No, COVID-19 Vaccines Do Not Cause Infertility - Not Getting It Might
不，COVID-19 疫苗不会导致不孕 - 不接种可能会导致不孕尽管反疫苗活动人士的说法与过去声称疫苗会导致自闭症的团体没有什么不同，但 COVID-19 疫苗不会影响接种辉瑞-BioNTech、Moderna 或强生疫苗的女性或男性伴侣的生育能力（每个月经周期的受孕概率）。这项前瞻性研究表明，男性感染 COVID-19 可能会暂时降低生育能力——这种结果可以通过接种疫苗来避免。主要作者、波士顿大学公共卫生学院流行病学家 Amelia Wesselink 博士和同事分析了 BUSPH 在线妊娠研究 (PRESTO) 中女性和男性参与者的 COVID-19 疫苗接种和感染以及生育能力的调查数据，
泰德是 20 世纪最伟大的统计学家/计量经济学家之一。我感觉和他很亲近，因为我以前的宾夕法尼亚大学同事 Larry Klein 曾在 20 世纪 40 年代与他在考尔斯学院密切合作，另一位前同事 Bobby Mariano 在 1970 年左右来到宾夕法尼亚大学之前曾是他在斯坦福大学的学生。我记得他在职业生涯后期在宾夕法尼亚大学举办过一次关于单位移动平均根的研讨会。他开始得非常慢，例如定义“时间序列”和“协方差平稳性”之类的东西。有些人翻白眼。十分钟后，他已经远远超越了界限。没有人翻白眼。事实上，人们都惊呆了。当我在 20 世纪 90 年代访问斯坦福大学参加研讨会时，他为我铺上了红地毯。他为我
摘要：用于海滩和近岸放置的料斗疏浚作业通常包括溢流期，这会在疏浚沉积物的尺寸部分之间产生一定程度的分离。目前对分离程度和控制因素知之甚少。本报告重点关注实验室实验，旨在确定 (1) 挖泥船上合适的采样方法，(2) 降低分析成本的复合采样技术，(3) 实现料斗负载的合适沉积物表示的相关采样间隔，以及 (4)样品分裂的液压方式。结果表明，三种方法对料斗堰溢流取样不存在统计学差异。用于对沉积的料斗沉积物进行采样的方法发现，由于流动遮蔽而导致的细粉百分比存在偏差。此外，发现复合样品能够准确地量化浓度和细粉百分比，尽管分析数据实验表明复合样品的准确性取决于采样间隔。发现液压样品分离器的细粉和浓度的准确性
Einstein’s Greatest Mistakes: 1st Anniversary Special Post!!!
嗯……爱因斯坦……我们都知道他！！！他在物理学上的贡献是如此伟大和有影响力，以至于直接促成了物理学中一个全新领域的诞生。他帮助我们解决了水星轨道等问题，他的相对论帮助我们理解了黑洞。由于他的相对论，今天我们都在享受卫星的各种服务。好吧，如果这还不够……他与萨蒂安德拉·纳特·玻色的合著论文《玻色-爱因斯坦统计学》直接帮助创立了今天的量子力学。因此，他成为了《时代》杂志评选的 20 世纪世纪人物。很难想象这样一个人在他的领域犯了一些严重的错误，但正如他们所说“事实比虚构更离奇”，这个案例也不例外。那么，你准备好深入研究这个问题了吗？？？好吧，在开始之前，我想感谢所有经常访问我的博客并向我提出宝贵建
#74 – Michael I. Jordan: Machine Learning, Recommender Systems, and the Future of AI
Michael I. Jordan 是伯克利大学的教授，也是机器学习、统计学和人工智能历史上最具影响力的人物之一。他的文章被引用超过 17 万次，并指导了许多定义当今人工智能领域的世界级研究人员，包括 Andrew Ng、Zoubin Ghahramani、Ben Taskar 和 Yoshua Bengio。剧集链接：（博客文章）人工智能——革命尚未发生此对话是人工智能播客的一部分。如果您想获取有关此播客的更多信息，请访问 https://lexfridman.com/ai 或在 Twitter、LinkedIn、Facebook、Medium 或 YouTube 上与 @lexfridma
Vladimir Vapnik: Predicates, Invariants, and the Essence of Intelligence
Vladimir Vapnik 是支持向量机、支持向量聚类、VC 理论和统计学习中许多基础思想的共同发明者。他出生于苏联，曾在莫斯科控制科学研究所工作，后来在美国工作，在 AT&T、NEC 实验室、Facebook AI 研究中心工作，现在是哥伦比亚大学的教授。他的作品已被引用超过 200,000 次。此对话是人工智能播客的一部分。如果您想获取有关此播客的更多信息，请访问 https://lexfridman.com/ai 或在 Twitter、LinkedIn、Facebook、Medium 或 YouTube 上与 @lexfridman 联系，您可以在其中观看这些对话的视频版本。如果您喜
在2007年至2014年之间，美国自杀案件的方法和死亡率相关的人口统计学的一项新研究中，关于人口统计学的人口统计数据。尽管仅在少数自杀企图中使用了枪支，但它们比其他方法更具致命性。了解人口统计学[…]最初出现在偶然的经济学家身上。
Judea Pearl: Causal Reasoning, Counterfactuals, Bayesian Networks, and the Path to AGI
Judea Pearl 是加州大学洛杉矶分校的教授，也是图灵奖的获得者，该奖被公认为计算机界的诺贝尔奖。他是人工智能、计算机科学和统计学领域的开创性人物之一。他开发并倡导了人工智能的概率方法，包括贝叶斯网络和因果关系方面的深刻思想。这些思想不仅对人工智能很重要，而且对我们理解和实践科学也很重要。但在人工智能领域，对许多人来说，因果关系、因果关系的概念是目前缺失的核心，也是构建真正智能系统必须开发的核心。出于这个原因和其他许多原因，他的作品值得经常回顾。本次对话是人工智能播客的一部分。如果您想了解有关此播客的更多信息，请访问 https://lexfridman.com/ai 或在 Twitte
More Tributes to Clive Granger
作为我最近的帖子“Clive Granger 特刊”的后续，我收到了一封来自 Eyüp Çetin（欧洲纯粹与应用数学杂志编辑）的电子邮件。Eyüp 善意地指出，“.........实际上，我们在 2010 年 5 月 27 日，也就是他逝世一周年之际，在 https://www.ejpam.com/index.php/ejpam/issue/view/11 上发表了第一期纪念他的特刊。我们认为这是世界上第一期纪念他的特刊。目录可在此处找到 https://www.ejpam.com/index.php/ejpam/issue/view/11/showToc。另一个值得注意的一点是，我们还发表
以下是本月推荐阅读的精选：Athey, S. & G. W. Imbens，2019 年。经济学家应该了解的机器学习方法。Mimeo。Bhagwat, P. & E. Marchand，2019 年。关于适当的贝叶斯但不可接受的估计量。美国统计学家，在线。Canals, C. & A. Canals，2019 年。什么时候 n 足够大？寻找合适的样本量来估计比例。《统计计算与模拟杂志》，89，1887-1898。Cavaliere, G. & A. Rahbek，2019 年。时间序列模型中假设的引导检验入门：应用于双自回归模型。讨论文件 19-03，哥本哈根大学经济学系。Chudik, A.
Check out What Happened at the 2019 Joint Statistical Meetings
每年，联合统计会议 (JSM) 都会聚集数千名（今年有 6,500 名）统计学家，这是世界上规模最大的此类聚会。JSM 代表 11 个国际统计组织，包括四个创始组织 - 美国统计协会 (ASA)、国际生物统计学会、数学统计学研究所和加拿大统计学会。作为自 1973 年以来 ASA 的成员，多年来我参加过几次这样的会议，但不幸的是，我上个月底没能参加在丹佛举行的 JSM。与往常一样，该计划非常精彩。昨天，ASA 发布了 2019 年计划的可搜索版本，其中包含许多演讲者使用的幻灯片的可下载文件。您可以在此处找到该版本的计划。浏览该计划时，请查找带有蓝色（矩形）“演示文稿”按钮的演示文稿。您可能对
正如您已经知道的，我是 EViews 计量经济学软件包的忠实粉丝。在教授经济统计学和计量经济学时，我一直认为它是一种非常棒、用户友好的资源，而且我在自己的研究中也广泛使用它。最近，我和许多其他 EViews 用户有机会“试用”此软件包最新版本 EViews 11 的测试版。EViews 11 现已正式发布，它具有一些很棒的新功能。（单击那里的链接可查看一些非常有用的视频。）要查看现在可用的内容，请在此处查看。更新不错。谢谢！© 2019，David E. Giles
Everything's Significant When You Have Lots of Data
嗯......其实不然！表面上看起来是这样，但那是因为你可能使用了完全不恰当的衡量标准来衡量什么是（统计上）显著的，什么不是。我在之前的一篇文章中谈到了这个问题，我说：“Granger（1998 年、2003 年）提醒我们，如果样本量足够大，那么几乎不可能不拒绝任何假设。因此，如果样本非常大，并且回归模型中估计系数相关的 p 值约为 0.10 甚至 0.05，那么这真是个坏消息。当样本量达到数千甚至更大时，我们需要更小的 p 值，然后我们才会对“统计上显著”的结果感到兴奋。”这个一般性观点，即我们选择的显著性水平应该随着样本量的增加而降低，大多数统计学家和计量经济学家都非常理解。 （例如，参见
以下是我本月的建议：Bun, M. J. G. & T. D. Harrison，2109。包括内生交互项的回归模型的 OLS 和 IV 估计。计量经济学评论，38，814-827。Dufour, J-M.、E. Flachaire 和 L. Khalaf，用于比较不平等度量的置换检验。商业和经济统计杂志，37，457-470。Jiao, X. & F. Pretis，2018。测试回归模型中是否存在异常值。可在 SSRN 上获取：https://ssrn.com/abstract=3217213。Stanton, J. M.，2001。Galton、Pearson 和豌豆：面向统计学讲师的线
好了，我们到了——已经是六月了。以下是我的阅读建议：Abadie, A., S. Athey, G. Imbens, & J. Wooldridge, 2017. 何时应调整聚类的标准误差？Mimeo。Berk, R., A. Buja, L. Brown, E. George, A. K. Kuchibhotla, W. Su, & L, Shazo, 2019. 假设精益回归。American Statistician，即将出版。Ghosh, T., M. Ghosh, & T. Kubokawa, 2019. 论最小二乘估计量的损失稳健性，American Statistician，即将
Book Series on "Statistical Reasoning in Science & Society"
早在 2016 年初，美国统计协会 (ASA) 就在其通讯 Amstat News 中宣布推出一系列重要的新书。该公告部分内容如下：“美国统计协会最近与 Chapman & Hall/CRC Press 合作推出了一系列名为 ASA-CRC 科学与社会统计推理系列的书籍。‘ASA 对这个新系列非常热衷，’2015 年 ASA 主席 David Morganstein 表示，该安排就是在他的领导下制定的。‘我们的战略计划包括提高我们行业的知名度。实现这一目标的方法之一是推出可读性强、引人入胜且适合具有最低数学或统计学背景的广大读者的书籍。’ Chapman & Hall/CRC 新闻稿指出，这套
Including More History in Your Econometrics Teaching
如果您关注此博客（或者如果您查看右侧栏词云中的“计量经济学史”标签），您就会知道我对我们学科的历史有着浓厚的兴趣。从这段历史中可以学到很多东西。除此之外，我们可以深入了解某些方法流行的原因，并可以降低重复早期错误的风险！当我教书时，我喜欢在课堂上注入一些历史事实/轶事/趣闻。我认为这让主题变得生动起来。毕竟，各种定理、测试和估计量背后的名字都是真实存在的人。有一些关于计量经济学史的优秀书籍，包括 Epstein (1987)、Morgan (1990) 以及 De Marchi 和 Gilbert (1991) 的书籍。 （另请参阅 Stephen Pollock 于 2014 年撰写的短文。
Healthcare Triage: Why Does the U.S. Spend So Much on Healthcare? High, High Prices.
美国医疗保健支出仍然比几乎所有其他工业化国家都高。但不久前，情况有所不同。美国在这个领域的花费几乎没有。发生了什么变化？人口统计学？更多的疾病？不。扰流板警报，价格上涨速度远高于通货膨胀率。我们有一些[…]后的医疗保健分类：为什么美国在医疗保健上花费太多？高价高。首次出现在偶然的经济学家中。
