The Shadow Side of AutoML: When No-Code Tools Hurt More Than Help
抽象在软件中并不是什么新鲜事物，但是在机器学习中，没有监督的抽象将自动化变成建筑风险。帖子的阴影一面：当无代码工具的痛苦比首先迈向数据科学的帮助更大时。
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
