感情タグBEST3
Posted by ブクログ
統計学の基礎を理解する事ができる本だと思います。題名の通り、現代社会では統計学をもとにしたコンテンツが多い事を実感しました。統計学の考え方、統計リテラシーが身につけ、本質が何か。を考えるクセがついている人といない人では、同じ事象を目にした時に考える経緯、感じた結論が大きく違って来ると感じました。
もっと早く読んでおけばよかった良書だと思います。
Posted by ブクログ
ビジネス上でデータ分析を〜、ビッグデータが〜という表層的な話は山ほど出てきますが、そこに対するプロとしての純粋な指摘が本に書かれています。
それを見ることで素人が陥る分析の罠が理解できる大変役に立ちました。
Posted by ブクログ
ー相関関係（順番を逆に考えても良い）と因果関係（yとxの関係性は重要）の違いを認識する
ー経験のみを元にして判断するのではなく、統計を理解して根拠のある判断を行う。
ー綺麗なグラフだけを使っても意味がない。その結果から具体的にどのような行動を行うのか決める。
星の付け方にも興味が湧く本
買おうと思ってレビューを見た時点で、星の平均は3.9。レビューの内容を見ると皆さん肯定的。星3をつけている人は自分には難しかった的な内容で本の良し悪しよりも自分が理解できたかで星を付けてる印象。
私は基本的に星5しかつけない（星4にも満たないと判断したら、そもそもレビューしない）タイプなので、本書で学んだエッセンスを活用して人の星の付け方を研究したいと思わせるレベルの良書でした。
Posted by ブクログ
私は数学が大の苦手である。
しかし、本書の内容で統計の基本的な考えは学べる。
大事なのは統計によって何を明らかにしたいか定義づけること、統計手法の有用性、有意差を考慮することである。
実際に自己で統計を取り、データ活用するとなればもう少し専門的に学ぶ必要はあるかもしれない。
Posted by ブクログ
統計の勉強をしたくて読んでみたが、普通に読み物として面白かった。
統計といっても使われる学問領域によって様々なんだということがよくわかった。
統計学とはなにか、統計の考え方を感覚的に理解したい人におすすめ。
Posted by ブクログ
統計学は、実際のデータから、要因や結果を導き出すもので、百の議論をぶっ飛ばす強力なツールであるということが実感できた。
最も良い標本は確かめたい要因以外の条件をコントロールして均すランダム化実験だが、それが無理なら疫学的アプローチで調査すれば良い。統計的手法は、つまるところ広義の回帰分析である。ベイズ論についても、主観でも良いので事前確率を設定し、実際に生じた事象の事後確率を求めて何が起こっているかを推定するという概念がよくわかった。
Posted by ブクログ
本書を選んだ理由
私自身の目下の業務には今のところ絡んでいないのですが、個人的に最近、AI・機械学習のセミナーに参加しました。その講師の先生が「専門家以外の人がAIや機械学習を学ぶ場合でも、統計学の基本だけは押さえておくべき」と言っていたため、本書を手に取りました。
「なぜ統計学が最強の学問」と言えるのか？
論をするにしても不可欠なプロセスとなるからだ” と本書では言っています。また、統計学を知っているかどうか？が結果を分ける事例として、本書の中に「あみだくじで買い出し当番を決める」と言う筆者の研修者時代の経験が出てきます。あみだくじについて私はこれまで、選んだところによってたどり着く結果がどこになるかは、どれも等価だと思っていました。詳細は本書を見て欲しいのですが、実はあみだくじの結果はランダムではなく偏りがあるということを本書では明確に示しています。このことから、本書は、統計を知らないと（自分は運が悪いんじゃないか・・・）と間違った思い込みで済ましてしまう事にもなると話しており、私もこれを見てはっとすることが多々ありました。
どんなところが役に立ったか？
中盤からはビッグデータやデータサイエンスについての考え方についても書かれています。例えば、AI・機械学習を学ぶとまず最初に「回帰分析」の話が出てきます。そもそも回帰分析とは何か？何のために扱うのか？が分かっていないと参考書を見てもなかなか頭に入ってきません。その点本書の第5章には、回帰分析の考え方を数式を使わずに分かりやすく解説しています。私が機械学習の学習を進める上で大きな助けになりました。また、統計学にも、多くの分析手法があり、どれを使って分析すればいいか分からない。あるいは、分析結果を見てどう判断すればいいのかも分からない、といった初学者故の悩みもあります。そんな人のためにも分かりやすく解説してあったのも良かったです。
本書は全体的に、数式など難解な部分を上手に省いて説明しています。その意味で本書はあくまで統計の素養を会得するための「きっかけ」の1冊と言えます。
Posted by ブクログ
まず前提として私はこの本を読んだ時点で統計学については全くの無知であった。
現代において統計学を利用している学問が多岐にわたっており、何となく科学的根拠としての実験で使われてる印象を持っていた。
この書籍に関しては、私のような統計学について知らない人間にうってつけと感じる本だった。
統計学の発展の歴史と各学問での統計学の考え方の違い、統計学で重要な要素についての説明がとても面白く、勉強になった。
統計という言葉に騙されずに自分の力でグラフや数値を読み取って考えることの重要性と学問によっては仮説をベースに統計を利用しているものがあるため、その前提の考えを把握することが大切だと理解した。
私のような統計学は確率計算だよなぁ…といったレベルの人はまずはこの本で統計学の歴史だけでも学んでみるのが良いと感じました。
ランダム比較試験を発明したフィッシャー氏には感謝しかない。
これからは自分でも論文をざっくり読めるようにこの本で書かれたもので調べる癖をつけようと思う。
まずは、この本が発売して10年近い事もあるので日本の研究論文がまともになっているかでもみてみようと思います。
Posted by ブクログ
統計学について初心者がわかりやすく学べる入門書。統計学がどういったもので、どのようにビジネス・社会に活用されるかが丁寧に説明されている。
また統計学の基本的な概念や手法を具体的な例を使ってわかりやすく解説しており、応用分野についても、マーケティング/医療/金融/社会調査など様々な分野での利用法が紹介している。
出版から10年の歳月が経っているが、ビッグデータ/データサイエンティスト/AI等が発達してきた昨今の状況と照らし合わせ、統計学の需要が高まってきている現実とマッチしていると感じた。
Posted by ブクログ
読むスピードが合わなかったのか、最後のあたりの話が理解できなかったが、この本が書かれた時代よりも変化のスピードが速くなっている現代では、この本に書かれていることの重要性が増しているように思う。
Posted by ブクログ
今から10年前に出された本ではあるが、23年の今読んでも、統計学に対して向き合い方がわかる本であった。
特に分野ごと、目的によって求められる正確さや結果が異なり、統計の取り方も変わってくるということは、色々データを見る上で念頭に置いておきたい。
エビデンスという言葉がよく用いられるようになった中で、データが統計学的手法によって出されたものなのかをしっかり吟味しなければならない。
今まで鵜呑みにしてきた話の中には、そうでない物がたくさんあったような気がする。
Posted by ブクログ
とても面白かった。
統計学に関しての知識が乏しかったため、全ての部分を理解することはできなかったが、すごくタメになった。
繰り返して読む必要のある本だと感じた。
Posted by ブクログ
ちょっとガンダムだけど。
ガンダムの影響か、ちょっとヤンチャだけど。
でも、だからなのか、
納得できることが多かった。
途中からは難しかった。
それは私の課題ですが。
Posted by ブクログ
【感想】
統計学はコンピューターの発達とともにその真価を発揮したが、逆に、コンピューターの発達によって統計学が「理解不能なもの」に変わっていったフシはある。解析能力の増加は扱うデータ量を飛躍的に増やした。それに伴い、統計学はいつしかデータサイエンティストしか触らないような高度なものと化し、一般人が実用のために使うことは少なくなっているように思える。
本書は、そうした複雑化する統計学を基礎から教えてくれる一冊だ。私も統計学についてはずぶの素人だが、「統計学が最強の学問である」というタイトルに賛同し、この本を手に取った。
統計学は論理を超越する。その分野の専門家でさえも、複数人集まれば自説が全くの逆方向を向いているということは多々ある。統計学はそうした「本当に正しいかわからない理屈」を数字の力でねじ伏せる。医学研究が特にそうであるように、大切なのは専門家の独自意見ではなく「科学的根拠」であり、その根拠の大部分を占めるのは統計学的な実証研究なのである。
筆者の西内氏はダイアモンドオンラインのインタビューにこう答えている。
――「絶対的に正しいこと」を扱うのならば論理学や数学に任せればよいが、そんなものは理論的な世界の中にしか存在しない。そして「少しでも絶対的ではないこと」について言及しようと思えば、現状、統計学以外に記述したり議論したりする方法が人類にはない。誤差を限りなく小さくできる物理学実験でさえその誤差は0ではなく、たとえば1kgという重さを全人類の技術の粋を尽くして厳密に定義した後、それでも残る50μgほどの誤差は結局のところ統計学的に記述されているのだ。
―――――――――――――――――――――――――――
私たち文系一般人が学ぼうとする「統計学」と、データサイエンティストが仕事で使う「データ分析」には、物凄い距離がある。本書で言えば序盤の「サンプリング調査」あたりは素人でも直感的に理解できるレベルだ。「選挙の出口調査」など、実際に使われている場面や使われ方を想像するのもたやすい。一方で、後半の「重回帰分析」「データマイニング」となると、一気にハードルが上がる。実際に何をすればいいのか見当がつかないからだ。多くの人にとって、統計学を学んで基礎を理解しても、「で、これどこで使えばいいの？」という疑問を解消するには程遠い。
ただ一つ確実に言えるのは、「0.1でも知っている」ことは大違いということだ。回帰分析のやり方はわからなくても、「統計を使えればこんなことが求められるんだ」という事実を知っておくだけで、データへの意識の向き方が変わってくる。やり方はわからなくても、「これって統計学だな」という事実を認識することこそが、統計リテラシーを高めるための第一歩である。そういう意味で、統計学の「使われ方」を重点的に学べる本書は、ファーストステップとしてとても有益だと感じた。
――おそらく我々がすべきことの多くは、すでに文献やデータの上では明らかなのである。だがそれを現実のものとして実行するまでのギャップが我々を「最善」から遠ざけているのではないかと思う。（略）統計学の素晴らしいところはこうした「最善」への道を最も速く確実に示してくれるところではないかと思う。
統計学によって得られる最善の道を使えば、お金を儲けることも、自分の知性を磨くことも、健康になることもずいぶんと楽になるだろう。だがそれはあくまで副産物である。統計リテラシーによって手に入る最も大きな価値は、自分の人生を自分がいつでも最善にコントロールできるという幸福な実感なのだ。
―――――――――――――――――――――――――――
【まとめ】
０ まえがき
なぜ統計学は最強の武器になるのか？
それは、どんな分野の議論においても、データを集めて分析することで最速で最善の答えを出すことができるからだ。統計データとその分析によって、科学的根拠のあるエビデンスを提示できるからだ。
１ サンプリング調査
市場調査において母集団全てを調査することは物理的に不可能だ。そんなときのためにサンプリング調査という手法がある。
例えば10万人の顧客データから男女別割合を調べるとする。顧客に占める女性の割合が70%だったと仮定しよう。サンプル数が100名しかなければ標準誤差は4.6%にもなり、実際には「女性の割合が61%〜79%」になる。しかし、1000名いれば標準誤差は1.4％となり、「女性の割合が67％〜73％」、8000名を超えて標準誤差が0.5％となると「女性の割合が69％〜71％」ということになる。そして逆に、このあたりから先は、「サンプル数を倍に増やしてもあまり誤差が小さくならない」ということになっている。なお、1万名分使っても標準誤差は0.4％で、2万名分でも0・3％にしかならない。
ビッグデータをビッグなまま扱おうとするのではなく、まずは、正しい判断に必要な最小十分のデータがどのぐらいなのかを見極めるべきだろう。解析はそれ自体に価値があるものではなく、それを活かして何を行い、どれだけの価値を得られそうかによって異なるのである。
２ ただデータを取るだけでは価値がない
世の中の多くのアンケートにおいて、「認知率」「延べ視聴者数」「キャンペーンサイトのアクセス数」「好感度」など、多くのプロモーション評価に用いられる指標が、実際の売上に繋がるかどうかはよくわからないまま使われていることが多々ある。
データ分析において重要なのは、「果たしてその解析はかけたコスト以上の利益を自社にもたらすような判断につながるのだろうか？」という視点だ。顧客の性別や年代、居住地域の構成を見ると何％ずつでした、あるいはアンケートの回答結果を見ると「とてもそう思う」と答えた人が何％いました、といったデータの集計は、ただ意見を集めただけで、ビジネスにおける具体的な行動につながってこない。
利益を上げるための具体的な行動を引き出すためには、少なくとも以下の「3つの問い」に対して答えられなければいけない。
【問1】何かの要因が変化すれば利益は向上するのか？
【問2】そうした変化を起こすような行動は実際に可能なのか？
【問3】変化を起こす行動が可能だとしてそのコストは利益を上回るのか？
この3つの問いに答えられた時点ではじめて「行動を起こすことで利益を向上させる」という見通しが立つのであり、そうでなければわざわざ統計解析に従って新たなアクションを取ろうとする意味はない。実際出したところで、「なんとなくわかった気になる」以上の価値はないのだ。
「適切な比較を行うこと」と「ただの集計ではなくその誤差とp値についても明らかにすること」を理解したつもりでも、いざデータを分析しようとしたときにしばしば問題になるのは、「適切な比較」とは何か、あるいはもう少し具体的に言えば「いったい何と何を比較すればよいのか」という点である。その答えを一言で言えばごく簡単だ。「目指すゴールを達成したもの」と「そうでないもの」の違いを比較しさえすればいい。ビジネスマンでいえば「利益を上げること」だ。そしてその利益というゴールまでの道筋をもう少し細かく考えれば、顧客の需要が伸びるか社内の生産性が上がるか（ムダなコストをかけずに商品が産出できるか）、といった当たり前の要素に還元できる。ビジネスにおいて解析すべき指標は、直接的な利益か、あるいはそこに至る因果関係の道筋が明らかな何か、ということになる。
３ ランダム化比較実験
統計学の汎用性は、どんなことの因果関係も科学的に検証可能な「ランダム化比較実験」によって大きく支えられている。
かつては、「小麦の発育」のような各個体に差が生じる要素は科学的実験の俎上に乗せられなかった。ここで出てきたのがランダム化である。諸条件をランダム化してしまえば、平均的に比較したい両グループ間で前提条件がある程度同じになるという性質を持つことがわかったのだ。顧客や従業員の年齢や性別、心理的特性といったものが仮に結果を歪める可能性があったとしても、「ある程度の数でランダム化してしまえば問題にならない」ということである。
ただ、ランダム化も必ず行えるわけではない。次のような場合には実行する意味が無くなる／実行できなくなる。
①それを行うチャンスが数回しかない、または技術的に実施できないため、そもそも統計を取れない場合
②ランダム化実験による介入が明らかに有害、または仮にすべてが有害でなくても、明らかに不公平なレベルで有益と有害が存在することが明確な場合
③ランダム化の対象者が感情的に反発することが予想される場合
ランダム化できない場合のデータのとり方の一つに「ケースコントロール研究」がある。性別・年代・社会階層・居住地域といったものについて、調査対象とした患者と同様の人間を集めて男女別や年代別で区切ったグループごとに比較（専門用語でこれを層別解析と呼ぶ）すれば、ランダム化をしなくても「フェアな比較」ができる。
４ さまざまな分析手法
●用語
・回帰係数０：ある変数（Xの値）がどのような値を取ろうとも、回帰係数が０の場合Yには全く影響を与えない。逆に、回帰係数が０ではない時には、その変数（X）は応答変数（Y）に影響を与える因子である。
・標準誤差：回帰係数の誤差の大きさ
・p値：仮に回帰係数が0だった場合に、データのバラつきのせいだけでたまたまデータのような回帰係数が推定されてしまう確率。p値が0.05を下回った場合、有意差がある、つまり「回帰係数が0だと推定はできない」となる。
・95％信頼区間：さまざまな回帰係数を想定して、「ほぼこの範囲内に真値があると考えて間違いない」とする範囲。
●回帰分析
データ間の関係性を記述する、あるいは一方のデータから他方のデータを予測する数式を推定するのが回帰分析という考え方であり、こうした数式で記述される直線のことは回帰直線と呼ぶ。回帰式を表現する数値は回帰係数と呼ばれる。
現代的な統計学においては、実際に得られたデータ自体に「比較的大きな値を持つものもいれば小さな値を持つものもいる」というバラつきが存在しているだけでなく、得られた回帰係数自体にバラつきが存在していると考える。すなわち、仮に今後100回「たまたま得られたデータ」から回帰係数を計算したとしたら、「比較的大きな値となることもあれば小さな値となることもある」というバラつきを考慮しなければいけないのだ。
フィッシャーは「無制限にデータを得ればわかるはずの真に知りたい値」を真値と呼び、たまたま得られたデータから計算された統計量がどの程度の誤差で真値を推定しているかを数学的に整理することで、無限にデータを集めることなく適切な判断が下せるという考え方を示した。
●重回帰分析
単回帰分析が、一つの目的変数を一つの説明変数で予測したのに対し、重回帰分析は一つの目的変数を複数の説明変数で予測しようとするもの。生徒のテストの点数を予測するのに、性別の違いと高校の違いという複数の回帰係数を同時に推定するのが重回帰分析だ。
●ロジスティック回帰
もともとが1か0かという二値の結果変数を変換し、連続的な変数として扱うことで重回帰分析を行なえるようにした、というのがロジスティック回帰。ロジスティック回帰では、回帰係数をオッズ比つまり「約何倍そうなりやすいか」で示す。
これ以外にも、実験群と対照群との間に差異が出たとき、これが「意味のある偏り」なのか「誤差でもこれぐらいの差は生じるのか」といったことを確かめる解析手法に「カイ二乗検定」というものがある。
５ 強力なエビデンス
●系統的レビュー
系統的レビューはあらかじめ「レビューする論文の条件」を決めたうえで、過去に公表された関連分野の文献すべてから条件に該当するものを選び出す。例えば少年犯罪とビデオゲームとの関連性について、「未成年 犯罪 ビデオゲーム」という単語を含み何らかの統計解析が行なわれた論文すべてを収集・分析し、その結果どういうことがわかるかという結論をまとめるのである。これはほとんど主観などが含まれない「現時点で最善の答え」となる。
●メタアナリシス
系統的レビューの中で、複数のランダム化比較実験や観察研究の中で報告された統計解析の結果を、さらに解析してまとめあげる作業のことをいう。「解析に対する解析」だからメタアナリシスというわけである。
エビデンスのヒエラルキーは、最下層に専門家の意見や基礎実験、その上に疫学・観察研究、さらにその上にランダム化比較実験、頂点に系統的レビューとメタアナリシスが位置づけられる。
Posted by ブクログ
これから経済学の修士課程で学び始めるにあたり、自身が無知のため、統計学についての予備知識を身に付けたかった。
正直なところ、わたしにとって統計はちんぷんかん。ただ、先人の残してくれた統計という学問をうまく使うことできれば、良い方向性を見つけられるということは理解できました。これから、自分なりの理解を深めていきます。
また、筆者のあとがきにとても感銘受けました。
全力と最善の違い。職場、家族、さまざまな組織など、最善が大きな成功を収めることに繋がる。アメリカの100k Lives キャンペーンイイですね。
過ちは人の常、許すは神の業
To err is human,to forgive divine.
我々は今後何度も間違いを犯す。だがたとえ過ちが人の常だったとしても、最善を尽くし続けられる方法がこの世に存在しているというのは、人間に与えられたずいぶんありがたい許しだ。
統計学の現在 過去 未来
統計学について網羅的に分かり易く書かれた本である。
エビデンスベースという考えに基づいた統計学は政府民間を問わず現在の様々な施策のベースになっているし、より一層活用されるべきである ということがよく分かった。
さらに、現在流行しているAIの構築ベースに統計学が生かされているということを具体的に知ることができた。
Posted by ブクログ
ビジネス書大賞という事で期待していたが、思っていたより内容が専門的で難しいと感じた。統計データも扱い方次第で役に立つ、立たないが決まる事、データの扱いを専門とする統計家という人たちがいることが分かった。
Posted by ブクログ
私には少し難しく、あまり理解できなかった。
まとめると、最善は何かを考えて行動するために、統計学を使うといったことだと思う…
ランダムサンプリング調査が驚くほど正確とのこと。ランダムにできない場合の対処法も書かれています。
調査データをビジネスに使うには、少なくとも3つの問いに答えられなければならない。
1.何かの要因が変化すれば利益が向上するのか。2.そうした変化は実際に可能か。3.可能だとしてそのコストは利益を上回るのか。
この問いに答えられて初めて、行動を起こすことで利益を向上させる見通しが立つ。
Posted by ブクログ
後半難しくて少し飛ばしながら読んでしまった。。
後半は1つの説明をする際に関連する用語を次々に説明していくからどんどん難しく感じるのと、たくさんの学者や手法が出てくるのでとっつきにくい感じはある。
けど統計学についてざっくり学べるし、統計学において大事なことは繰り返し説明してくれるので少しわかった気にはなれる！
ランダム化のすごさが全体の半分くらいかけて述べられていて、いかにすごいのかが伝わってくる。
Posted by ブクログ
統計学が有効ではないと思っている人に有効であることを理解させるための本。
統計学が有効だと思っている人は有効だという自信になるのではないだろうか。
もう今更統計学が必要だという言説もいらないかなと思うが、改めて読むのはアリかもしれない。
Posted by ブクログ
2013年に売れたこと、ゴリゴリの実践者が書いた本という意味で、ベストセラー本だからと忌避すると少し損ではある。
他方、学問本ではないため、少し冗長だったり、理論や説明をすっ飛ばしていたり、ストーリー理解に重きが置かれていたりするので、そこは割り引いて読む必要。
Posted by ブクログ
最近統計を勉強し始めたので読んでみた。
内容的には勉強したところの確認という感じでした。多分、統計を勉強してなかったらかなり興味を持って読めたと思う。
統計をこれからやってみたい人はきっかけにはなると思う
Posted by ブクログ
統計の勉強をしているので、読んでみた。
日常的に統計学を活用していない人には、イメージが湧きにくくて難しい本だと思う。
マーケティング、心理学、教育学、社会学、、、世の中の色々なところで統計が使われているのは分かるけど。
読む前と読んだ後で何か考え方が変わったかと問われれば、うーん。。。、となる。
筆者が博識なことはよく分かった。
Posted by ブクログ
ITの統計学
・データマイニング、機械学習、人工知能、自然言語処理
・ビジネスインテリジェンス、競合分析
・分析、統計-特にウェブ分析、A/Bテスト、統計解析
・何かの要因が変化すれば利益は向上するのか？
・そうした変化を起こすような行動は実際に可能なのか？
・変化を起こす行動が可能だとしてそのコストは利益を上回るのか？
統計学の6つの分野
1*実態調査を行う社会調査法
2*原因究明のための疫学・生物統計学
3*抽象的なものを測定する心理統計学
4*機械的分類のためのデータマイニング
5*自然言語処理のためのテキストマイニング
6*演繹に関心をよせる計量経済学
Posted by ブクログ
普段目にする多くのデータはまにうけると損する事がある。
別のアプローチをすれば違った考えになるであろうことを意識する必要がある。
購入者に広告を見たのか統計を取っても、広告を、見たけど買わなかった人を調べてそれが多かったとしたら、それは広告が良かったという評価にはならない。
何かしらの努力をする際も、そのアプローチが最善かどうかは検証の必要がある。全力で頑張っても方向性が間違っていれば最善の成果は得ることができないからだ。
あみだくじは1番端を選べ。は子供に教えたい
じゃんけんはパーを出せ！最初はグーの掛け声の時はチョキを出せ
Posted by ブクログ
全体的に分かりやすく書いてあるけど、検定やら回帰分析やらの説明はかなり端折ってるので、読み物的なガイドラインって印象。6章はこの本の中で最も長い章だけど、ワタシ的には斜め読みで充分でした。この本読んで「統計学は最強の学問ですか？」と聞かれると「たぶん違う」とワタシは答えます。
「統計学」に期待値が高い人には、その期待値に答えられる内容のみをピックアップしているので、間違いなくオススメの１冊です。
Posted by ブクログ
統計学の持つ力について具体例を列挙しながらわかりやすく述べられていた。
立場の違いに基づく統計学への考え方なさについても理解を得られ、今まで自分が経験した簡素なデータ分析時における混乱への理解が進んだ。
統計学を学ぶ前に読むことでメリットデメリットがわかる1冊
面白かった普段何気なくいうか全く気にしていなかったことが書かれていて目から鱗だった。普段あまり本など読まなくてもわかりやすくと言う子書かれていたのでよかった
Posted by ブクログ
サービスの運用・開発・改善において
データをもとにどうしていくかの方針を決めることが多く、
より適切な判断をできるように統計学を学びたかったので
導入として本書を読みました。
どうしても自身の過去の経験に引きづられることが多いので
「統計学的な裏付けがない状態で正誤を結論づけてはいけない」
という考え方は参考になりました。
仕事をする上でいろんな部署から意見が出て
判断に困ることがある方には
考え方の一つとして参考にある書籍だと思います。
