود که فقط در صورتی معتبر باشند که باقیمانده‌های واقعی مستقل، هم‌سوداست و به طور معمول توزیع شده باشند. اما آنها یاد نمی‌گیرند که چگونه مستقل بودن، همسویی بودن یا عادی بودن را بررسی کنند و مطمئناً یاد نمی‌گیرند که چگونه داده‌ها و/یا مدل خود را طوری تنظیم کنند که این مفروضات برآورده شوند. برای کمک به این دانش آموز! من دوره دومی را طراحی کردم که شامل مجموعه‌ای از تشخیص‌های آماری و نسخه‌های لازم برای آمارگیر کاربردی است تا بتواند با واقعیت‌های استنتاج از داده‌ها سر و کار داشته باشد و نه صرفاً با مشکلات کلاسی که در آن همه داده‌ها مفروضات مرتبط را برآورده می‌کنند. با تکنیکی که باید آموزش داده شود. در همان زمان متوجه شدم که در حال نوشتن کتابی برای مخاطبان وسیع تری هستم، یعنی همه کسانی که دور از کلاس درس بودند که آموزش رسمی آمارشان با چنین دوره ای به پایان رسید و تکنیک های آماری را در داده ها به کار می برند.

The first course in statistics, no matter how "good" or "long" it is, typically covers inferential procedures which are valid only if a number of preconditions are satisfied by the data. For example, students are taught about regression procedures valid only if the true residuals are independent, homoscedastic, and normally distributed. But they do not learn how to check for indepen­ dence, homoscedasticity, or normality, and certainly do not learn how to adjust their data and/or model so that these assumptions are met. To help this student out! I designed a second course, containing a collec­ tion of statistical diagnostics and prescriptions necessary for the applied statistician so that he can deal with the realities of inference from data, and not merely with the kind of classroom problems where all the data satisfy the assumptions associated with the technique to be taught. At the same time I realized that I was writing a book for a wider audience, namely all those away from the classroom whose formal statistics education ended with such a course and who apply statistical techniques to data.