¿Estudios autodidactas frente a una educación impartida?

Question

Hay una pregunta con intención similar en los programadores.SE . Esa pregunta tiene algunas respuestas bastante buenas, pero el tema general parece ser que sin el autoestudio no se llega a ninguna parte.

Obviamente, hay algunas diferencias importantes entre la programación y la estadística: con la programación, en realidad sólo se aprende algo de lógica básica y luego se aplica repetidamente. Los nuevos lenguajes utilizan todos los mismos conceptos básicos. El autoaprendizaje te permite aprender conceptos más avanzados y ser más eficiente. Este tipo de cosas es bastante difícil de enseñar.

La estadística es muy diferente. Es fácil aplicar la lógica que conlleva, porque alguien suele haber expuesto la metodología. De hecho, la metodología suele ser la mayor parte de lo que se enseña en las universidades. Pero la estadística es mucho más profunda que eso, e implica algunos conceptos de alto nivel. Es difícil incluso buscar esos conceptos, si todo lo que te han enseñado es estadística aplicada, y mucho menos entenderlos (aunque me pregunto hasta qué punto esto puede deberse a la jerga del campo). Además, me parece que el autoaprendizaje de la programación implica la lectura de un montón de artículos/blogs cortos para introducirse en los nuevos conceptos, mientras que los artículos accesibles sobre estadística están casi siempre dirigidos al principiante total, y son por tanto algo inútiles para un novato avanzado, como yo.

Así que la pregunta es: ¿es el autoaprendizaje más o menos apropiado que la educación universitaria, para la estadística? ¿Qué metodologías de autoaprendizaje hay que funcionen? Cualquier ejemplo de lo que ha funcionado para la gente antes sería bienvenido.

(esto probablemente debería ser una wiki comunitaria, pero no veo ninguna casilla de verificación)

Answer 1

Creo que estoy en un lugar bastante similar, pero voy a hacer una puñalada. Empecé como estudiante de posgrado de sociología y, una vez completados todos los cursos de estadística disponibles en mi departamento, me metí en algunos cursos de posgrado del departamento de estadística de mi universidad. Fue una revelación; la forma en que los profesores de estadística abordaban los problemas era radicalmente diferente a la de mis profesores de soc, mucho más intuitiva e inspiradora que lo que había aprendido antes, mucho menos formulista y dependiente de muchas cosas que no me habían enseñado o que no había conseguido aprender en mis cursos más básicos. Tuve que volver a aprender muchas cosas para poder seguir el ritmo, y todavía me preocupa no haber dominado realmente esos conceptos fundamentales.

En los cuatro o cinco años transcurridos, he dedicado mucho tiempo a leer ampliamente: los blogs, este sitio y algunos libros de texto destacados han sido realmente útiles. Pero ese autoaprendizaje tiene límites, el mayor de los cuales no es que no haya asistido a algunas clases en la escuela, sino que hace cuatro o cinco años que no trabajo con alguien que realmente sepa más que yo. Este sitio es mi principal fuente para que mis nociones incorrectas sean derribadas. Eso me asusta, hasta el punto de que estoy planeando solicitar programas de maestría en biostática este otoño - para tomar algunos cursos interesantes, definitivamente, pero también porque sólo quiero que alguien pase por encima de mis ideas y descubra lo que realmente he aprendido.

Por el contrario, yo me he estado enseñando a mí mismo R durante más o menos el mismo período y en las mismas condiciones. Hasta que ayudé a fundar un grupo de usuarios de R hace un año y medio, tampoco tenía a nadie que me señalara las construcciones descaradamente estúpidas de mi código. Pero no siento la misma ansiedad por mi código, en gran parte porque la programación se reduce en última instancia a una cuestión de si algo funciona. No pretendo restar importancia a los desafíos: he estado en StackOverflow el tiempo suficiente como para saber que, para los verdaderos desarrolladores de software, hay una gran cantidad de conocimientos que se emplean para hacer algo que sea elegante, eficaz, mantenible, adaptable y fácil de usar. Pero el software se juzga en última instancia por lo bien que realiza su función. Como dices, la estadística tiene casi el problema inverso: el software estadístico moderno hace que sea relativamente fácil crear modelos complejos, pero en muchos casos no tenemos buenos sistemas para garantizar que esos modelos valgan la pena. Es difícil recrear muchos análisis publicados, y reproducir desde cero estudios previamente publicados no es tan glamuroso como hacer nuevos descubrimientos (aplique las comillas de miedo que considere oportunas). Casi siempre sé cuando mis programas son basura, pero nunca estoy totalmente seguro de que mis modelos sean buenos.

Así que... como en la programación, creo que el autoaprendizaje es esencial. Pero también creo que es muy importante tener un mentor o un compañero que te dé ideas, te exponga a nuevas ideas y te dé una patada en el culo cuando sea necesario. La educación formal es una forma de conocer a gente así. Que sea eficaz depende más de tus circunstancias...

Answer 2

+1 por una gran pregunta. Creo que a la larga siempre vas a tener que recurrir al autoaprendizaje de una forma u otra. Si te sientes incómodo con los fundamentos, las clases formales serán geniales. Por ejemplo, si te sientes sólido en la estadística aplicada, pero no sientes que tienes una comprensión de las matemáticas subyacentes, tomar clases de estadística matemática va a ser el camino a seguir. Sin embargo, incluso en este caso, la escuela de posgrado va a consistir, en última instancia, en aprender a navegar por el campo por tu cuenta.

Quiero aprovechar esta oportunidad para cantar las alabanzas de CV. Creo sinceramente que este sitio va a ser la respuesta a tus preocupaciones. Es cierto que hay muchos recursos por ahí que no están dirigidos al nivel adecuado (ya sea demasiado alto o demasiado bajo) y que es difícil encontrar lo que necesitas. Mi opinión es que los libros van a estar más a menudo en el nivel que más te conviene; van a ser más completos, y para cualquier tema habrá desde casi sin matemáticas hasta tratados puramente teóricos con muchas gradaciones en medio. Puede buscar CV en libros y si no encuentras nada que esté bien, haz una nueva pregunta. En general, si no estás seguro de algún concepto concreto, pregúntalo. Incluso el mero hecho de leer en el sitio y seguir los enlaces es increíblemente informativo: estoy sorprendido de lo mucho que he aprendido desde que estoy activo en el sitio.

En cuanto a las estrategias específicas que ayudan al autoaprendizaje, dos cosas son las que más me han ayudado. En primer lugar, con las estadísticas aplicadas, esto es realmente lo mismo que con la programación, o llegar al Carnegie Hall, practica . Intenta encontrar conjuntos de datos (del mundo real, si es posible), y explóralos; mira los datos, piensa en lo que podría estar pasando, ajusta algunos modelos y comprueba si son razonables, etc. Cuanto más puedas hacer esto, mejor te irá. Para entender los conceptos teóricos que subyacen a las distintas técnicas, lo que me funciona es la simulación. Cuando leo sobre algo, y dice que funciona de una manera particular o que se romperá bajo alguna condición, a menudo escribo un poco de código para crear esas condiciones y generar datos de ese proceso, luego ajustar el modelo y almacenar cualquier indicador que sea relevante, anidar eso en un bucle, y jugar con él. Así es como he llegado a entender casi todo. Puedo leer sobre algo, y puede estar perfectamente claro -incluso puedo dar la vuelta y explicarlo- pero realmente no Consíguelo hasta que pueda generarlo y verlo en acción.

Answer 3

Las bases teóricas de la estadística son demasiado profundas como para poder comprender bien la materia sólo con los problemas que caen en tu mesa. Algunos de los mayores fracasos estadísticos que he visto proceden de personas con formación en programación o matemáticas que asumieron alegremente que saber codificar o calcular probabilidades era lo mismo que saber estadística.

De todos modos, no hay razón para que un programa de autoaprendizaje bien pensado no sirva. Y lo hace, al menos para algunas personas: véase el informe de la Royal Statistical Society Diploma de Postgrado . No faltan libros de texto para leer (¡y escritos por gente como Cox, Berger, Tukey, Nelder y Efron!), un excelente software libre (R) para probar cosas y, por supuesto, Cross Validated para resolver dudas.

Answer 4

Para la programación estoy de acuerdo en que el autoaprendizaje es el camino a seguir. Yo me enseñé a mí mismo R en un período de unos pocos meses, ya que trabajo como estadístico. Luego tomé un curso de Coursera sobre programación en R para ver si podía aprender algo nuevo, y como tenía una sólida formación, lo aprobé y me invitaron a ser asistente de enseñanza en el curso.

En cuanto a las estadísticas de autoaprendizaje, depende, pero por precaución diría que no. La mayoría de los puestos de trabajo para un estadístico exigen al menos un máster en estadística para poder acceder a ellos, y por algo será. Los estadísticos con experiencia suelen tener un doctorado.

Imagina que un médico te pide que diseñes un programa de selección para un determinado tratamiento (algo en lo que he trabajado). Coges tus libros de estadística para refrescarte y empiezas a trabajar. Cometes algunos errores matemáticos o no reconoces algunas variables al acecho y se seleccionan las personas equivocadas. ¡Pum! Los familiares te denuncian por negligencia y/o estás en la cárcel por homicidio involuntario.

Así que con la programación, el autoestudio es el único camino a seguir, pero nunca digas que sabes de estadística o trabajes en un proyecto estadístico sin la tutoría de un estadístico cualificado y con experiencia, o al menos pregunta primero para qué se van a utilizar los resultados.