01 / 導讀
導讀
引用
Spiegelhalter, D. (2020). The Art of Statistics: Learning from Data. Pelican (Penguin Books).
章節概要
本書包括導論、十四章、詞彙表（書中為數不多的公式都集中於此）、註釋與索引；Pelican 平裝本開本較小，約 450 頁。每章都圍繞真實的問題與資料組織，書評特別指出本書不仰賴數學公式來教授統計推理。作者維護一個公開的 GitHub 儲存庫，提供書中圖表的資料與 R 程式碼以及勘誤。
導論
本書從家庭醫師哈羅德・希普曼謀殺大量病患的案件談起，說明受害者年齡與死亡時間的簡單圖表如何揭露其中的模式。接著說明本書的目標：透過各種問題——從乳癌手術後不同療法的效益，到年長男性的耳朵為何比較大——講解如何從資料中學習。
第1章：Getting Things in Proportion: Categorical Data and Percentages（正確看待比例——類別資料與百分比）
本章以兒童心臟手術的存活資料，說明比例如何呈現，以及框架效應如何改變其效果：95% 的存活率聽起來比 5% 的死亡率好，而絕對數字可能比百分比更令人不安。勝算（odds）也作為表達風險的另一種方式登場。
第2章：Summarizing and Communicating Numbers. Lots of Numbers（摘要與傳達數字——大量的數字）
以猜測罐中雷根糖數量的例子，以及一項關於自陳一生性伴侶人數的調查，講解平均數（平均值、中位數與眾數）以及離散程度的量數。本章也介紹從條狀點圖到盒鬚圖等資料呈現方式，以及相關與隨時間變化的趨勢，例如人口成長。
第3章：Why Are We Looking at Data Anyway? Populations and Measurement（我們到底為什麼要看資料？——母體與測量）
討論從手邊資料走向想了解的母體這一步，以及其間出現的測量與抽樣問題；出生體重資料是例子之一。
第4章：What Causes What?（什麼導致什麼？）
以虛假相關與誤導性的新聞標題說明為什麼相關不等於因果。本章解釋世代研究與病例對照研究等研究設計如何設法接近因果，並以劍橋大學的錄取率介紹辛普森悖論。
第5章：Modelling Relationships Using Regression（以迴歸建模關係）
迴歸從法蘭西斯・高爾頓關於父子身高的資料談起——「趨中迴歸」的概念正源於此——再擴展到對兒童心臟手術資料的邏輯斯迴歸。
第6章：Algorithms, Analytics and Prediction（演算法、分析與預測）
以鐵達尼號上的生還情形為貫穿全章的例子，討論預測與分類：分類樹以及過度配適的危險。談演算法挑戰的一節列出缺乏穩健性、隱性偏誤等警訊。
第7章：How Sure Can We Be About What Is Going On? Estimates and Intervals（我們對正在發生的事能有多少把握？——估計與區間）
討論估計中的不確定性：誤差範圍、藉由對資料重新抽樣來觀察估計值如何變動的拔靴法（bootstrap），以及平均數趨向常態分配的傾向。
第8章：Probability – the Language of Uncertainty and Variability（機率——不確定性與變異的語言）
透過德・梅雷騎士的骰子問題與模擬引入機率。本章討論卜瓦松分配（應用於兇殺案件數）、檢察官謬誤，以及關於機率意義的不同詮釋。
第9章：Putting Probability and Statistics Together（把機率與統計結合起來）
這一章連接全書前後兩部分，一位書評者指出，作者提醒讀者這可能是最難的一章。它區分對未來事件的不確定性與對已確定但未知之事實的不確定性，並利用機率模型得出信賴區間；用於比較機構的漏斗圖也是其中的例子。
第10章：Answering Questions and Claiming Discoveries（回答問題與宣稱發現）
討論假設檢定：虛無假設與統計顯著性、排列檢定、卡方適合度檢定（檢驗兇殺案是否服從卜瓦松分配）以及序貫檢定，最後用來回答希普曼能否更早被發現的問題。
第11章：Learning from Experience the Bayesian Way（以貝氏方式從經驗中學習）
介紹依據證據更新機率的貝氏方法，作為第10章檢定架構之外的另一種選擇。
第12–14章：How Things Go Wrong; How We Can Do Statistics Better; In Conclusion（哪裡會出錯；如何把統計做得更好；結語）
最後幾章轉向統計如何出錯，包括研究及其傳播中的可疑做法，接著討論能改善統計之產製、傳達與評判的做法，並以簡短的總結作結。
核心概念
導論–第3章：描述資料
- 框架效應：同一個比例可以用正面或負面的方式呈現，進而改變人們的感受。
- 集中趨勢與離散程度的量數：平均值、中位數、眾數與全距，以及各自適用的場合。
- 母體與樣本：所蒐集的資料與其應代表之群體間的區別。
第4–6章：因果、模型與演算法
- 相關與因果：為什麼光有關聯不足以說明一件事導致另一件事。
- 辛普森悖論：在每個子群中都成立的趨勢，合併後卻反轉。
- 趨中迴歸：極端的測量值之後往往出現較不極端的值。
- 過度配適：預測模型與資料貼合得太緊，以致對新情況預測不佳。
第7–9章：不確定性與機率
- 誤差範圍與信賴區間：表示估計值可能偏離真值多遠的範圍。
- 拔靴法：對觀測資料重新抽樣，以觀察估計值的變動幅度。
- 檢察官謬誤：把「無辜時出現該證據的機率」與「有該證據時無辜的機率」混為一談。
第10–14章：檢定、貝氏與良好實務
- 虛無假設與統計顯著性：沒有效應的預設假設，以及判斷資料是否出乎意料到無法再相信它。
- 序貫檢定：在資料陸續進來時持續監測，同時控制誤報風險。
- 貝氏更新：依據新證據修正機率。
- 可疑做法：資料的分析、詮釋與傳達可能誤導人的種種方式。
評析
優點
- 問題優先。 每章都從真實問題出發——希普曼的受害者、兒童心臟手術、鐵達尼號、兇殺案件數——再從中引出統計概念。出版社引用的書評稱其清晰易讀（The Spectator），Nature 則說它會讓學生受益。
- 不用公式也有份量。 本書一路談到迴歸、預測演算法、拔靴法、假設檢定、序貫檢定與貝氏推論，Popular Science 評其在不使用數學公式的情況下提供紮實的統計入門基礎。想看公式的讀者可以查閱詞彙表。
- 現代而具批判性。 第6章把演算法與預測和古典統計並列討論，第12–13章探討統計如何出錯以及如何改善實務。
- 資料公開。 作者的 GitHub 儲存庫提供圖表的資料與 R 程式碼（作者自述尚未完成），讀者可以重現並延伸書中的分析。
局限
- 不是教科書。 目錄中看不到習題，書中也不做計算演練；修統計課的學生仍需要一本教科書來學技術。
- 步調不一。 Ardian Gill 在 Contingencies（2020 年 1/2 月號）的書評中認為關於機率詮釋的討論冗長乏味，並指出有些處理——例如對某一資料集不使用標準差——沒有說明理由；作者本人也提醒第9章可能是最難的一章。
- 內文有誤。 Gill 發現描述鐵達尼號分類樹的文字有一處說反了，作者的線上勘誤也列出精裝本與平裝本的更正，包括詞彙表中的相關係數公式。讀者應查看勘誤頁面。
- 英國案例。 許多案例取自英國的醫療、犯罪與公共生活，其他地區的讀者可能對部分背景感到陌生。
在課程中的定位
本書是本課程進入統計思維的入口，適合在第一門統計課之前或同時閱讀。Barbara Illowsky 與 Susan Dean 的 Introductory Statistics（OpenStax）是自然的搭檔：這本免費教科書以例題與練習教授資料摘要、信賴區間、假設檢定與迴歸的計算，而 Spiegelhalter 則說明它們為何重要、又如何誤導人。Blitzstein 與 Hwang 的 Introduction to Probability 以完整的嚴謹度與大量習題，展開第8–9章中的機率內容。
繼續學習數理統計的學生，會在 Larsen 與 Marx 的 An Introduction to Mathematical Statistics and Its Applications、Mavrakakis 與 Penzer 的 Probability and Statistical Inference，以及 Casella 與 Berger 的 Statistical Inference 中看到第7–11章概念的形式化。課程中更專門的書，例如 Williams 的 Probability with Martingales 與 Mitzenmacher 和 Upfal 的 Probability and Computing，則遠遠超出本書的範圍。
如何使用本書
本書適合即將就讀需要使用資料之科系（理科、醫學、社會科學或經濟）的學生，以及想判斷統計說法的一般讀者。具備中學算術即可。
建議依序閱讀：各章從描述資料（第1–3章），經過因果、模型與演算法（第4–6章），一路到不確定性、機率與推論（第7–11章），最後幾章仰賴前面的全部內容。第9章與第10章要慢慢讀。已經在修統計課的讀者，可以把第7–11章當作課堂所學方法的概念性解說。
想更進一步，可以從作者的 GitHub 儲存庫下載資料與 R 程式碼，重現幾張圖，例如高爾頓的身高資料或鐵達尼號分類樹，並在閱讀時對照勘誤。每讀完一章，找一篇使用同類統計數字的新聞報導，用這一章教給你的問題去檢視它。