不偏估計量舉例的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到附近那裡買和營業時間的推薦產品

長勝：靠運氣贏來的，憑實力也不會輸回去，常春藤名校「模型思維」課程指定必讀

為了解決不偏估計量舉例的問題，作者MichaelJ.Mauboussin 這樣論述：

布局運氣，是提高勝率的必要手段 運用統計分析、機率思考，打造腦內的「贏家模組」 能力可以靠努力逐步養成，但運氣只能求神拜佛嗎？ 本書入選史丹佛、普林斯頓大學等28家名校的「模型思維」（Model Thinking）課程書目， 教你在做商業、投資，人生決策時， 評量能力與運氣對成敗的影響力，借力使力，搶得致勝先機！ 　　把一件事情做成，或獲得任何意義上的成功， 　　到底多少來自「實力」，又有多少來自「運氣」？ 　　實力與運氣單純只是反義詞，還是冥冥之中自有相關性？ 　　策略投資專家、暢銷書《魔球投資學》作者莫布新 　　完整解讀：個人能力與運氣在不同狀況下，對成敗的影響， 　

　教我們如何利用「運氣－能力」光譜，獲得邁向成功的方程式。 　　想通以下幾個問題的答案，就能獲得長勝的模型思維—— 　　為什麼網球選手的表現普遍穩定，足球隊的成績卻起起伏伏？ 　　為什麼跳槽後的表現，往往不如從前？ 　　為什麼猴子射飛鏢選中的標的，比專職投資人的績效還好？ 　　為什麼高智商不等於高成功率？ 　　為什麼小公司比較容易帶來破壞式創新產品？ 　　為什麼能力越強的人，越重視運氣？ 　　本書運用統計分析、機率思考，為讀者解析這些問題背後的底層邏輯。 　　【有沒有一種思維方式，可以確保所投注精力，獲得可預期回報？】 　　我們在生命中的各種經驗，結合了能力與運氣所產生的結果。比數相差

一分，籃球員在哨聲響起前一刻出手，球碰到籃框沒進，導致球隊輸掉總冠軍。藥廠開發高血壓用藥，結果最後變成解決勃起障礙的熱銷藥品。投資者買了一家公司股票，沒過多久就因為公司被溢價收購而賺了一大票。不同程度的能力、好運和壞運，是形塑我們人生的事實要素。但我們卻不太知道該如何區分兩者，更不清楚它們各自占多大比重。 　　策略投資專家、暢銷書《魔球投資學》作者莫布新，在本書提出一條能力與運氣之間的連續光譜，供我們分析眼前的所有選項中，個人能力與運氣的相互影響（諸如歌手與球員的選秀、選擇投資標的、大學志願選填，甚至是該付高階經理人多少薪水）。他提出具體建議，協助我們增加優勢，在不確定性的世界中，最大程度掌

握確定性。 各界好評 　　．霍華‧馬克斯（Howard Marks）｜橡樹資本管理創辦人、《投資最重要的事》作者 　　．傑克．柯弗特（Jack Covert）｜財經書網「800CEO 閱讀」創辦人 　　．丹尼爾．品克（Daniel Pink）｜《動機，單純的力量》作者 　　．菲利普‧泰特洛克（Philip Tetlock）｜賓州大學教授，《超級預測》共同作者 　　．托馬什・湯古茲（Tomasz Tunguz）｜紅點創投創始人 　　．詹姆斯‧蒙帝爾（James Montier）｜《這才是價值投資》作者 　　．保羅‧迪波德斯塔（Paul DePodesta）｜紐約大都會隊球員開發與球探部門副總

裁 　　－－－－　一致好評推薦 　　．「在《長勝》一書中，莫布新讓我們了解個人能力與運氣的差異；更重要的是，我們可以判斷兩者對某個結果究竟貢獻了多少。他提醒我們，在運氣扮演重要角色的活動中，例如投資，我們其實不能完全用結果來評估績效。此外不能忽略的是，他指出，實踐者面對運氣，『應該抱著泰然處之的態度。』我非常喜歡這句話！」－－霍華‧馬克斯（Howard Marks）｜橡樹資本管理公司董事長暨創辦人；《投資最重要的事》作者 　　．「莫布新似乎完全了解如何有技巧地拆解個人能力與運氣。他也知道這件事很容易搞砸；他用了很多很棒的故事（從音樂實驗室、棒球休息室，一直到紐約證交所）。他把抽象的統計帶到

了現實生活裡。」－－菲利普‧泰特洛克（Philip Tetlock）｜賓州大學教授，合著有《超級預測》 　　．「《長勝》是一本非常有智慧、且充滿洞見的書，裡面有許多有趣的故事和嚴謹的分析。只要你面對的事情包含了運氣與個人能力（多數人都是如此），你會發現，讀了這本書之後，會讓你茅塞頓開。」詹姆斯‧蒙帝爾（James Montier）｜《這才是價值投資》作者 　　．「很少人願意承認、或願意接受一件事：運氣在我們的生命中扮演重要角色。麥可‧莫布新不僅知道個人能力與運氣的不同；更重要的是，他提出一個思考架構，可以幫助我們應付現實狀況。這是一本很重要的書。」－－保羅‧迪波德斯塔（Paul DePod

esta）｜紐約大都會隊球員開發與球探部門副總裁（亦是《魔球》電影及書籍中關鍵人物之一，曾任洛杉磯道奇隊總經理） 　　．「我非常享受閱讀莫布新所寫的《長勝》。這是本富機智且有見地的書。」——丹尼爾．品克（Daniel Pink）｜《動機，單純的力量》作者 　　．「這是本很有趣的書，迫使我反思自己的投資決策過程。」－－托馬什・湯古茲（Tomasz Tunguz）｜紅點創投創始人 　　．「如果你喜歡麥可．路易士《魔球》中融合數據與說故事的敘事方式，你將會喜歡這本書。」——傑克．柯弗特（Jack Covert）｜財經書網「800CEO 閱讀」創辦人 　　．「對於任何想要讓風險極小化的投資者及

商業決策者，本書絕對值得閱讀。」——《金融時報》（Financial Times） 　　．「對於運動迷和投資者而言，這本書中有太多令人為之鼓舞的內容。」——《經濟學人》（The Economist） 　　．「在《長勝》一書中，莫布新探討運氣與能力所帶來的貢獻，並討論為何藉由『運氣—能力光譜』的方式來解釋過去的成果，能幫助領導者做出更好的決策。這是重新看待商業領導非常有用的方式。他觀察到，當人們往上攀爬到組織高階的過程中，大多較注重運氣而非能力，這也帶出一個很有趣的問題，亦即領導者如何持續成長與加強自我的能力。領導者可以做的是，理解自己的決策終究對財富帶來多少影響。」——《星期天時報》（Th

e Sunday Times）

不偏估計量舉例進入發燒排行的影片

法律資料分析的優化與應用：以離婚後未成年子女親權酌定的裁判為素材

為了解決不偏估計量舉例的問題，作者姜晴文 這樣論述：

夫妻離婚後，法院如何將具有高度不確定性之「子女最佳利益原則」，貫徹於實際親權酌定個案中，往往是當事人激烈爭議的焦點。儘管有民法第1055條之1提供各項判斷方針，依然難以解決「子女最佳利益原則」判斷標準模糊不明之困難。本研究統計民國98年1月1日起至106年12月31日止全台地方法院有關親權酌定第一審的2,775件裁判，計未成年子女4,340人，計劃透過實證裁判的統計與量化分析，以歸納法試圖尋繹出親權酌定在實務案件的實踐原則。 本研究之取樣係以司法院法學資料檢索系統為範圍，而法院設定裁判不公開之作為並非隨機，此將影響研究取樣的隨機性，而成為本論文所有統計量化分析與立論的最大限制。再者，本

研究事實的認定以裁判書為準，採法官的觀點，不作事實認定的工作，故而本論文預測模型的預設使用對象為法官、而非律師或當事人，並無取代律師、法官的可能。第三，本研究僅以研究者一人間隔一段時間重新編碼的方式改正失誤，防錯、偵錯、除錯的機制均不夠嚴謹。最後，目前裁判書的編碼工作尚未找到可以避免觀察者錯誤效應的標準流程，可能會因此導致預測模型準確率的高估。 本研究羅列了對數機率迴歸、決策樹、隨機森林、梯度型推進決策樹、類神經網路等5種預測工具。發現它們預測裁判結果的準確率差別有限，皆可達95.5%以上，整體而言本研究的資料型態較適合使用梯度型推進決策樹。若使用本研究建議的客製化流程，準確率可再提高，

且預測的信度上升。為解決預測模型「解釋性受限」的問題，本研究提出在預測模型之外另行建構論理模型的主張，根據本研究的樣本完成樣式化論理模型－－以親子意願交叉比對、輔以親職能力、現住所等因素所建構的高維複合邏輯路徑模型。不管是整體樣本、或其他分眾樣本，其解釋覆蓋率介於96.93%-99.27%，已能成功擔當實證裁判研究的論理任務。 我們以前述5種客製化預測模型逐年滾動分析近五年的裁判資料，發現準確率維持在97.25%-99.86%之間，可見這5種預測模型都具有預測全新未知樣本的能力。雖然進一步科曼哈卡方檢定發現103年的資料因為無書狀母親的事件較多而與其他年份的資料在分布上有顯著的不同，唯不

影響本研究預測模型與論理模型的表現。 本研究進一步分析與親權酌定相關的28種因素，發現當訴訟一方為外籍配偶、或有一造未到庭且無書狀聲明陳述意見時，其對造都有較高的比率取得未成年子女的親權。在地域的分布上，一造未到庭且無書狀聲明陳述意見的事件比較偏向非六都地區。 子女年齡與親權歸屬有關聯性，分別在0-2歲、及14-19歲的兩極出現親權歸母的高峰。本研究在論理模型的導引下，發現這是因為「幼兒從母」、「中兒唯父有意」及「大兒擇母」三股不同力量共同作用的結果，而後兩者都與外籍母親有關。至於其他因素，除子女的排行、父母教育程度與親權歸屬無關之外，主要照顧者等另18個因素的組間比較都達顯著差異

。我們利用對數機率迴歸，檢定出權值較大的9個因素依序為：父母意願、子女意願、親職能力、父母品行、支持系統、主要照顧者、現住所、經濟能力、對子女有不當行為。 本研究發現，社工的利用率高（95.36%）且98.74%的親權建議與裁判結果相同。而程序監理人、家事調查官則利用率低，分別為1.32%、及1.48%。程序監理人97.62%的建議與裁判結果相同，家事調查官則是100%一致。 有關外籍配偶，本研究發現有著城鄉分布的差距：以台籍父母為基準，陸籍配偶的分布偏向六都地區，而越印等其他籍則偏向非六都。個別因素分析結果，不論陸籍或越印其他籍母親組，法官裁判標準其實是一致的－－都是以父母及子女

的意願最具影響力。細部檢定發現，台籍、陸籍、越印等其他籍母親出庭有書狀的比率出現由高而低的變化，她們取得親權的比率也是如此趨勢。即便有書狀的外籍母親，其獲得親權的比率還是不如台籍。本研究藉由七維表格分析、樣式化論理模型的樣本流檢定等數據，進一步分析發現外籍母親在親子意願、及主要照顧者、現住所、支持系統都是有利父多於有利母，且達顯著差異，試圖說明為何外籍母親取得親權的比率會低於台籍母親。

文組都會的簡明統計學

為了解決不偏估計量舉例的問題，作者高橋信,鄉和貴 這樣論述：

難倒大多數人的統計學，終於推出文組專用「翻譯書」！ 就由擅長將「希臘符號」翻譯成「人話」的老師， 不必與數學公式纏鬥，也能一點就通！ 　　近年來，隨著大數據、廣告投放、後端程式語言等逐漸形成產業趨勢，「統計學」也開始蔚為顯學。 　　可是，對於大部分的文組人來說，光看到數字就想退避三舍；若再提到「統計學」三個字，可能就立刻破門竄逃了吧？ 　　「雖然想試著翻入門書，但只要瞄到像間諜暗號的公式後，就反射性地把書閤起來了。」 　　「聽說統計學很熱門，可是具體來說，究竟能實際應用在哪些地方呢？」 　　「學會數據分析和統計，是不是就能幫我分析股票，順利賺大錢？」 　　所有關於統計學的基礎提問，

就讓擁有多家企業與大學舉辦講座經驗的專家──高橋信老師，與腦洞開很大的文組學生──鄉和貴，透過問答的形式，帶領各位一步步熟悉統計學的世界吧！ 　　◆第1天：歡迎來到統計學的世界 　　相信對大部分人來說，數學絕對排得上學生時代前三名的噩夢科目。 　　奠基在數學之上的統計學，豈不就是更為棘手的惡魔存在？ 　　課程最初，讓我們先打破心理阻礙，首先弄清楚統計學究竟是一門什麼樣的學問。 　　認識統計學的用途，建立目標，我們才能保持清晰的腦袋實踐學習計畫。 　　◆第2天：千萬別被「模擬調查」牽著鼻子走 　　在資訊爆炸的時代，五花八門的抽樣調查、政治人物的支持率統計，哪些是有憑有據的資訊，哪些是道聽途說

，在在考驗我們的「數據素養」。 　　提升數據素養的第一步，就是建立起對「隨機抽樣調查」的基本認識。 　　學會第2天的內容，就知道如何分辨日常生活中值得信賴的統計調查！ 　　◆第3～4天：掌握資料的感覺 　　統計的第一步是收集資料，而資料又能區分「數值資料」與「類別資料」。 　　從第3天開始，我們會稍微接觸數學層面，重溫一下學生時代學過的「中位數」、「標準差」與「變異數」等數值，以及它們在統計學中占有如何的重要性。 　　◆第5天：使資料視覺化呈現 　　這一天將會介紹各種分析方法的基礎知識，首先從具代表性的圖表──「直方圖」與「機率密度函數」開始，透過這兩種工具，深化掌握資料的直覺。 　　同時

我們也會了解生活中常聽到的詞──常態分布，究竟是什麼意思。 　　◆第6～7天：課堂練習！實際挑戰分析資料 　　如何根據樣本資料估計母體？如何推導信賴區間？還有樣本數究竟要多少，才能得到值得任賴的統計結果呢？ 　　讓我們透過最後的兩天練習課，試著做資料分析的練習，為你的統計學習挑戰畫下一個戰果豐厚的結尾吧！ 　　從學生時代就不擅長數學、出社會後也依舊與數學絕緣的人，有辦法從零學會統計學嗎？ 　　本書的文組人代表，藉由七天扎實的親身體驗告訴你──真的有可能！ 　　統計學是一門深奧的學問，卻也是一座取之不盡的寶庫。 　　歡迎各位有志探索這座寶庫的文組人，就從本書開始，解密以前都看不懂的希臘文暗號

！ 本書特色 　　◎全書架構劃分為7天的課程，採老師與學生一來一往的對話形式，帶領讀者一天天熟悉統計的感覺。 　　◎重要的公式與計算的過程，都會用顏色框特別標註，就像課堂板書一樣一目瞭然。 　　◎每堂課的最後都有內容回顧，幫助你快速掌握重點，加強記憶學習更有效率。

超音波DMAS波束成形於多角度平面波成像中估計組織聲速及血流流速

為了解決不偏估計量舉例的問題，作者杜冠霖 這樣論述：

超音波多角度平面波延遲相乘加總(Delay-multiply-and-sum, DMAS)成像透過發射事件(Tx-DMAS)、接收通道(Rx-DMAS)或兩者(2D-DMAS)的信號相關性以抑制低相關性雜波，但其成像聲速是否正確對應傳播介質組織聲速(Speed of Sound, SOS)仍是維持影像品質的基本要求。目前已有許多利用接收通道信號或影像品質分析估計傳播介質組織平均聲速的方法但皆不是針對多角度平面波成像特性所開發的，因此在本研究的第一部分中，我們進一步擴展多角度平面波DMAS成像以量化信號相關性程度，並將其用於估計多角度平面波成像中的組織聲速。此外多角度平面波DMAS影像因強調信

號相關性而會具有較明顯的斑點顆粒特徵，因此在本研究的第二部分中，我們也將探討多角度平面波DMAS影像用於斑點追蹤以改善血流流速估計的可行性。在本論文第一部分中，我們將所得的多角度平面波DMAS影像與傳統同調性平面波複合(Coherent Plane-wave Compounding, CPWC)影像之間的像素值比定義為相位同調因子(Phase Coherent Factor, PCF)。當成像聲速(Cbeam)與實際組織聲速不匹配時，由於聚焦誤差增大使得信號相關性降低，並導致相位同調因子值減小。在計算多個成像聲速下的相位同調因子後，具有最大相位同調因子值的成像聲速即為最佳成像聲速(Copt)，

最佳成像聲速也對應我們所估計的實際組織聲速。PICMUS模擬數據結果指出，當接收孔徑變大且通道訊雜比變大時，最佳成像聲速估計結果將更加準確，在三種DMAS成像方法中，Tx-DMAS在較低通道訊雜比的情況下可以使用較小的接收孔徑提供具有最小偏誤及標準差的最佳成像聲速估計結果，此外，本研究提出的最佳成像聲速估計方法當多角度平面波DMAS成像的p值不小於2時表現將會趨於穩定。在PICMUS實驗數據中，我們所提出的相位同調因子方法所估計的最佳成像聲速確實具有最佳的圖像品質。而在Prodigy成像系統實驗數據中，透過Tx-DMAS所估計的最佳成像聲速為1426±6 m/s，透過2D-DMAS以及Rx-D

MAS所估計的最佳成像聲速皆為1428±4 m/s，與使用單一元件探頭通過脈衝回波法測得的實際組織聲速(1427 m/s)非常接近，也與具有最小-6-dB橫向寬度的成像聲速以及具有最佳對比度的成像聲速誤差在10 m/s內。在本論文第二部分中，我們結合最小方差向量都卜勒(Least-Squares Vector Doppler, VD)以及一維斑點追蹤(Speckle Tracking, ST)進行二維血流流速估計，該血流流速估計方法能夠改善VD橫向分量估計結果不準確以及二維ST計算量過大的缺點，其中ST將於斑點顆粒特徵明顯的多角度平面波DMAS影像上進行血流流速估計。模擬結果可以發現對影像進行

一維斑點追蹤估計血流流速橫向分量時，多角度平面波DMAS相較於傳統CPWC(亦即2D-DAS)的血流流速估計表現而言並沒有太大的幫助，舉例而言，雖然Tx-DMAS成像雖然在訊雜比不小於-15 dB的情況下可有較低的血流估計偏誤與標準差，但其改善程度皆不到於最高流速的1 %。至於2D-DMAS以及Rx-DMAS甚至在訊雜比大於0 dB的情況下反而有較高的血流估計偏誤與標準差，此外當DMAS成像p值變大時估計結果會更差。通過對多角度平面波DMAS影像進行一維斑點追蹤的效果不佳，因為DMAS波束成形技術本身特性會產生乘性雜訊使得血流散射子在影像間相似降低，斑點追蹤演算法容易算出錯誤的結果反而降低血流

流速估計的準確度。