主题：【投票结果分析】“您对袁崇焕的评价最接近哪个南宋历史人物 -- 知之后哀
原投票帖位置：
先附上原始数据和分布图，河里的图片上传似乎坏了，贴在了外面的相册了。
就这张图表来分析，首先采样是从“注册用户”和“游客”两个数据源来进行的，其中“注册用户”是主样本组，而“游客”作为参照组。设置参照组的目的是检验下“注册用户”组数据的真实性，因为前者是受控组（马甲到底是少数）而后者是不受控组（可以反复投票），所以假如参照组的分布近似于主样本组的话，我们可以对主样本组的真实性有较大的信心。
从这次的分布结果来看，基本上参照组的相对分布曲线是重合于主样本组的。注册用户组的投票选项由高到低为 韩佗胄-岳飞-贾似道-文天祥-韩世忠-秦桧；游客组的投票选项由高到低为 韩佗胄-贾似道-文天祥-韩世忠（岳飞）-秦桧；其中的差异存在于游客中认为袁可媲美岳飞的人数偏低，其余基本持平。考虑到参照组的样本数量较小（35）所以这些误差可以理解。但是，无论如何，两个分布都有一个十分明显的（超过半数）峰值在韩佗胄上。基于此数据，我们可以说，根据现有的数据，河里的主流意见对袁的评价，最接近于 韩佗胄，这是第一个结论。
此外，有一成左右的网友认为袁可以收复失地，也就是达到他“n年平辽”的目标。还有一成左右网友，认为袁至少可以守住宁锦一线。总体上来说，网友的主流（80%）认为袁无力改变明末的大势，无法避免明朝灭亡，这是第二个结论。
在褒贬问题上，注册用户的观点和总数观点表现了一致性，对袁的褒贬为三七开。但只有不到4%的网友认为袁是汉奸，河里的主流虽然不认同袁，但是还是不认为袁是汉奸的，这是第三个结论。
最后，是对袁的私人品格的评价，认为袁品格高尚的网友占2成，而认为袁品格低劣的网友占七成，剩下一成的网友认为一般。所以，以目前的数据看来，河里对袁品格的评价偏低，基本是负面的，这是第四个结论。
以上是本次投票结果的基本归纳和分析。有始有终，我算卸下担子了～
本帖一共被 1 帖 引用 (帖内工具实现)
应该有些统计测试来支持楼主的观点。不过呢，测试结果看看数据也能得知。看来楼主是为了行文方便省掉了。
方法略有瑕疵，但是结论和努力要赞一个。
不过在工业实践中，一般能用的sample size也大不了～工程师就是瞎猜猜，看天份啦～～工业上没人愿意花那个钱去把数据采集到理论上完美～能看出个感觉，就拍板啦～俺个人喜欢看图形找感觉，而不是用一些统计值。感觉靠CV还不如靠感觉靠谱～～
这三个结论都是significant的了
工业统计学中的 design of experiment 是一门专门的学问，对于某些问题，只要8个samples，就可以提供极富价值的信息。而且这些是基于高数的科学方法 (scientific approach)，正确率远胜乱猜。这些手段目前也被 database marketing 大量运用。
我自己虽然DOE用过很多次，但是还是觉得有点不入其门。用来写report糊弄客户可以，跟大老板讨论决定的时候DOE我只是用来做结论验证的，感觉太学院派了，不太适合工业界要求的快速经济，因为我也不是在TD部门，没有足够的时间和金钱去设计一个完善的小样本试验，之前光过滤出因素的预试验就不知道要花多久多少钱。
我常用的是 Exploratory Data Analysis，这一派是强调看图的。对数据选择要求比较低，而且不需要预设的模型。
选过那门课，三年多没用，大半都还给老师啦，哪里敢开什么贴呀？和和~~ 这方面如果兄弟工作中经常要用到，不妨买本书看看，公司应该会出钱的。Exploratory Data Analysis 这个名次俺不熟。当时我们看图主要是做 residual analysis, 通过 residual analysis 来判断所用分析方法是否满足该方法的预设前提 (constant variance, normality...)，当然也可以看出 trend or pattern 来。看图是一个方面，更精确科学的方法是检视那些 statistics, 如: P-value, t statistic, F statistic, W statistic...
DOE 我们主要是学那些 factorial design, randomized complete block design, nested and partial nested design, fractional factorial. 如果没记错，fractional factorial 就是用很小的样本 (四个或八个)，就能得到很重要的 directional information.
认真看过的也有10本左右，酒兄提到的 残余验证，也是经典数据分析的一个基本假设。经典的数据分析一般是先有假设和模型，然后实验采集数据，最后做模型匹配的检验（残余检验就是很重要的一种检验方法）。这种思路和方法很适合于实验室。但是在工业中，我们遇到更多的是，你先有了数据（这个数据不是你设计的实验得来的，而是实际生产中的来的），然后怎样解释这个数据的问题。也不太可能给你modeling和DOE的时间，而是要快速的给出方向，基本类似root cause analysis这样的分析。
我本人一直对工程数学统计很有兴趣，也自己开发过一些小的专业数据分析软件（为我自己的部门，图省事），河里有马丁叔叔这样的大佬在，俺就不班门弄斧了～
俺明白了。如果是观测数据 (不是实验数据)，那么如果还想有比较科学的方法，就只有做 modeling 了。 Modeling 也是可以根据 时间和资源 的紧张程度，可以做比较精深的，也可以做 quick and dirty job. 但一个合格的分析师，必须接受过严格的专业训练。光是拿个统计学硕士是不够的，统计学博士也未必就行。如果拿了个统计学硕士，又运气好，跟上一个经验丰富的博士，而且有真枪实弹的 projects 做，这么着踏踏实实干个2-3年，基本上可以出师挑大梁了。如果没有这么好的运气，10年也未必能出师。
不过兄弟的工作应该是分析 + 管理，不是单纯的数据分析和模型，所以无须这么专。我上面写的那种，是专门吃数据模型这碗饭的，在北美的咨询公司里基本上是铁饭碗。
以第一个投票为例，注册用户投票最高一类为35，第二高的是9票。这个差别绝对是significant的。但如果继续分析，第3-5高的票数是8，7和6。他们和第二类的差别应该在给定的sample size下无法判断。