近日，统计学大师Bradley Efron在统计学顶级期刊JASA发表了题为Prediction, Estimation, and Attribution的文章。

Bradley Efron，美国统计学家，统计学届的泰斗。Bootstrap方法的发明者，Empirical bayes的推动者，统计学家里的语言大师。

Bradley Efron的主页：http://statweb.stanford.edu/~ckirby/brad/

全文介绍： 20世纪的科学需求和计算方面的限制塑造了传统的统计方法论，但在21世纪，需求和限制都有所改变，方法论也相应地发生了变化。大规模的预测算法——神经网络、深度学习、boosting、支持向量机、随机森林等已经在主流媒体上获得了明星的地位。他们被视作传统回归方法的继承者，可以在巨大规模的数据集上运行。学者Efron在这篇综述中总结了传统回归方法(traditional regression methods)和纯预测算法(pure prediction algorithms)之间的主要区别，主要集中在prediction和estimation之间以及prediction和attribution (significance testing) 之间，文章中的大部分讨论是通过一些比较小的数值例子展示的。通过阐述传统回归方法和预测算法具有的优势以及不足，Efron提出了对传统回归方法以及预测算法未来发展的两个期待，指出了我 们有将传统方法论和现代算法相结合并继续探索新方法的可能性：

  • 希望预测算法的输出结果更具可解释性(Trend 1 aims to make the output of a prediction algorithm more interpretable)。
  • 希望在传统方法论的框架内，至少能够实现一些预测算法所具有的优点(Trend 2 hopes to achieve at least some of the advantages of prediction algorithms within a traditional framework)。

论文相关资料（包括代码复现等）下载地址：https://github.com/havanashw/Efron2020_summary

阅读论文的中文编译版，点击下面的“阅读原文”。

内容中包含的图片若涉及版权问题，请及时与我们联系删除