自從統(tǒng)計學作為一個領域誕生以來，它就一直受到科學技術進步的影響。今天，在幾乎每個學科中都需要收集和分析數(shù)據(jù)的情況下，這一點可能尤其如此。隨著數(shù)據(jù)驅(qū)動的科學范式成為一種新規(guī)范，我們有機會改變自己的領域，并在數(shù)據(jù)科學中發(fā)揮領導作用，尤其是在統(tǒng)計思維與計算思維之間的相互作用上。正如Wender(2017)在國家科學院的報告所討論的那樣，大數(shù)據(jù)既有希望，也有危險。統(tǒng)計數(shù)據(jù)正處于以數(shù)據(jù)為中心的世界的中心，可以幫助私營和公共部門的科學家和領導者實現(xiàn)大數(shù)據(jù)的真正潛力。

為了融入當今重要的社會和科學計劃，我們絕不能將研究局限于純粹的知識好奇心，也不能將對下一代統(tǒng)計學家和數(shù)據(jù)科學家的培訓僅限于傳統(tǒng)課程，無論它們曾經(jīng)多么成功。10月的研討會以三位在精密醫(yī)學領域最前沿的數(shù)據(jù)科學家(Simon Tavaré)、微數(shù)據(jù)的使用(Julia Lane)和天文數(shù)據(jù)(Robert Lupton)的演講為開端，并繼續(xù)討論了許多數(shù)據(jù)挑戰(zhàn)。我們同意，雖然統(tǒng)計數(shù)據(jù)本身就是一個領域，但它與應用的緊密聯(lián)系必須繼續(xù)并加強，這些應用自然包括來自物理科學、社會科學、醫(yī)學、工程、金融、工業(yè)、治理、體育和藝術的各種數(shù)據(jù)問題。

統(tǒng)計和數(shù)據(jù)科學的核心價值在于它如何促進科學和社會的理解與發(fā)現(xiàn)。合理的數(shù)據(jù)收集實驗設計可提高效率和數(shù)據(jù)質(zhì)量。統(tǒng)計過程控制導致制造質(zhì)量的提高。不確定性的統(tǒng)計量化在確認分析和減少錯誤發(fā)現(xiàn)的風險中起著至關重要的作用。重采樣方法和貝葉斯計算在廣泛的應用中很有用，因為它們可以容納復雜的模型。對于統(tǒng)計和數(shù)據(jù)科學而言，持續(xù)證明其對現(xiàn)實世界問題的價值很重要。

統(tǒng)計學發(fā)展了作為數(shù)據(jù)分析指導原則的基礎和理論。計算方法和軟件開發(fā)對于實踐同樣重要。我們工作的影響不應局限于任何單個應用程序，統(tǒng)計的進步可以對許多應用產(chǎn)生重大影響(例如，Bootstrap、MCMC和貝葉斯計算、類似LASSO的壓縮感知方法、一般的適用于大數(shù)據(jù)的非參數(shù)化方法，例如隨機森林和深度神經(jīng)網(wǎng)絡)。

許多成熟的統(tǒng)計方法已被“商品化”—有免費的，高質(zhì)量的軟件可以執(zhí)行許多統(tǒng)計分析。這些方法通?？梢蕴峁﹥r值，但需要統(tǒng)計學家扮演新角色。我們需要訓練下一代的數(shù)據(jù)科學家，他們具有在問題表述和對統(tǒng)計概念的正確解釋等方面的關鍵技能。

新理論、方法和方法的動機可能源于由新的調(diào)查領域驅(qū)動的大規(guī)模協(xié)作調(diào)查，這些調(diào)查通過現(xiàn)代傳感和數(shù)據(jù)收集技術以及最先進的數(shù)據(jù)存儲和計算平臺而得以實現(xiàn)。這些調(diào)查幾乎影響了所有領域，并改變了統(tǒng)計與之相關的方式。從農(nóng)業(yè)到社交網(wǎng)絡，從遺傳學到商業(yè)分析，統(tǒng)計學家和數(shù)據(jù)科學家都處于獨特的位置，可以幫助科學家解決有關數(shù)據(jù)發(fā)現(xiàn)的重要問題。

統(tǒng)計人員和統(tǒng)計學如何協(xié)助和進行科學研究有很多方式。它們包括:

1.通用方法和軟件(例如，回歸，用于設計實驗的DOE軟件)的應用

由于改進的軟件和數(shù)據(jù)平臺，在線幫助(例如堆棧交換)、開放源代碼的用戶支持的靈活通用軟件環(huán)境(python，R)，通用工具的使用近來有迅速的強大正面效果。統(tǒng)計方法和軟件已經(jīng)出現(xiàn)爆炸式增長，現(xiàn)在可供所有用戶使用(R包，python)。大數(shù)據(jù)科學家顯然從這種把統(tǒng)計提供給應用的模式中受益。此外，由于他們具有從現(xiàn)代(數(shù)據(jù)密集型，HPC和網(wǎng)格)平臺訪問數(shù)據(jù)的技能，因此可以將已開發(fā)的方法和軟件應用于新出現(xiàn)的問題。

2.作為大學環(huán)境中的顧問或自由職業(yè)者

統(tǒng)計人員和數(shù)據(jù)科學家可能會專注于特定類型的問題或各種類型的問題，通常是多學科團隊努力的一部分。這是統(tǒng)計學和數(shù)據(jù)科學在以后幾十年需要產(chǎn)生影響的領域—因此，我們應該牢記這一點來進行激勵、培訓和開展研究。統(tǒng)計人員和數(shù)據(jù)科學家可以而且應該在國家實驗室、國家項目(例如大型天氣觀測望遠鏡，DARPA)，主要行業(yè)(例如制藥公司，保險公司)和政府(例如美國人口普查，USDA)中發(fā)揮積極作用)。

3.作為學術研究人員

在這種環(huán)境下，研究與教學自然融合。但是，協(xié)作/多學科科學的深度可能會受到其他約束的限制。一個主要的約束是教師需要以主要作者的身份出版大量出版物。學術院系需要找到鼓勵研究人員參與大規(guī)模，多學科科學工作的方法。對學術成就的評估需要不限于只考慮本領域的出版物數(shù)量。應該強調(diào)對實際領域科學和數(shù)據(jù)科學實踐中的領導作用的可衡量的影響。為了使我們的領域在未來十年中蓬勃發(fā)展，迫切需要這樣的變革。

1.2 統(tǒng)計與人工智能

在許多技術和科學領域，“人工智能”(AI)一詞已開始被廣泛地用來描述使用數(shù)據(jù)分析和基于數(shù)據(jù)的決定來代替?zhèn)鹘y(tǒng)的計算機編程，這往往是在補充甚至取代人類的判斷。

大約在1955年，人工智能的最初目標是在軟件和硬件方面模仿人類的智慧。這一目標仍然是一個崇高的愿望，但可以說，這一目標遠未實現(xiàn)。在接下來的幾十年中，人工智能研究人員致力于實現(xiàn)這一目標，探索了一系列方法，包括邏輯推理、約束滿意度、規(guī)劃、概率推理和從數(shù)據(jù)中學習。后者通常被稱為“機器學習”(ML)，這個術語在20世紀80年代開始被自我認定為人工智能研究人員的研究人員所廣泛使用。然而，到20世紀90年代，ML的方法和理論原理顯然與統(tǒng)計方法和原則密切相關，即使不是一模一樣的，ML和統(tǒng)計之間的區(qū)別開始消失。這兩個傳統(tǒng)的研究人員對跨越舊邊界的問題做出了重大貢獻。對ML產(chǎn)生了粗略的表征，強調(diào)分類、預測、非參數(shù)和計算效率。

這些新興理念直接適用于工業(yè)中新出現(xiàn)的問題，20世紀90年代和2000年代，ML在關鍵任務領域，如欺詐檢測、供應鏈建模、推薦系統(tǒng)、診斷、個性化搜索、廣告展示、工業(yè)機器人和物流。這些應用依靠開發(fā)平臺來收集和處理日益大量的數(shù)據(jù)，這項活動需要計算機科學其他分支，特別是分布式系統(tǒng)和數(shù)據(jù)庫的專門知識。工業(yè)界開始使用“數(shù)據(jù)科學”一詞來指能夠以這種方式混合統(tǒng)計、數(shù)據(jù)庫和分布式系統(tǒng)的個人和研究團隊。同時，科學界的研究者，尤其是天文學，基因組學和地球科學的研究者，開始建立用于大規(guī)模數(shù)據(jù)分析的平臺，并經(jīng)常與業(yè)界共享資源(通過開源軟件的出現(xiàn))，并且他們的企業(yè)通常也被稱為“數(shù)據(jù)科學”。最后，整個企業(yè)不僅涉及平臺，而且與大規(guī)模數(shù)據(jù)有關，“數(shù)據(jù)科學”也在挑戰(zhàn)新環(huán)境中開始涉及應用統(tǒng)計的一些經(jīng)典問題(例如，缺失數(shù)據(jù)、可視化和因果關系)。

在過去十年中，這些趨勢發(fā)生了哪些變化，以至于被貼上了“AI”的標簽？主要的變化是，數(shù)據(jù)集在計算機視覺、語音識別和語言翻譯等領域出現(xiàn)，這些領域具有足夠的規(guī)模和范圍，可以構建系統(tǒng)，利用這些數(shù)據(jù)來模擬人類的感知和語言技能。實現(xiàn)這一點的算法是ML算法，這些算法與20世紀80年代相比變化不大，其中最重要的算法是神經(jīng)網(wǎng)絡中的反向傳播，該算法在80年代開發(fā)，其根源在于20世紀50年代在最佳控制、信號處理、優(yōu)化和統(tǒng)計。平臺已經(jīng)改變，但是這些變化是工業(yè)和科學中大規(guī)模數(shù)據(jù)分析的更大趨勢的一部分。簡而言之，新的數(shù)據(jù)集的出現(xiàn)使得計算機視覺、語音識別和語言翻譯的經(jīng)典AI中心取得了顯著進展，這引發(fā)了整個企業(yè)的擴張，以反映其模仿人類的初衷。

Jordan(2019)將經(jīng)典的模仿人類的人工智能與智能增強(intelligence augmentation，IA)區(qū)別開來。在智能增強(IA)中，計算機用于增強人類的感知，認知和決策能力，如搜索引擎和圖像處理;在智能基礎設施(intelligent infrastructure， II)中，網(wǎng)絡的設備需要與多個人類決策者一起做出大量近乎同時的決策，例如在現(xiàn)代交通、商業(yè)、醫(yī)藥和金融系統(tǒng)中。統(tǒng)計原則在IA和II中至少與AI一樣重要。此外，在II中，統(tǒng)計原則將需要與微觀經(jīng)濟學原則相融合，以便相互作用的決策者可以有效地合作以應對稀缺性并確保公平和機會的獲取。

數(shù)據(jù)科學、機器學習和統(tǒng)計在它們要解決的問題方面有著基本相同的目標。這些領域的研究人員從不同但相互重疊的角度開發(fā)了方法論和方法。統(tǒng)計學并不認同模仿人類來構建自主學習系統(tǒng)的總體目標，而是側(cè)重于不確定性下的推理和決策過程中涉及的科學、數(shù)學、計算和社會問題。這些交錯領域之間正在發(fā)生一些交互和協(xié)作，并且還需要更多。對于深度學習的最新突破，人類的印記或參與以及計算能力是必不可少的，但是對于某些任務(例如病理報告解讀)，我們可以想象，隨著時間的推移，人類將在人類前進到下一個挑戰(zhàn)時，機器將扮演更重要的角色。

2. 科學和社會應用中的挑戰(zhàn)

2.1 數(shù)據(jù)挑戰(zhàn)

復雜的領域問題伴隨著不同的數(shù)據(jù)形式:數(shù)字、圖像/視頻、語音和文本、以及這些形式的集成。統(tǒng)計的轉(zhuǎn)變是由大膽的實踐和跨學科研究驅(qū)動的，這些學科在計算和理論的支持下來解決此類數(shù)據(jù)問題。相關的理論和計算是始終需要的，但與過去相比，在很大程度上，有價值的學術成就將建立在在實踐和跨學科研究的基礎上。

具體來說，在新時代，我們看到以下數(shù)據(jù)挑戰(zhàn)：

1.  數(shù)據(jù)的復雜方式多種多樣:數(shù)量、速度、多樣性、有效性，如果包括對抗性訓練，甚至用V代表Vendetta(仇殺隊)

2.  在許多情況下，可用數(shù)據(jù)并不是總體的有代表性的樣本

3.  通常，觀察到的數(shù)據(jù)是許多不同數(shù)據(jù)生成機制的疊加

4.  一些特定的解決方案可以推廣，而某些則不能。我們可以在類似問題上借用其強項及獲得啟發(fā)，但是每種分析都必須適合于實際情況，以實現(xiàn)最大的收益

5.  歐盟的“通用數(shù)據(jù)保護條例”對分析施加了緊迫性，因為人們可能會反復隨意地選擇加入或退出研究，并且分析人員可能需要不斷進行昂貴的重新計算

6.  “通用數(shù)據(jù)保護條例”還要求透明性和可解釋性。如果某人被拒絕貸款，那么分析師必須能夠解釋原因——他們需要再穩(wěn)定工作兩年，或者他們每年需要多賺5000美元。定義可解釋性的含義是當前的研究

7.  可重復性:數(shù)據(jù)的清潔程序和處理需要成為可重復性管道的一部分。我們需要制定一套通用標準

8.  公平性:負責任的數(shù)據(jù)分析必須解決公平性問題。當數(shù)據(jù)涉及人群的時候，抽樣或測量中的偏差會導致歧視。我們必須教育所有人在數(shù)據(jù)分析中關于確保公平性的需要；參見，例如，Dwork et al(2012)

相應的文化和人類結(jié)構需要與這些數(shù)據(jù)挑戰(zhàn)保持一致:

1. 基礎設施:需要考慮到與數(shù)據(jù)分析有關的“費用”，包括組織大量數(shù)據(jù)和理解數(shù)據(jù)結(jié)構。這需要物理基礎設施(數(shù)據(jù)庫、在線存儲庫、數(shù)據(jù)管理、GitHub和共享軟件)以及具有適當知識/培訓的數(shù)據(jù)“專家”

2. 隨著問題空間變得越來越復雜(例如，基因組學或社交網(wǎng)絡中的因果推理)，需要多學科團隊，甚至需要確定一個可處理的問題

3. 數(shù)據(jù)挑戰(zhàn)通常是依賴于領域的;不同的領域(從物理科學到社會科學)需要具有不同技能/專業(yè)知識的統(tǒng)計學家和數(shù)據(jù)科學家。重新構想的統(tǒng)計教育計劃需要用這樣的技能來訓練我們的學生

統(tǒng)計本身產(chǎn)生于科學家需要量化地使用測量、觀察和實驗以更好地理解科學現(xiàn)象的需要。天文學、賭博和遺傳學等初始應用領域推動了統(tǒng)計理論、概念和方法的開發(fā)和使用。自Breiman(2001)以來，我們在將機器學習作為統(tǒng)計的一部分方面取得了進展。在數(shù)據(jù)科學時代，新興應用非常豐富。在接下來的幾個小節(jié)中，我們討論了選定的幾個，并不做出列表是詳盡無遺的任何暗示。

2.2 精準健康/醫(yī)學

精確的健康/醫(yī)學研究需要對多模式、多尺度、多視角、異質(zhì)和相依賴數(shù)據(jù)進行集成和推斷;預測和不確定性量化以解決臨床醫(yī)學最大問題;將根據(jù)療效數(shù)據(jù)(即臨床試驗數(shù)據(jù))獲得的結(jié)果外推至有效性數(shù)據(jù)和個別患者的治療。

由于生物醫(yī)學研究技術的進步以及捕獲和存儲大量數(shù)據(jù)的整體能力的提高，生命科學，醫(yī)學科學以及公共衛(wèi)生領域的研究已經(jīng)發(fā)生了重大轉(zhuǎn)變。這些變化將科學生產(chǎn)力的瓶頸從數(shù)據(jù)生成和收集轉(zhuǎn)移到了數(shù)據(jù)管理、分析和解釋。生物醫(yī)學和生命科學中數(shù)據(jù)的爆炸式增長可以用來構建更精確，更準確的疾病分類以進一步發(fā)展精確的健康/醫(yī)學概念，從而有可能徹底改變診斷，治療和臨床決策的制定，以導致進行更個性化的治療并改善患者預后。例如，降低基因組測序的成本會增加可用的遺傳數(shù)據(jù)，這些數(shù)據(jù)可用于了解許多疾病的根本原因。此外，電子健康記錄可用性的提高提供了對臨床數(shù)據(jù)的訪問，而各種移動設備提供了生活方式和其他類型的數(shù)據(jù)，可用于促進疾病的更準確診斷和治療。

因此，精密醫(yī)學是一種新興的疾病治療和預防方法，它可以解決個體差異并整合一系列個性化數(shù)據(jù)，包括基因組、表觀遺傳、環(huán)境、生活方式和病史數(shù)據(jù)。它著重于將個體分為對疾病的易感性和可能的治療反應不同的亞群。

為了實現(xiàn)精確健康的承諾，我們需要克服許多科學挑戰(zhàn)，這些挑戰(zhàn)來自考慮所使用的多個數(shù)據(jù)源的特征—每個人被收集的數(shù)據(jù)歷史記錄，包括醫(yī)療記錄、健康概況、可穿戴設備、它們所接觸的環(huán)境、遺傳信息等。這些包括不同的數(shù)據(jù)類型，例如，數(shù)值、文本和圖像數(shù)據(jù)(多模式數(shù)據(jù))、多分辨率、多視角依賴數(shù)據(jù)，具有許多不同類型的相關性，例如時間、空間和局部相關。此外，數(shù)據(jù)中可能存在測量誤差和偏差、異質(zhì)性(局部和空間環(huán)境異質(zhì)性)以及個體變異性和總體異質(zhì)性。所有上述數(shù)據(jù)特征都帶來了需要解決的基本挑戰(zhàn)。

精確健康的基本挑戰(zhàn)之一是識別治療效果的亞組。這是實現(xiàn)精確健康益處的重要一步，因為它提供了關于具有特定特征的個人對特定治療在療效或不良反應下如何作出反應的證據(jù)。不同的治療效果不僅包括各亞組發(fā)生的治療效果的數(shù)量差異，還包括治療效果的質(zhì)量差異。此外，根據(jù)研究目標，亞組的特征可能是探索性、數(shù)據(jù)驅(qū)動性或確認性。區(qū)分治療效果的亞組鑒定方法背后的一個關鍵思想是鑒定可以推動治療效果改變的預測協(xié)變量(生物標志物)。數(shù)據(jù)驅(qū)動的方法通常用于亞組識別，考慮到這一挑戰(zhàn)對精確健康的重要性，需要新的方法。一個基本問題是開發(fā)用于子組后選擇的推斷方法。在精密醫(yī)學研究中需要納入適當?shù)慕y(tǒng)計程序和對事后選定子組進行確認分析。

在精密醫(yī)學領域中出現(xiàn)的其他挑戰(zhàn)包括需要開發(fā)一種方法來測量一系列疾病的風險以及開發(fā)數(shù)據(jù)集成方法以使人們能夠解決重要的推斷性問題。數(shù)據(jù)集成是當前活躍的研究領域，許多科學領域都對此做出了貢獻。在生物統(tǒng)計學領域，通過各種形式的薈萃分析在一定條件下進行數(shù)據(jù)整合。盡管過去和現(xiàn)在在數(shù)據(jù)集成領域有很多活動，但仍有一些基本問題有待解決。需要開發(fā)具有良好統(tǒng)計屬性和相關高質(zhì)量軟件的方法，特別是針對各種大規(guī)模、高維數(shù)據(jù)的方法。此外，還需要回答何時不能集成數(shù)據(jù)集/數(shù)據(jù)源問題的方法。需要詢問何時在分析中合并其他數(shù)據(jù)沒有什么用處，以及如何證明這一行動的合理性。

如果能夠獲得針對上述挑戰(zhàn)的可靠且經(jīng)過充分測試的解決方案，則其影響將是實質(zhì)性的，而且將在許多層面上產(chǎn)生影響。在個人層面，它將促進更有效的健康管理，并更好地了解影響健康的外部、非生物因素，以及更好地了解疾病的生物學、社會、環(huán)境和其他決定因素;根據(jù)個體基因組和表觀遺傳信息提出更好的治療方法，并為個體提供更好的自我指導管理;允許個人管理符合其需求的成本效益;并幫助減少不必要的治療處方。在公共衛(wèi)生層面，它將更好地了解不同環(huán)境因素對健康的影響;提供飲食、運動和其他相關因素對健康影響的更準確歸因;增進對健康干預措施副作用的了解;提高新產(chǎn)品開發(fā)的有效率;通過提前識別最有可能從特定治療中受益的個人并確定可能遭受不良事件的個人，從而降低醫(yī)療保健成本。

2.3 物理科學中的統(tǒng)計

物理科學中的現(xiàn)代研究通常利用新穎的數(shù)據(jù)源、各種子系統(tǒng)苛刻的計算模型以及為推進科學而需要獲取的詳細專家知識。這樣的研究是多學科的，需要在物理科學、計算建模、數(shù)據(jù)管理和統(tǒng)計分析方法的多個方面具有專業(yè)知識。應用領域眾多。部分列表包括天文學和宇宙學、地球物理學、水文學、高能物理、材料科學、預測化學、核物理和粒子物理學。

對于復雜數(shù)據(jù)的類型和物理科學中出現(xiàn)的問題，迫切需要新的統(tǒng)計方法和計算思想。迄今為止，現(xiàn)代統(tǒng)計推斷中的許多工作都是由技術行業(yè)或生物醫(yī)學研究中相對較好的問題驅(qū)動的，但是下一代數(shù)據(jù)(如遙感、衛(wèi)星圖像、天文學、粒子物理學、地球科學、現(xiàn)代成像和探索材料動力學的診斷設施)更加復雜，需要新的統(tǒng)計方法以及規(guī)模算法。復雜性源于于底層物理系統(tǒng)的復雜性和測量過程的復雜性(例如，從低信噪圖像中解波的對象的形狀，由于非線性、物體模型不正確以及計算不正確的卷積內(nèi)核而導致的偏差;這些都非常重要，因為物理上有趣的參數(shù)來自平均數(shù)以千萬到數(shù)億次的測量)。

與物理科學應用中的新統(tǒng)計方法開發(fā)相關的常見主題包括:

·處理時空數(shù)據(jù);

·不確定性量化方法，將物理觀測與要求苛刻的計算模型相結(jié)合，以進行統(tǒng)計推斷;

·不適當?shù)哪鎲栴}(例如，根據(jù)材料與激光或中子束的相互作用來推斷材料結(jié)構);

·利用大量低信噪比進行推理;

·利用通過搜索空間和/或時間收集的非代表性“機會”數(shù)據(jù);

·結(jié)合不同類型的測量，這些測量通常來自不同的物理系統(tǒng)，并且通常處于不同的空間和時間分辨率水平(例如，在宇宙學中——超新星的亮度、宇宙微波背景的波動以及遙遠星系的畸變);

·將不同分辨率的信息聯(lián)系起來(例如，從材料的分子成分中推斷散裝材料的特性，從化學結(jié)構推斷化合物性質(zhì));

·使用基于物理學的知識在未經(jīng)測試的新體制(例如極端溫度、極端應力條件、極端環(huán)境下的材料相互作用)下產(chǎn)生外推預測;

·使用數(shù)據(jù)(和其他類型的證據(jù))在競爭模型之間進行選擇，并通過模型組合產(chǎn)生更可靠的預測;

·開發(fā)有效利用可用數(shù)據(jù)源、計算模型、計算資源和統(tǒng)計分析方法的途徑，以便做出可靠的科學推斷;

·并開發(fā)統(tǒng)計方法，以更好地理解和預測罕見的高后果事件(例如流星撞擊、橋梁倒塌、特大風暴)。

正如許多人所指出的(包括國家科學院的報告，“海量數(shù)據(jù)分析的前沿”)，大數(shù)據(jù)中的挑戰(zhàn)不僅僅是由于規(guī)模:它們還涉及復雜性(物理科學中遇到的復雜性類型本質(zhì)上是不同于諸如人的數(shù)據(jù)、遺傳和技術數(shù)據(jù))。實際上，數(shù)據(jù)的龐大與數(shù)據(jù)異質(zhì)性有很大關系。科學進步將越來越多地源于使用復雜物理過程的可解釋模型獲得的知識。統(tǒng)計人員和數(shù)據(jù)科學家必須與領域科學家緊密合作，以了解問題，挑戰(zhàn)和科學目標。解決物理科學中特定問題的現(xiàn)有方法可能會忽略統(tǒng)計學家可以識別的數(shù)據(jù)分析機會。此外，重要的是跨領域轉(zhuǎn)移技術，重點放在可推廣的方法上。如果從解決單個問題的方法中得出可推廣的方法，科學將進步得更快。

2.4 統(tǒng)計與量子信息科學

有一些關于數(shù)據(jù)匿名化的統(tǒng)計研究，例如統(tǒng)計披露限制、差異性隱私或數(shù)據(jù)清潔。差異隱私(DP)試圖通過注入采樣以外的其他噪聲來最大程度地降低隱私對個人數(shù)據(jù)集的影響。截至2018年，人們對獲得常用統(tǒng)計算法的差異隱私版本有極大的興趣，這是一個蓬勃發(fā)展的研究領域。DP框架在行業(yè)中也有重要用途。例如，蘋果公司利用局部差異隱私來了解其用戶的行為，而無需跟蹤特定用戶的使用模式。參見https://www.apple.com/privacy/docs/Differential_Privacy_Overview.pdf.數(shù)據(jù)清潔是指試圖對數(shù)據(jù)進行匿名處理的一大套做法，以保護對象的身份或其在公開發(fā)布的數(shù)據(jù)集中的機密屬性，或確保公平對待每個對象。這可以通過以多種方式進行數(shù)據(jù)屏蔽，如通過刪除(或變換)可能包含標識信息的變量，或者隨機生成其分布接近實際數(shù)據(jù)集的新數(shù)據(jù)來實現(xiàn)。

隨著對隱私的日益重視，數(shù)據(jù)清潔和差異隱私，或它們的改進版本，都可能成為數(shù)據(jù)分析的主要工具。但是，仍然存在許多問題和挑戰(zhàn)。參見，例如，Bambauer et al.(2014)和Mervis(2019)的《科學》雜志文章。后者討論了在普查數(shù)據(jù)上使用DP的可能弊端，包括在對DP過濾(普查數(shù)據(jù))后沒有足夠的信息用于社會科學研究。顯然存在一個問題，即如何進行研究以在隱私和數(shù)據(jù)準確性之間取得平衡？特別是對于統(tǒng)計學家和數(shù)據(jù)科學家來說，一些關鍵問題包括:

·各種不同水平的隱私問題能否建成統(tǒng)計模型？當前差異隱私框架旨在最大限度地減少所有用戶的數(shù)據(jù)泄漏。實際上，某些人愿意分享比其他人更多的個人信息，尤其是如果這樣可以為他們提供更準確的建模和分析。

·差異性隱私與其他隱私定義的關系如何？更具體地說，是否存在?差異隱私還可以保證其他諸如k匿名的隱私概念的條件？此設置還需要數(shù)據(jù)集的背景分布，尤其是變量的相關性上，做出假定。

·我們?nèi)绾握_考慮隱私保護機制引入的附加隨機性，無論它們是DP還是別的？這是否需要新的統(tǒng)計推斷工具？

·還有其他類似的方法可以簡化數(shù)據(jù)的匿名化嗎？這些方法中的任何一種是否提供DP以外的更多功能？

上述問題必須通過經(jīng)驗和理論研究來解決。研究中使用的理論模型和模擬模型需要捕獲現(xiàn)實的關鍵方面，例如，有關普查數(shù)據(jù)并考慮到實際相關的目標和目標受眾。當前的人口普查局使用的隱私保護方法需要與諸如DP等新方法進行系統(tǒng)比較，并明確定義相關和實際目標。提倡DP進行普查的統(tǒng)計研究人員需要了解使用普查數(shù)據(jù)進行研究和提出政策建議的社會科學家的關注。DP的普查決定應與社會科學研究員和其他利益相關者協(xié)商。

一群人可以保持相當?shù)目鞓?，玩弄一個可能曾經(jīng)有意義的問題，并提出永遠不會暴露在危險的實用性測試的解決方案。他們喜歡在會議上互相閱讀論文，而且他們通常很不冒犯。但是，我們必定要遺憾的是，寶貴的人才在歷史上可以被善加利用的時期就被浪費了。

—— George Box(1976)

在過去的幾十年中，我們已經(jīng)開始通過跨學科研究和一般的應用統(tǒng)計來回歸領域根源 (Cleveland，2001)，但是變革的步伐并未跟上快速發(fā)展的以數(shù)據(jù)為中心的世界。

為了使該行業(yè)在數(shù)據(jù)科學及其他領域中發(fā)揮領導作用，需要更快地進行文化變革。正如 Breiman (2001) 雄辯地指出:

使用統(tǒng)計建模從數(shù)據(jù)中得出結(jié)論有兩種區(qū)域性。一種假設數(shù)據(jù)是由給定的隨機數(shù)據(jù)模型生成的。另一種使用算法模型，并將數(shù)據(jù)機制視為未知。統(tǒng)計界幾乎毫無例外地一直致力于使用數(shù)據(jù)模型。這種承諾導致了不相關的理論及可疑的結(jié)論，并且使統(tǒng)計學家無法研究大量有趣的當前問題。無論是在理論上還是在實踐上，算法建模都在統(tǒng)計領域之外迅速發(fā)展。它既可以用于大型復雜數(shù)據(jù)集，也可以用作較小數(shù)據(jù)集上數(shù)據(jù)建模的更準確和更有意義的替代方法。如果我們作為一個領域的目標是使用數(shù)據(jù)來解決問題，那么我們需要擺脫對數(shù)據(jù)模型的排他性依賴，而采用一套更加多樣化的工具。

—— Breiman (2001)

問題不在于隨機模型或生成模型本身。如果此類模型通過經(jīng)驗證據(jù)產(chǎn)生實際影響，則應予以贊揚，尤其是如果這些模型在其構造中考慮了領域知識并具有計算上可行的算法。這樣的模型也是有用且至關重要的，特別是對于研究和理解經(jīng)驗上成功的、并且在為穩(wěn)健而在多類生成模型下優(yōu)先研究的算法/方法。但是，在實踐中，通常情況并非如此，如果沒有經(jīng)驗支持，這種方法就非常成問題。

雖然數(shù)學，計算和統(tǒng)計原理對于理解統(tǒng)計和數(shù)據(jù)科學程序的操作特性必不可少，但要想解決現(xiàn)實世界中的問題，就必須沉浸在相關的領域。引用 George Box 在 1976 年的菲舍爾演講中所說的:“需要在理論和實踐之間取得適當?shù)钠胶?，最重要的是，統(tǒng)計學家必須學習如何成為優(yōu)秀的科學家及必須通過經(jīng)驗和榜樣才能形成的人才?！?/span>

我們的專業(yè)人士必須認識到，在新時代，我們的主要職責是開發(fā)統(tǒng)計和數(shù)據(jù)科學中的算法/方法和相關理論，以滿足對科學，工程學和社會產(chǎn)生最大影響的數(shù)據(jù)分析需求。我們需要一種新的文化，在這種文化中，新一代的統(tǒng)計學家和數(shù)據(jù)科學家將受到培訓并受到鼓勵，以擁抱新的現(xiàn)實。為此，我們需要所有利益相關者，包括學術院系，專業(yè)協(xié)會和資助機構，共同努力，實現(xiàn)急劇的文化變革。

4.1 學術院系

聘請多元化的教師對于我們職業(yè)的轉(zhuǎn)變至關重要。評估潛在的新員工帶來了巨大的挑戰(zhàn)，因為它從根本上涉及對未來影響的預測。傳統(tǒng)上準備好的學生呈現(xiàn)出較低的風險和更確定的軌跡。學術院系需要積極招募和培養(yǎng)從我們重新構想的博士課程中產(chǎn)生的新一代學生。并減少風險規(guī)避。多樣性起著關鍵作用—未來成功的統(tǒng)計教授帶頭人必須反映多樣性的許多方面，包括知識多樣性。這需要協(xié)調(diào)一致的長期努力(在聘用前后)，而我們的領域在過去并未做到這一點。

4.2 專業(yè)領導

統(tǒng)計學專業(yè)協(xié)會需要成為更有影響力的統(tǒng)計工作的有力推動者，并在統(tǒng)計學家/數(shù)據(jù)科學家，研究人員與其他社會以及私營和公共部門的科學家之間架起橋梁。我們專業(yè)協(xié)會的旗艦期刊需要擴大其范圍，并有意識地從傳統(tǒng)固有的研究領域轉(zhuǎn)向新的數(shù)據(jù)科學研究。統(tǒng)計人員的領導和溝通培訓嚴重不足，我們的組織應該在這方面有所作為。這種培訓還應為統(tǒng)計學家為跨學科研究團隊的領導做好準備。諸如獎項和研究金之類的榮譽應反映出對統(tǒng)計學的廣泛看法，不僅要表彰傳統(tǒng)的學術貢獻，還應表彰領導才能、計算成就以及更廣泛的科學或領域貢獻。為了反映這種轉(zhuǎn)變，社會需要獲得更多的獎項。

全國和國際統(tǒng)計學會在大學和研究生層次的統(tǒng)計學課程的開發(fā)和重新構想中可以發(fā)揮更大的作用。它們自然也可以幫助在學術界、工業(yè)界和公共部門之間架起橋梁。聯(lián)合統(tǒng)計會議是傳統(tǒng)的聚會場所，各行各業(yè)的統(tǒng)計學家都可以聯(lián)系到那里，還有很多工作要做。例如，在數(shù)據(jù)科學領域建立更廣泛，更深入的行業(yè)-學術界合作伙伴關系可以極大地促進數(shù)據(jù)科學時代的統(tǒng)計研究和教育，但是目前這通常發(fā)生在單位級別。專業(yè)協(xié)會可以幫助促進聯(lián)合體一級的努力。

4.3 資助機構

NSF 統(tǒng)計研究和教育的資金主要來自數(shù)學科學部(DMS)。NSF預算的增長跟不上科學和工程界的增長，特別是在通貨膨脹調(diào)整之后。這個問題在統(tǒng)計計劃中最為明顯和嚴重。但是，聯(lián)邦對基礎研究和勞動力的投資對于我們專業(yè)的未來仍然至關重要。統(tǒng)計計劃需要獲得更多的資金，以跟上學科的發(fā)展和進步，而統(tǒng)計研究的資金需要超出一項計劃，因為統(tǒng)計創(chuàng)新在科學的廣泛研究和教育領域中發(fā)揮著越來越重要的作用。例如，統(tǒng)計人員正在擁抱NSF的10大構想，尤其是通過利用21世紀科學與工程(HDR)的數(shù)據(jù)革命。

為了加速統(tǒng)計數(shù)據(jù)的轉(zhuǎn)換并造福社會，NSF和NIH等政府資助機構需要加大投資，以支持將統(tǒng)計作為科學技術發(fā)展的重要組成部分的研究項目。美國國立衛(wèi)生研究院資助的許多項目都涉及統(tǒng)計學家，它們通常扮演著支持(但重要)的角色。NSF的一種成功的資助模式是“數(shù)據(jù)科學原理跨學科研究(TRIPODS)”，其中統(tǒng)計學家和其他研究人員通過集成研究和培訓活動的全面參與有助于發(fā)展數(shù)據(jù)科學的理論基礎。DMS/NIGMS聯(lián)合倡議、旨在支持生物學和數(shù)學科學界的研究(DMS/NIGMS)、DMS/NLM關于生物醫(yī)學研究通用數(shù)據(jù)科學方法的聯(lián)合倡議(DMS/NLM)和威脅檢測算法(ATD)也是此類籌資機制的典范。更多的此類資助機會將鼓勵統(tǒng)計學家和數(shù)據(jù)科學家在一種新文化中發(fā)展研究計劃，這種文化對有影響的工作大加贊賞。正如該報告前面所討論的，具有影響力的研究可能來自統(tǒng)計學家對領域科學的沉浸和充分參與，例如天文學、預測化學、城市規(guī)劃和精密醫(yī)學等。資助包括統(tǒng)計學家和其他領域科學家在內(nèi)的平等研究伙伴的研究團隊，將導致跨領域的創(chuàng)新。資助機構和ASA等全國協(xié)會應共同努力，以確保統(tǒng)計和數(shù)據(jù)科學的研究人員充分了解這些機會，并有機會及時向這些計劃提供反饋。

我們還建議NSF和其他資助機構為初級和中級研究人員提供專門的支持，使其介入領域科學，這可能與學校學術假和其他形式的教師休假關聯(lián)。由NSF資助的研究機構和中心可以促進此類活動，但是需要新的機制來確保此類項目的成果評估著重于潛力和影響。政府資助可以激勵更多的統(tǒng)計學家將投入到新興的數(shù)據(jù)科學研究領域。

5. 博士教育

在本科層次上，針對統(tǒng)計統(tǒng)計學本科課程的新課程指南 和數(shù)據(jù)科學 強調(diào)了統(tǒng)計基礎的重要性，并伴隨著在計算、數(shù)據(jù)技術、領域知識和倫理方面更深入和更堅實的基礎。在這些文件的基礎上，我們在這里專注于博士教育。

首先，博士是一個研究學位，博士課程應側(cè)重于培養(yǎng)學生從事統(tǒng)計學和數(shù)據(jù)科學的研究。最可持續(xù)的培訓模型或增長模型是幫助他們學習如何學習，從而使他們在領域和數(shù)據(jù)挑戰(zhàn)不斷發(fā)展的過程中能夠靈活敏捷地進行智力適應和更新其知識和技能。我們的畢業(yè)生應該能夠通過創(chuàng)建新穎的統(tǒng)計對象(例如模型、方法、可視化對象)或?qū)Υ祟悓ο筮M行分析，為解決以實際數(shù)據(jù)為中心的問題做出貢獻。本節(jié)中的其余討論將服務于此目標。

5.1 課程

什么應該構成博士學位的基礎統(tǒng)計課程以改變我們的領域？我們認為，雖然概率和推斷是傳統(tǒng)統(tǒng)計的關鍵基礎，但當今統(tǒng)計領域的博士畢業(yè)生需要具備更深厚的計算和數(shù)據(jù)技術、通信、數(shù)據(jù)清理、定量批判性思維、協(xié)作技能、適當?shù)膯栴}制定和跨學科科學的技能。統(tǒng)計培訓需要涵蓋整個“數(shù)據(jù)生命周期”。同時，我們不建議擴展必修課程。如果有的話，對于許多計劃而言，需要提供更廣泛的選修課程，而不是必修課程。

我們認為一定的基本統(tǒng)計、計算和數(shù)學水平是前提。除此之外，我們認為以下領域是“核心”:

• 關鍵的統(tǒng)計基礎，包括概念和哲學基礎(包括健壯性和穩(wěn)定性考慮)

• 計算：編程、可重復性/工作流、數(shù)據(jù)技術、基礎設施/數(shù)據(jù)庫/云計算、數(shù)據(jù)管理、“wrangling/munging”

• 交流：為技術人員和非技術受眾的寫作、演示、可視化、提出和解決問題的實踐以及領導力發(fā)展

• 以數(shù)據(jù)為中心的批判性思維能力：維持統(tǒng)計分析的各個階段與潛在的科學或商業(yè)問題以及目標受眾之間的聯(lián)系；知道并傳達合理和不合理假定之間的差異；嚴格評估數(shù)據(jù)的來源以及推論、評估和結(jié)論的適當性

• 數(shù)據(jù)建模和評估：例如，事后分析包括 EDA 和 PQR-S 的驗證：P 代表人群，Q 代表問題，R 代表代表性，S 代表審查

• 抽樣和實驗設計基礎

• 因果推斷

• 度量

• 倫理：人類主題，隱私/機密，算法偏見

• 協(xié)作經(jīng)驗/技能（與前面的溝通技巧重疊）

一些課程計劃將通過逐漸進化過程朝著更廣闊的視野發(fā)展。其他的計劃則需要采取更激進的方法。對于本科生水平，Cobb (2015) 考慮了后者的可能性。不需要所有博士學位。統(tǒng)計學中的所有博士課程都沒有必要考慮相同的物質(zhì)基礎。但是，有一份藍圖(或一套藍圖)將有所幫助，并且是 Deborah Nolan 組織的后續(xù)“十字路口的研究生統(tǒng)計學教育”研討會的目標之一。

幾個限制因素使得難以在如此廣泛的領域中提供培訓。首先，大多數(shù)大學都不想犧牲他們認為是基礎的課程和經(jīng)驗。其次，似乎很多院系太小而無法在如此多樣的專業(yè)范圍內(nèi)提供適當?shù)呐嘤?，并且由于學生之間的競爭，各院系之間往往有交流資源的阻礙因素。除了對現(xiàn)有課程進行改造或現(xiàn)代化之外，博士課程還應考慮非傳統(tǒng)的學習機制，如塊狀課程、沉浸式體驗、實驗室輪換和可解決一個或多個這些限制的共享課程技術。但是，這些替代方案在獲取、認證、質(zhì)量標準、可持續(xù)性等方面提出了尚待解決的其他問題，NSF、專業(yè)協(xié)會和其他機構可能可以改善這些問題。許多計劃已經(jīng)為學生提供了“軌道”，我們認為所有計劃都應朝這個方向發(fā)展。在未來的討論中可以考慮核心培訓的后續(xù)輪換的“醫(yī)學院模式”。

由于缺乏對這些學科的深入了解以及對某一領域文化的了解，統(tǒng)計學家可能難以與其他科學領域的研究人員進行有效合作。解決這個問題的一個辦法是為希望成為在科學領域有深度投入的應用統(tǒng)計人員的人設立研究生或博士后獎學金。這將使這些統(tǒng)計人員能夠參加其合作者部門的課程(或從事其他類型的培訓)，甚至能夠參加該部門，以更好地了解該學科的文化?？梢耘c有關人員舉行年度會議。實際上，愛荷華州立大學已經(jīng)有這樣一個共同專業(yè)博士課程程序。

5.2 誰將是統(tǒng)計學博士計劃的理想申請人

擴大統(tǒng)計范圍的一種方法是招收更多種類的學生。上面討論的專用軌道類型可能會適應這種增加的異質(zhì)性。但是，大多數(shù)計劃仍會希望所有學生完成一些核心理論課程，這可能對數(shù)學或計算機背景較弱的學生構成挑戰(zhàn)。我們必須找到一種方法，讓那些在核心領域準備較少而進入計劃的學生適應。

5.3 提供更有效的培訓

也將歡迎在大學一級提出解決方案的創(chuàng)造性解決方案，特別是如果將示范方案的制定與材料傳播計劃結(jié)合起來，以便其他機構更容易采用這種努力；參見例如美國統(tǒng)計協(xié)會/美國數(shù)學協(xié)會的統(tǒng)計教師準備指南

5.4 專業(yè)和NSF在研究生教育中的作用

專業(yè)和NSF在理解和指導這些選擇中應該扮演什么角色？收集關于統(tǒng)計課程的主要特點和各大學培訓方法的數(shù)據(jù)的激勵措施和資源將具有很高的效用。更有用的是嘗試了解這些培訓模式與隨后的職業(yè)軌跡或其他感興趣的結(jié)果之間的聯(lián)系。這將需要額外的并且可能需要更多的勞動密集型數(shù)據(jù)收集。此外，創(chuàng)建基礎設施將是至關重要的貢獻，因為它可以確保這不僅是“一次性”的努力，而且可能導致持續(xù)進行的自我評估的努力。

NSF可以支持講習班、訓練營和暑期學校課程，提供課程開發(fā)和教學的最佳實踐培訓。將這些類型的培訓機會與旨在以高級方法培訓學生的培訓機會結(jié)合在一起的想法提供了一種特別有創(chuàng)意和協(xié)同作用的選擇。例如，可以作為暑期學院的一部分提供培訓，該培訓既為學生或講師提供了在方法領域的專業(yè)知識，又提供了培訓和材料以支持他們回去向所在機構的其他人教授所學到的方法。

嚴謹?shù)难芯亢蛯ρ芯可逃牟粩喾此紝⒋_保我們培養(yǎng)下一代統(tǒng)計學家成為數(shù)據(jù)科學時代的領導者。鑒于統(tǒng)計領域的重點是通過對數(shù)據(jù)的分析來了解世界，讓我們感到震驚的是，我們很少嘗試了解自己的專業(yè)以及我們通過數(shù)據(jù)收集和分析有效地培訓學生的能力。但是，這項活動很少有激勵措施。我們應該持續(xù)評估至少某些選擇的影響，而不是一味地投入有關最佳課程和最佳實踐的辯論。為了支持這種自我評估，NSF可以為下列研究創(chuàng)造資助機會:考察課程的批判式選擇、資格考試、課程計劃結(jié)構、培訓機會、教學方法等。這些評估的范圍覆蓋從數(shù)據(jù)收集工作(職業(yè)道路、工作滿意度等)到關于應屆畢業(yè)生感到缺少的技能的定性研究、關于當前培訓實踐狀況的描述性研究，或比較不同培訓策略有效性的隨機實驗。

參考文獻

1. Bambauer, J., Muralidhar, K. and Sarathy, R. (2014). Fools Gold: An Illustrated Critique of Differential Privacy. Vanderbilt Journal of Entertainmentand Technology Law 16, 701-755.

2. Breiman, L. (2001). Statistical modeling: the two cultures. Statist. Sci. 16, 199-231. With comments and a rejoinder by the author.

3. Cassel, C.-M., Sarndal, C.-E. and Wretman, J. H. a. (1977). Foundations of inference in survey sampling. Wiley-Interscience John Wiley & Sons, New York-London-Sydney Wiley Series in Probability and Mathematical Statistics.

4. Cleveland,W.S.(2001).DataScience: an Action Plan for Expanding the Technical Areas of the Field of Statistics. International Statistical Review 69, 21-26.

5. Dwork, C., Hardt, M., Pitassi, T., Reingold, O. and Zemei, R. (2012). Fairness through awareness. ITCS12 Proceedings of the 3rd Innovations in Theoretical Computer Science Conference 214-226.

6. Freedman, D. (1991). Statistical models and shoe leather. Sociological Methodologies 21 291-313.

7. Lindsay, B. G., Kettenring, J. and Siegmund, D. O. (2004). A report on the future of statistics. Statist. Sci. 19 387-413. With comments.

8. Lockhart, R., Taylor, J., Tibshirani, R. J. and Tibshirani, R. (2014). A significance test for the lasso. Ann. Statist. 42 413-468.

9. Jordan, M.I. (2019). Artificial intelligence: The revolution hasn’t happened yet. Harvard Data Science Review, no. 1. https:///10.1162/ 99608f92.f06c6e61

10. Meng, X.-L. (2018). Statistical paradises and paradoxes in big data (I): Law of large populations, big data paradox, and the 2016 US presidential election. Ann. Appl. Stat. 12 685-726.

11. Mervis,J.(2019).Can a set of equations keep U.S. census data private? Science January 4.

12. Neyman, J. (1934). On the two different aspects of the representative method: the method of stratified sampling and the method of purposive sampling. J. Roy. Statist. Soc. 97 558-625.

13. Nolan, D. and Temple Lang, D. (2014). XML and Web Technologies for Data Sciences with R. Springer.

14. Sarndal, C.-E., Swensson, B. and Wretman, J. (1992). Model assisted survey sampling. Springer Series in Statistics. Springer-Verlag, New York.

15. Talagrand, M. (1994). Sharper bounds for Gaussian and empirical processes. Ann. Probab. 22, 28-76.

16. Taylor, J. and Tibshirani, R. J. (2015). Statistical learning and selective inference. Proc. Natl. Acad. Sci. USA 112 7629-7634.

17. Tukey, J.W. (1962). The future of data analysis. Annals of Statistics, 33, no. 1, 1-67.

18. Waller, L. A. (2018). Documenting and evaluating data science contributions in academic promotion in departments of statistics and biostatistics. Amer. Statist. 72(1):11-19.

19. Wender,B.A.(2017).Refining the Concept of Scientific Inference When Working with Big Data: Proceedings of a Workshop. US National Academy Report.

20. Yu, B. (2013). Stability. Bernoulli 19, 1484-1500.