Welche Bereiche der mathematischen Statistik sind sehr gut einsetzbar?

13

Ich bin kurz davor, meinen Abschluss in Statistik zu machen, und ich möchte wirklich promovieren, weil ich mathematische Statistik äußerst interessant finde. Forschungsgebiete, in denen ich am liebsten promovieren möchte, sind stochastische Prozesse und Zeitreihen.

Ich möchte aber auch nach meiner Promotion eine Karriere in der Privatwirtschaft anstreben. Ich habe mich gefragt, welche Bereiche der mathematischen Statistik im privaten Sektor am häufigsten verwendet werden und in welchen Berufen?

Natürlich werde ich nicht promovieren, nur weil es einsatzfähig ist, aber ich bin der Meinung, dass ich dies unbedingt in Betracht ziehen muss, und möchte daher einen Rat.

Patty
quelle
4
Willkommen zum Lebenslauf! Auf dieser Site müssen Sie am Ende Ihres Beitrags nicht "Danke" sagen - es mag zunächst unhöflich erscheinen, aber es gehört zur Philosophie dieser Site ( Tour ), "Fragen zu stellen, Antworten zu erhalten, keine Ablenkungen" Dies bedeutet, dass zukünftige Leser Ihrer Frage die Höflichkeiten nicht durchlesen müssen. Ebenso ist es nicht erforderlich, Ihren Namen zu signieren - Ihr Benutzername und ein Link zu Ihrer Benutzerseite werden automatisch am Ende jedes Posts angezeigt
Silverfish
6
Die Frage, die Sie sich stellen sollten, lautet: "Welche Gebiete werden in 5-6 Jahren gefragt sein?" Die richtige Antwort lautet: "Wir haben keine Ahnung."
Aksakal
@Aksakal, diese Frage sollte im Lebenslauf nicht erlaubt sein, da sie, wie Sie zu Recht betont haben, auf Meinungen basiert. Die Antworten auf diese Frage sollten objektiv sein und sich nach Möglichkeit auf Beschäftigungsstatistiken stützen. Das Bureau of Labour Statistics in den USA könnte ein guter Startpunkt für OP sein.
StatsStudent
2
Ich stelle fest, dass es hier eine gewisse Trennung zwischen einer Frage, die sich auf mathematische Statistik zu konzentrieren scheint, und den Antworten, die sich hauptsächlich auf Fähigkeiten konzentrieren, gibt . Ich bin mir nicht sicher, ob das daran liegt, dass die Frage nicht ganz klar ist, was sie will, dass die Leute die Frage nicht lesen oder dass Fähigkeiten mehr zählen als Themen!
Silberfischchen
2
@ Silverfish, was ist, wenn die Antworten falsch sind? OP wird dann 6 Jahre seines Lebens verlieren. Es ist so teuer, dass ich nicht einmal versuchen würde, ihm zu antworten. Dies sollte ihm auch sagen, dass er diese Frage vielleicht überhaupt nicht stellen sollte. Vielleicht sollte er sich den Bereich aussuchen, der ihn am meisten interessiert. Sein Leben wird nicht für 6 Jahre PhD pausieren. Es ist wichtig, dass er diese Jahre lebt und Spaß daran hat, was er tut. Wer weiß, wie lange wir auf dieser Erde haben, jeder Moment zählt
Aksakal

Antworten:

22

Ich antworte als jemand, der routinemäßig Datenwissenschaftler auswertet und anstellt.

Als Person, die vom akademischen Studium in den privaten Sektor wechselt, werden Sie nicht aufgrund spezifischer Fähigkeiten eingestellt. Die Welt des akademischen Studiums in Statistik und die Bandbreite der Probleme eines Unternehmens sind viel zu groß, um sie auf der Grundlage sehr genau definierter spezifischer Fähigkeiten einstellen zu können.

Stattdessen werden Sie eingestellt, weil Sie ein allgemeines Gespür für präzises Denken, einen Durst und ein Talent für Problemlösungen, die Fähigkeit zum Verstehen und Vermitteln abstrakter und komplexer Ideen sowie vielfältige praktische und theoretische Fähigkeiten nachweisen können.

Also, mein Rat, und ich bin nur ein Typ, tue, was du liebst, und entwickle einen Durst nach Problemlösung, Nuance und Komplexität. Erlernen Sie vielfältige Fähigkeiten und kennen Sie Ihre Grundlagen gut (besser als Ihr Forschungsthema)

Oh, und lerne zu programmieren.

Das macht sehr viel Sinn, vielen Dank für die nachdenkliche Antwort. Gibt es bestimmte Programmiersprachen, die Sie empfehlen würden?

Schwer zu beantwortende Frage, ohne eine Meinung zu haben.

Meine persönliche Meinung ist, dass es nicht wirklich wichtig ist, also lerne das, was dir gefällt und das dich motiviert, weiterzulernen. Ihre erste Sprache wirklich gut zu lernen, ist die große Hürde. Nach dem ersten Lernen ist ein anderes (und ein anderes und ein anderes) viel, viel einfacher, weil Sie sich bereits mit den schwierigen konzeptionellen Herausforderungen befasst haben.

Aber lerne die Sprache gut , lernen Sie, wie die Sprache funktioniert und warum sie so gestaltet wurde, wie sie war. Schreiben Sie sauberen Code, zu dem Sie keine Angst haben, zurückzukehren. Nehmen Sie das Schreiben von Code als ernsthafte Verantwortung, nicht als unglückliche Realität. Dies macht es sowohl lohnender als auch eine echte Fähigkeit, die Sie bewerben können.

Wenn Sie immer noch einen konkreten Rat wünschen, würde ich @ssdecontrol weiterempfehlen. Ich bevorzuge eine Allzwecksprache, die Statistiken ausführen kann, gegenüber einer Statistiksprache, die (irgendwie) Allzweckfunktionen ausführen kann.

Matthew Drury
quelle
3
@Patty Eine Allzwecksprache zu kennen, ist ein großer Vorteil für Technologieunternehmen, da Sie damit "dieselbe Sprache sprechen" können wie die Entwickler. Python ist eine gute Wahl, da Sie es auch für die Datenanalyse verwenden können und es eine hervorragende Einführung in die "echte" Programmierung ist. SAS wird außerhalb großer Unternehmen nicht wertvoll sein. Und egal wohin Sie gehen, müssen Sie wahrscheinlich etwas SQL kennen. Shell-Scripting ist auch ein gutes Werkzeug, um sich zumindest dessen bewusst zu sein.
Shadowtalker
4
Im Zusammenhang mit der Programmierung und dem Lösen von Problemen in der Praxis besteht eine Empfehlung darin, sicherzustellen, dass Sie einige Projekte mit "Rohdaten" bearbeiten können (dh nicht alle Daten wurden für Sie gesammelt und vorverarbeitet). Wenn Sie in der Lage sind, nach Bedarf Datensynthese / -reinigung / -qualitätskontrolle durchzuführen, sind Ihre Programmierkenntnisse unabhängig von der von Ihnen gewählten Sprache gut vorbereitet.
GeoMatt22
2
"Die Welt des akademischen Studiums in Statistik und die Bandbreite der Probleme eines Unternehmens sind viel zu groß, um sie auf der Grundlage sehr genau definierter spezifischer Fähigkeiten einzustellen." Ja und nein. Sie können auf jeden Fall einen Job ohne bestimmte Statistikkenntnisse bekommen (dh ein Doktortitel ist auf jeden Fall ausreichend, unabhängig vom Forschungsthema), aber Sie können auch aggressiv für bestimmte Fähigkeiten rekrutiert werden. Als Anekdote kenne ich jemanden, der 4 separate Angebote von Google abgelehnt hat, weil er an seiner Arbeit interessiert ist.
Cliff AB
2
@CliffAB Das ist fair. Aber ich würde denken , dass es einen Fehler tief Studie von etwas zu Geldbeutel nur so , dass ein Unternehmen aggressiv Sie rekrutieren würde.
Matthew Drury
2
Haha über "Deep Study", Matthew: Ich bin sicher, die Person, die @CliffAB kennt und die vier Angebote von Google erhalten hat, arbeitet an Deep Learning.
Amöbe sagt Reinstate Monica
4

Wenn Sie sich für Fähigkeiten interessieren, die "vermarktbar" sind, würde ich sagen, dass Sie verschiedene Modellierungstechniken (GLMs, kontinuierliche und diskrete Überlebensmodelle, zufällige Wälder, verstärkte Bäume) kennenlernen, wobei der Schwerpunkt auf der Vorhersage über der Schätzung liegt. Bei parametrischen Modellen kann es vorkommen, dass mathematische Statistiken bei der Schätzung zu sehr ins Stocken geraten und versuchen, Fragen zu beantworten, die irrelevant werden, wenn das Modell buchstäblich nicht wahr ist. Bevor Sie sich zu sehr mit einem Problem befassen, sollten Sie sich überlegen, ob es immer noch interessant und anwendbar ist, wenn das Modell nicht hält, weil es niemals funktioniert. Sie sollten in der Lage sein, viele solcher Fragen im Bereich der Zeitreihen zu finden, wenn dort eines Ihrer Interessen liegt.

Beachten Sie auch, dass die Analyse von Daten aus der realen Welt Herausforderungen mit sich bringt, auf die Sie eine Statistikausbildung allein möglicherweise nicht vorbereiten kann. Ich würde daher in Betracht ziehen, Ihre Ausbildung durch das Studium von Themen wie relationale Datenbanken und allgemeine Berechnungen zu ergänzen. Diese Felder können auch sehr faszinierend sein und eine erfrischende Perspektive auf Daten bieten.

Schließlich ist es, wie Matthew Drury bereits betont hat, unerlässlich, programmieren zu können. Ich würde daran arbeiten, mit R und / oder Python stark zu werden, und anfangen, etwas über SQL zu lernen, auf das Sie unvermeidlich stoßen werden. Viele Unternehmen setzen SAS noch ein, aber möchten Sie wirklich für eines arbeiten? Eine kompilierte Sprache wie C oder Java schadet auch nicht, aber das ist nicht wirklich kritisch.

dsaxton
quelle
1
Ich stimme definitiv zu, dass "Alle Modelle sind falsch, einige Modelle sind nützlich". Würden Sie jedoch zustimmen, dass es sinnvoll sein kann, mechanistisch erklärende (generative) Modelle zu formulieren, die latente (nicht beobachtete) Parameter enthalten können? Zum Beispiel bei der Bestimmung von Datengenerierungs- / Erfassungsstrategien. Mein Eindruck ist, dass dies vielleicht eine (weiche?) Trennung zwischen Statistik und maschinellem Lernen ist. Oder ich könnte mich irren. (Ich bin in der Industrie, aber technisch gesehen kein "Data Scientist".)
GeoMatt22
3

Als jemand, der seine Postdoktorandenlaufbahn in der Industrie verbracht hat, würde ich das sagen.

  1. Matthew Drury's Antwort ist erstklassig. Die Bemerkungen von dsaxton zu Vorhersage und Schätzung sind ebenfalls gut.
  2. Lernen Sie, mit allem zu programmieren, was Ihnen dabei hilft, die Graduiertenschule schnell zu durchlaufen. Mach es gut. Wenn Sie eine Sprache erst einmal fließend beherrschen, können Sie leicht andere Sprachen erlernen, und dies geht wahrscheinlich zu Lasten Ihres Arbeitgebers.
  3. Die Datenbanken werden nicht kleiner und wahrscheinlich auch nicht sauberer. Ich würde voraussagen, dass Techniken zum Umgang mit riesigen, unordentlichen / fehlenden Daten in den nächsten zwei oder drei Jahrzehnten eine anständige Wette sind.
Radfahrer
quelle
2

Die meisten der aktuellen Antworten beziehen sich auf die "Datenwissenschaft", die definitiv ein hoch beschäftigungsfähiges Gebiet ist. Da das Originalplakat ein besonderes Interesse an stochastischen Prozessen und Zeitreihen erwähnte, ist ein weiterer Bereich der mathematischen Statistik *, der relevant sein kann, die Zustandsraumschätzung .

Dies wird verwendet, um Modelle zu schätzen, bei denen sich das System aufgrund von Rückkopplungen zwischen hochstrukturierten (quasi) deterministischen Prozessen und stochastischem Forcen entwickelt. Zum Beispiel ist die Zustandsraumschätzung in autonomen Fahrzeugen allgegenwärtig .

(* Dieser Bereich wird allgemein als Teil des Ingenieurwesens oder anderer Bereiche angesehen , beinhaltet aber sicherlich mathematische Statistiken.)

GeoMatt22
quelle
1

Ich würde nichts radikal Neues vorschlagen, aber als professioneller Datenbereiniger möchte ich einige Punkte hervorheben.

  1. Alle marktfähigen Fertigkeiten sind nicht nur ein Bündel einzelner Fertigkeiten, sondern ein ganzes synchronisiertes Paket. Und mit Paket meine ich,

  2. Eine Reihe von praktischen Fertigkeiten mit extrem hohen Kenntnissen. So können Sie sich bei einem Datenstapel ein aussagekräftiges Urteil bilden. Und für einen Doktoranden (oder für jeden, der zu ihnen kommt) wären die Arbeitgeber mehr daran interessiert, realistische kognitive Übereinstimmungen zu erzielen, die Sie mit einem bestimmten Datensatz erzielen können. Zur Verdeutlichung als Beispiel

  3. Die Fähigkeiten, die Sie möglicherweise für die Datenextraktion aus der API, das Schreiben von Codecs und Treibern in diesem Prozess einsetzen, wenn Sie feststellen, dass der Prozess in dem Maße unrentabel ist, in dem Sie möglicherweise nicht in der Lage sind, Ihr volles Potenzial dafür zu entfalten. Verwenden Sie dann Elemente der statistischen Analyse, um Daten in Informationen umzuwandeln. Dieser Prozess ist so roh und authentisch, dass Sie umso bessere Informationen abrufen können, je vielfältiger und tiefer Ihr Lernen ist. Mir wurde einmal gesagt, dass die Beherrschung der Mathematik, die eine Antwort auf das Problem geben kann, eine Sache ist, aber diese Antwort in der realen Welt zu interpretieren, ist nur eine andere Fähigkeit.

  4. Als letztes und äußerst wichtiges Element können Sie Visualisierungen Ihrer Schlussfolgerungen präsentieren, die jeder sehen und verstehen kann, ohne dass jemand, der nicht zu Ihrem verwandten Bereich gehört, mehr als 3 Folgefragen stellt. Und hier würden Sie Ihre Analogie zu den realen Prozessen wiedergeben. Es ist ein bisschen schwierig, aber wenn es erst einmal gemeistert ist, zahlt es sich im Laufe Ihrer Karriere normalerweise aus.

Aus meiner Sicht ist für all diese ein nützlicher Tipp, sich konsequent zu fragen und dabei neue Dinge zu studieren, wie sie in der realen Welt eingesetzt werden können. Ja, es wird manchmal unangenehm, wenn man sich tief mit Abstraktionen befasst, aber es ist dennoch eine Gewohnheit, die es sich lohnt, und oft trennt es das Überverwendbare vom bloß Hochgebildeten. Viel Glück!

Madhur
quelle