真是想不起来，上一次啃书是啥时候了。上周末，在亚马逊上寻找Python书的时候，看到芝加哥大学统计系的 Stephen M. Stigler 教授的《The Seven Pillars of Statistical Wisdom》好评如潮。虽然真是没把握现在的我能有闲情逸致来读八卦书，那么一刹那还是手贱的地买了一本二手货。昨天书到了，但是因为在温室忙了一天，精疲力尽没去取。今天终于把所有温室的事情暂时忙完了，中午取了书打算瞧一眼，但是可能这几天太累，多年不睡午觉的我，吃过午饭，喝完咖啡还是直接爬桌上睡着了。回家的时候，下意识的把书放进了书包。做完晚饭（自从女儿降生，我就成了全职煮夫），陪女儿玩了好一会，她睡着后，把书拿出来瞧了瞧。当时，正瘫坐在沙发，孩子他妈走过来问我在看什么，给她看了封面，顺便让她翻译下。虽然不知道pillars 的意思，不过她还是高调地赌了一把：“统计学智慧的七个枕头”。把我笑个半死，回头把本文题目中的“支柱”也替换成了“枕头”，谨此一记。
虽然只看完了前言，但是应该是会读完的。作者从“What is Statistics？”这个永恒的疑问开篇。人们长期被这个问题所困扰，一方面是因为统计学一直在与不同的学科融合，尤其是经济学（1830s）和生物学（1930s）。由于不同的学科的特定需求，统计学发展必然展现出多样性，让人难以捉摸。另一方面，是由于人们对统计学的核心要素即统计学支柱（Support Pillars）的认识不清晰。
前言部分，作者阐述了写作动机和他认为的统计学七大支柱的引入：
支柱一：聚合（Aggregation）
对于事物的认识，我们总是希望有较高的准确度，但是由于观测者角度、环境等因素的影响，大多数测定都会有差异，那么就要求人们采用一定的方法来分析观测数据从而认识事物。人们采用的方法通常是通过损失掉一些观测信息来获取。很自然地我们很多人会说这不就是平均值吗？是的平均值是聚合的一种重要方式，但是平均值其实具有很强的误导性，又不能代表聚合的全部意义。
支柱二：信息测量（Information measurement）
就上一支柱所说，当我们构建一个统计量，其实是损失了一部分信息的。此外，观察贡献的信息是随着观测量的增加而递减的。这就是Root-n（还不知道怎么翻译）定律，即信息量与观测数的开方成正比。
支柱三：似然（Likelihood）
有了测量就可以进行比较分析，从而就涉及到概率（probability）问题。而概率事件的显著性检验（比如常见的p值），就需要引入似然度。似然度就不得不提到Fisherian和Bayesian了。等看到这一章在具体展开。
支柱四：内部比较（Intercomparison）
一旦似然度概念建立，就可以进行外部比较，但是观测数据内部的异质性显然需要考虑，这就涉及到了数据的内部比较。很多常见的统计方法例如t检验，方差分析等都是用来解决内部比较问题的。
支柱五：回归（Regression）
作者从Galton描述达尔文进化论的数学表达矛盾自然选择需要更多的变异，而种群的稳定有需要稳定的物种数量开始。另一个例子是：Galton发现孩子身高会有向父辈身高均值回归的现象：每个人的身高都有固定部分跟变动部分，固定部分是都一样的，这样代际变化可以用亲代子代的不完全相关来解释。这里作者用了一句话来总结回归的中庸之道：…answers depending upon the way it was posed
支柱六：实验设计（Design of Experiments）
统计学与其他学科一样也是发展的，现代的人们希望通过特定的试验观察来获得规律，这里面最核心的思想就是控制变量。这一个支柱，不得不提及的大牛是Fisher。
支柱七：残差（Residual）
残差的本质是指实际观察值与模型估计值之间的差。具体内容，作者介绍的有点少，等看到再说。
总的来说，这七个方面都是我非常关心的，而作者在前言表示，他会力争解释清楚这些支柱的来龙去脉。先留个框架吧。
Davis