书名《统计学七支柱》
作者 Stephen M.Stigler
追溯统计学来龙去脉，阐述统计推理核心思想
前言
“统计学是什么？”
这个问题面对每个时代的新挑战答案都不同。“统计学的挑战”在19世纪30年代指经济统计，在20世纪30年代指生物问题，而目前指定义模糊的“大数据”问题。
“七支柱”
它们是七根“支撑”的柱子，是统计学的学科基础，而不是完整的体系。
一方面，这七根支柱都有古老的起源；另一方面，现代学科通过自身结构的伟大独创性，以及华丽承诺不断产生的精彩的新思想，将统计学构建为多元化的科学。
第一根支柱：聚合（Aggregation）
我们可以使用它在19世纪的名称“观测的组合”，甚至使用最简化的名称：均值。
最小二乘法及衍生方法本质都是均值，它们通过对数据进行加权汇总而抹去数据的个体特性——指定的协变量除外。甚至核密度估计和各类现代平滑器在本质上也是均值。
第二根支柱：信息（Information）
更具体的说是“信息度量”，也是说来话长又很有意思。
数据中的信息可以测量，而测量的精度与数据量有关，某些情形下可以精确刻画相关性的形式。
第三根支柱：似然（Likelihood）
意味着使用了概率的推理的校准。
显著性检验和普通的P值都是最简单的似然形式，但诚如其名，与“似然”有关的方法丰富多彩，其中许多方法或者与费舍尔推断的参数族有关，或者与贝叶斯推断的参数族有关。
第四根支柱：互相比较（Intercomparison）
这个名称借鉴了费朗西斯•高尔顿的一篇论文，它表达了一个过去激进但现在普通的思想：统计比较常常可以采用数据自身的内部标准，而不必采用外部标准。
相互比较最常见的例子是学生t检验和方差分析的检验。
第五根支柱：回归（Regression）
回归现象可简单解释为：假设有两个不完全相关的观测变量，你选择了其中极值远离均值的变量，那么可以预期另一个（以标准差为单位）不会那么极端。
这根支柱与因果、推断一样，是贝叶斯学派的核心内容。
第六根支柱：设计（Design）
随机化在推断中有着巨大作用。费舍尔认识到结合严谨的随机化方法将会带来好处，于是在实验法中引入激进的改变。多因素现场试验中，费舍尔的设计允许效应的分离和相互作用的估计；实施随机化后，有效推断不再需要正态性或者材料的均匀性的假设。
第七根支柱：残差（Residual）
“复杂的现象……可以通过减去已知原因的影响进行简化……留下……需要解释的残差现象。通过这样处理……科学……得到了极大的促进。”
模型诊断（画出残差）在统计学中极为常见，但通过拟合和比较嵌套模型探索高维空间的方法更具有意义。
下面重新概括了七根支柱，用七种基本统计思想的作用来表达，尽管这样做也许会导致过度简化的风险。
（1）定向减少或压缩数据的价值。
（2）数据量上升，价值会减少。
（3）如何使用概率测量我们做的事？
（4）如何使用数据中的内部变化帮助分析？
（5）从不同角度提问可以产生有启发性的不同答案。
（6）规划观测的重要作用。
（7）所有这些思想如何用于科学探索和比较彼此矛盾的解释。
第一章 聚合：从表格和均值到最小二乘
1.1 指针的变化
1.2 古代的聚合
1.3 平均人
1.4 聚合与地球的形状
第二章 信息：度量与变化率
2.1 铸币检查试验
2.2 亚伯拉罕 棣莫弗
2.3 优化、扩展、悖论
第三章 似然：概率尺度上的校准
3.1 阿布斯诺特和显著性检验
3.2 休谟、普莱斯和贝叶斯归纳
3.3 拉普拉斯检验
3.4 似然理论
第四章 相互比较：作为标准的样本内变异
4.1 戈塞特和费舍尔的t-检验
4.2 弗兰西斯 埃奇沃思和方差成分的双因素分析
4.3 相互比较的一些陷阱
第五章 回归：多元分析、贝叶斯推断和因果推断
5.1 发现之路：从达尔文到高尔顿
5.2 高尔顿的解释
5.3 达尔文问题的解决
5.4 影响
5.5 多元分析与贝叶斯推断
5.6 贝叶斯推断
5.7 收缩估计
5.8 因果推断
5.9 三分律：愿你安息
第六章 设计：实验方案和随机化作用
6.1 可加模型
6.2 随机化
第七章 残差：科学逻辑、模型比较以及诊断展示
（未完待续…）