关于对计量学的一些见解-仪器校准检测网

仪器校验照国际计量局（BIPM），国际标准化组织（ISO）与国际法制计量组织（OIML）以及国际临床化学联合会（IFCC）、国际现论和应用化学联合会（IUPAC）和国际理论与应用物理学联合会（IUPAP）等七个国际组织联合制订的《国际通用计量学基本术语》（1993年版），计量学被定义为“测量学科”。

并在注解中说明：“计量学包括涉及测量理论和实用的各个方面，不论其不确定度如何，也不论其用于什么测量技术领域。” ·

1.关于回归结果的讨论

我们需要点估计还是区间估计？记得当初学习统计的时候，我对点估计就不怎么感兴趣，因为毕竟是样本推断总体，区间估计似乎更具有说服力。但是到计量这边好像很多分析都立足于点估计的结果，可能是源于对于标准误的不相信吧，呵呵。

BETA系数

当我们想比较各个解释变量对被解释变量的影响时，一个比较好的方法就是将系数转化为BETA系数，在STATA中实现方法是，（回归后） regress, beta

小样本问题

不得不说小样本是我最不愿看到的，因为前面的推断和估计都是建立在大样本的渐进性质上的。对于小样本我的说法一般是，为什么不能多找些样本呢？有这么难吗，哎……不过bootstrap还是能在一定程度上缓解一些小样本问题的（关键还是多找好样本，bootstrap是治标不治本的办法）

它是针对各种检验中出现的小样本导致的不一致所设计的，但不意味着你拿着两个样本，然后用bootstrap命令就可以解决所有问题。它的思想在于在你获得的样本中不断反复重新抽样，形成一个大样本。一般来说，rep（重复） 50-250次就能保证标准误了，而1000次就能有好的区间估计了。在均值比较和回归中等涉及到检验时都可以运用。

2.关于学习计量的探讨

对于应用计量来说，只看理论不用软件（这是多数的）或者只重视软件不重视理论这都是不足的。

如果只重视理论，你可以学到很多东西，但如果在实际中实现不了，那我就觉得是白学了，回归的经典假设学习就是一例，如果你只是会背，而不会在实践中检验，那有什么意思。

其实现在软件已经很强大了，我都怀疑还需要不需要学习编程，因为编出来的东西可能不是大家公认的，公认的方法软件的貌似差不多都能实现了，而且是很容易的实现。

如果只重视软件，你发现你可能是有很多都没学会，甚至出现的一些问题你可能都没意识到或者没法解决，特别是模型的假设，不重视假设你所用的方法可能从一开始就是错误的。毕竟软件中实现的过程和原理都来自于理论。

一个例子就是在RE中的hauman检验中出现负值的情况和原因。

我的一个建议是，拿一本好书来学，然后把书中涉及到的理论在STATA手册搜索出相关内容自己实践一遍。往往在软件上一个复杂过程只是一个命令就解决了，理论上你得大概明白这个结果是怎样来的（呵呵，对于大概的理解智者见智吧，看你是偏哪方面的）。反复看看伍德里奇的那本神书也是不错的选择。

3.有计量就够了吗？

答案显然是否定的，我一直认为计量只是一个工具，不应该滥用。但是在中国问题不仅仅是这么简单，在中国商界对于统计和计量的认识和运用是不足的（这有点类似于金融创新）。

对你所运用的学科的理解决定了你使用工具所能达到的高度。

举例来说，比如变量的选取（reset检验不能解决所有问题），假设A引致B，B引致C，你想探究A对C的影响，模型中应该包括B吗？

建议采用的原则是：我们感兴趣的变量产生之前就决定的变量都是好的控制变量。