这是10年前不知深浅的我写的，一共5点，看来也不算太过时，赶上今天是年末，就晒出来献丑吧。

https://www.stt.msu.edu/users/yangli/research.html

1. 好的统计学研究必须是与应用相关的（Good statistics research is application relevant）

2. 好的统计学研究往往使用复杂的数学工具（ Good statistics research is mathematically sophisticated）

3. 好的统计学研究往往在计算上有挑战性（Good statistics research is computationally challenging）

4. 好的统计学研究引导出理论性质优越的方法（Good statistics research leads to theoretically superior methods）

5. 好的统计学研究产生出方便用户的程序（Good statistics research produces user-friendly procedures）

第1条是学数学出身的统计学家（包括我自己）经常忽略的。忽略这一条的结果往往就是把一些已经发表的统计学论文当做数学论文，然后减弱其中的假设条件或者增加一些模型结构，人为地制造出一个较为复杂的数学问题，然后去解这个人造的问题，发表一篇新论文。

忽略第1条的，通常也不会重视第5条，因为发表的论文反正也不大会有人用来分析任何实际数据的，谁还费时费力写直观，快速，准确，易解读的数据分析程序呢？

轻视第2条与第4条则是另一个有害的倾向。一些统计学者过早地告别了测度论和抽象概率论，对于非参数和半参数统计推断，函数型数据，非线性时间序列，空间统计，极值理论，生存分析这些需要数学分析基础的研究方向，是心有余而力不足的。而即便是大量使用复杂数学工具证明定理，符合第2条的“理论型”统计学者，也往往不符合第4条，因为那些费时费力证明出来的定理，并没有导出任何理论性质优越的数据分析方法。

关于第3条，在10年前我写这个的时候，是绝没预料到今日人工智能的“成功”的。但是解决今日人类长期生存面对的重大问题，诸如“向地下热岩体要廉价的清洁能源","将海水变成清洁的饮用水”，“将沙地变土壤”，都需要与大自然按照大自然的规律深度互动，而不是打牌下棋这些按照人类制订的规则与人类互动。

今日的统计学家，完全可以凭借自己在数据分析与统计推断方面无可取代的专长，与物理，化学，生物学，工程学和材料科学专家合作，大幅度改善人类生存的物理环境，与经济金融专家合作，维护国家金融安全，实体经济健康稳定，而不只是提供“用大数据预测哪部电影票房价值高”这类茶余饭后谈资。