抽样误差经济师

比如针对某项内部控制，注册会计师从2000个总体中抽取了100个样本进行测试，发现其中有10个没有得到有效执行，即误差率（或叫偏差率）为10%，此时10个没有得到有效执行，属于样本误差。

样本量n=C²σ²/p² P — 精度（Precision），也称精确度，由审计师设定，代表样本与总体之间的可接受误差范围。在属性抽样中，精度以百分比表示，在变量抽样中，精度用一个数值表示。精度值越大，样本量越小，总体误差值就越大；反之，精度值越小，样本量越大，总体误差值就越小，但增加了抽样工作量。 σ— 总体标准差（Population Standard Deviation），是衡量总体中个别单位偏离总体平均值的离散程度的指标，标准差越大，样本量越大，用于变量抽样中。 假设这组数据的平均值是m 方差公式s^2=1/n[(x1-m)^2+(x2-m)^2+...+(xn-m)^2] 标准差是方差开方后的结果(即方差的算术平方根) 精度还是你看情况决定的 可以看看这个 样本量n=C²σ²/p² 1.C — 置信系数（Confidence Coefficient），也称置信水平、可信因子，是以百分比（90%、95%、99%等）表示的抽样结果能够代表总体的概率。一般而言，95%的置信水平则认为高度满意，置信水平越高，样本量越大。1减去置信系数为风险水平（Level of Risk），是样本结果不能代表总体的概率。例如C选95%，即抽样结果能够代表总体的概率为95%2.P — 精度（Precision），也称精确度，由审计师设定，代表样本与总体之间的可接受误差范围。在属性抽样中，精度以百分比表示，在变量抽样中，精度用一个数值表示。精度值越大，样本量越小，总体误差值就越大；反之，精度值越小，样本量越大，总体误差值就越小，但增加了抽样工作量。比如你可以接受的样本与总体之间的误差范围是0~90%3.σ— 总体标准差（Population Standard Deviation），是衡量总体中个别单位偏离总体平均值的离散程度的指标，标准差越大，样本量越大，用于变量抽样中。 假设这组数据的平均值是m 方差公式s^2=1/n[(x1-m)^2+(x2-m)^2+...+(xn-m)^2] 标准差是方差开方后的结果(即方差的算术平方根) 这个你会算吧所以 样本量n=C²σ²/p²你相应把数代进去

数据分析师考试包含三个等级，如下：CDA LEVEL Ⅰ（业务数据分析师）CDA LEVEL Ⅱ（数据建模分析师）CDA LEVEL Ⅱ（大数据分析师）CDA LEVEL Ⅲ（数据分析专家）考试内容Level Ⅰ：客观题（单选+多选）参考书籍：《从零进阶！数据分析师的统计基础》（人大经济论坛 主编 曹正凤 编著） 《如虎添翼！数据处理的SAS EG实现》（人大经济论坛 主编 徐筱刚 编著） 《胸有成竹！数据分析的SAS EG进阶》（人大经济论坛 主编 常国珍 编著）Level Ⅱ：客观+案例分析（选择+案例操作）考试内容由CDA协会按照CDA等级标准大纲要求命题；考试最终成绩分为A,B,C,D不及格四个层次，A,B,C三个层次皆为通过考试并获得认证证书。具体得大纲可以关注经管之家（人大经济论坛）CDA官网

具体确定样本量还有相应的统计学公式，不同的抽样方法对应不同的公式。根据样本量计算公式，不难知道，样本量的大小不取决于总体的多少，而取决于：(1) 研究对象的变化程度；(2) 所要求或允许的误差大小（即精度要求）；(3) 要求推断的置信程度。样本量n=C²σ²/p²P — 精度（Precision），也称精确度，由审计师设定，代表样本与总体之间的可接受误差范围。在属性抽样中，精度以百分比表示，在变量抽样中，精度用一个数值表示。精度值越大，样本量越小，总体误差值就越大；反之，精度值越小，样本量越大，总体误差值就越小，但增加了抽样工作量。拓展资料样本量是指总体中抽取的样本元素的总个数，应用于统计学、数学、物理学等学科。样本量大小是选择检验统计量的一个要素。由抽样分布理论可知，在大样本条件下，如果总体为正态分布，样本统计量服从正态分布；如果总体为非正态分布，样本统计量渐近服从正态分布。参考资料：百度百科-样本量

《经验的模糊性》作者马奇探问，经验在智慧寻求中起着什么作用？他认为人难以从经验中学到有效的知识/普世真理，但可以从诠释经验（或听人诠释经验）的过程中，得到快乐、感受美感。而后者提供的价值，与前者性质各异，不能比较长短，两者都很重要。 人难以从经验中学习，有两方面，一是人类认知能力的限制，这方面主要可以参考认知心理学家和行为经济学家的研究成果；另一方面则是经验的性质，这方面主要可以参考统计学家/计量经济学家/人工智能学家、文学家、历史学家的研究成果。 一般生活经验，像是如何择偶、职业选择、投资判断、企业决策、乃至国家政策，有五个特性，不重复（miserly）、因果关系复杂（complex）、嘈杂（noisy）、内生（endogeneity）、建构（constructed）。 这些特性都是统计学的忌讳，因为将难以辨识因果、排除噪音、判断单一变量带来的效果。如此得出来的结论，将没有效度，不具真正解释数据点的能力，也不具预测的能力，无助于人类从现有的资料点（经验）中，学习如何适应环境、因应未来。 由于经验的模糊性，使用数学语言的经济数据实证者，其实就效度而言，做的未必比同行的文字工作者好。数据实证研究背后，往往下了太强的样本统计分布假设、生搬硬套的模型设定（例如借用病毒传播学等解释组织学习）、说不清楚因果、拟合过度不具预测能力，解释世界的能力可能跟他们用自然语言的同行，像是早期经济哲学家，或是当代商管学院的成功学分析一样差（或一样好）。 从经验中学习的限制也深为文学家和历史学家所知。据传，温斯顿·丘吉尔（Winston Churchill）曾经说过：“历史会善待我的，因为我打算书写历史。”事后的解读/分析，可以很好的包装过去，譬如迟疑可以是谨慎、冲动可以是果决、意外的好运可以是盘算好的成就。这些故事可能很好听，但不具备指导未来，或成为具有效度的普世知识。 理解经验的特质，就理解马奇为什么叫这本书《经验的模糊性》（THE AMBIGUITIES OF EXPERIENCE，中文译名为《经验的疆界》）。经验的五个特性，使人类难以从经验中获取有效度的知识，无论你的手段是建立模型还是说个故事。 反过来说，如果追求得出有效度的知识，就需要资料点因果关系相对单纯、可大量重复，这除了统计手法的创新之外，一般仰赖政府资助的大型学术计划，才能实现从生活经验中得出有效度的智慧。 另外，在技能类的学习中，经验也可以是老师。无论是人际经营技能，或是工具技能像是开车、煮菜、种花，都涉及一组相对有限的知识点、因果关系容易分辨、可大量重复，所以我们可以通过试错、模仿教练或视频，来总结出可行的办法。也就是说，眼下可行，情况变化时，像是道路状况改变，也能因应。 神经学家已经通过研究脑细胞在学习时的发展情况解释得比较清楚了，人脑具备能力发展新的神经连结，只要给予足够的重复次数和修正建议，人就能掌握新技能。相关科普，可以参见coursera的learning how to learn。我过去也写过笔记。 值得注意的是，马奇指出，「趋吉避凶」这类做法得出的结论具备一定的效度，但未必是最佳的。举例来说，一个经验与一个经验之间，往往是多变量一起改变，且单一变量改变程度小，你很难在这样差劲的实验环境中，找出最佳公式。像你这次炒丝瓜和上次炒丝瓜，盐、水、油温都变化了一些，你怎样总结最佳做法？所以，经验依旧不能说是最好的老师。 即便经验的模糊性为大家所知，学者仍孜孜不倦的建模或说故事。建模者的语言是数学，说故事者的语言是文字，两类手段都是一样的，追求听着可信、涵盖细节又足够抽象。可以说整个文明都在为诠释经验颠狂，经济学家、心理学家、商业分析师、管理界泰斗、杂志记者、历史学家、文学家、神话创作者、计程车司机、老爸老妈、我自己。马奇不无尖锐地指出“对个人和机构而言，对经验做出时髦的诠释，地位和排名就会得到保障“。 为什么？ 引述马奇的话解释： 我想，这也是为什么我认识的神学家、历史学家、文艺创作者藐视其他学门价值的原因。人类渴望听到好听的、有美感的解释，这可以成为他们的精神食粮、指导他们的行动，甚至是在大家一起接受一套故事时，可以团结社会、建立共有价值观、帮助个体融入群体。这些解释所在的知识层级，不仅是「如何做？如何权衡？」的问题层级，而是到身份认同的层级，而一般而言，商管、经济学者（无论使不使用数学语言或数据）都不涉足此类精神追层级的知识问题。 举一个我想到的有趣例子。为自然科学或社会科学高举的理性精神，在西方，也不是由商人或是工匠那些被贴上理性标签的人提出的，而是哲学家。公元前五世纪柏拉图的著作里，明明白白的提倡理性的精神，此后成为主导整个西方文明乃至当代社会的核心信仰。理性对适应社会的效度真的更高吗？因为经验的内生性和彼此建构，恐怕其实没有人能真的实证出来。只是崇拜理性作为一种神话，多数人都有所偏爱。 从经验中学习，倾向于灭绝尝试。新事物容易受到有效学习的打击。然而，组织中确实不断有新事物出现，组织能够对新事物的出现和成长进行程度有限的策划。 【以上是书本摘要，以下是心得】 大量学科都在处理经验模糊性的问题，我的硕士论文研究的组合预测，也就是统计学科中，企图在有限资料点中改进预测结果的一种方法。组合预测将不同统计模型作出的预测值加权平均以得出预测值。简单粗暴的方法背后，就是认可每个统计模型都好比一名专家，用他们提取的变数来解释一个现象，而加权平均，就是综合了不同专家的意见，来得出针对一个集体意见。据理论提出者指出，组合预测能提高预测效度。 我的硕论也摘录了不同学科中用以提高效度的组合手段，我找到许多举证，毕竟诚如前述，大量学科都在处理经验模糊性问题。据部分研究声称，组合手段确实有用。 但批评声也不绝于耳，当你综合不同说法而得出近似正确的结论时，你不知道是哪一种说法帮助你达到目的的，这样你还能说你建立了任何知识吗？你敢说这样一个不明不白的混合物，能预测未来没有问题吗？于此，马奇提出的从经验学习的限制，又再度出现了。 读完本书，我追问，如果经验不能是有效的老师，还有哪些补救手段？ 我想，比较简单地定义类、语言类或技能类的学习，查阅字典、搞清楚问题的要点、多思考逻辑和变化、使用演绎能力、引入实验手法，用实验组和控制组的方式，可能是经验以外很好的老师。 利弊权衡类的问题，查理芒格建议人们掌握不同学科的分析工具，从多种角度解读有限的当下经验（如当前投资环境和公司战略），以找出较准确的理解，来作出较好的决定。 可以参考作者自己在其他地方的探讨：马奇（March，Sproull，and Tamuz 1991）以及其他一些组织学者（Malan and Kriger 1998）曾论证过，从“一两次经历”中学习是有可能的。大多数倡导从案例研究中获取知识的人（Herbst 1970；George and McKeown 1985；Mohr 1985）、倡导从“深描（thick description）”中获取知识的人（Geertz 1973；Gherardi 2006）、倡导从文学中获取知识的人（Gagliardi and Cz-arniawska 2006；March2008，第 18 章），也进行过类似的论证。 感谢马奇提供我的框架———智慧的两个元素：效度和诠释。理想上，有效的知识，就是好的诠释，因为是真的，就容易取得大家的认同和共识，但实际上，多数知识难以验真或证伪，却有可能是广受认可的诠释。所以效度和诠释虽然部分重合，但可以分列为智慧两方面的要素。 我可以用这两个元素，判断日常生活中我的大量读物偏向哪个范畴。知道了商业模型分析、计量模型分析，可能跟文学分析、神话原型分析，原来只是探讨话题不同、知识层次不同，但效度都一样差，我就可以斟酌，除非我想学习他们的表达，否则我还值得投资这么多时间去阅读吗？ 我很爱听故事，也从大学时期就热衷经济模型，通过马奇梳理，我现在知道了我有这么多以前不知道是同类的同类，我很开心。也从此知道，阳志平为什么称隐喻这种修辞手法为：我们赖以生存的隐喻。故事、隐喻、模型，就是人类生存的一部分。 最后，马奇启发我去思考人类社会中奉为圭臬的信仰有哪些？他们的反主题又是哪些？ 【以上是心得，以下是摘录文句】 经验在智慧寻求中起着什么作用，或者应该起什么作用，特别是在组织里？ 从经验当中做出的推断往往具有误导性。问题部分在于人类在做推断的过程中容易出现错误（这些错误一般是可以纠正的），但是更多在于经验自身的性质（March 2008，第5章）。结果，与大多数探讨体验式学习的书和文章不同，本书不是那么看好体验式学习的潜力（Kolb 1984；Sternbergand Wagner 1986；Kayes 2002）。本书打算指出经验特有的一些模糊性和体验式学习容易出现的一些错误。 本书抽样介绍的各种观点可以归到三大不同学派。第一个是组织学派，他们的风格是，分析离散变量之间相对简单的关系。他们主要从社会和行为科学中的成规定见的角度说话。他们认为，历史是蹒跚着进步的，知识和智慧随着历史的发展而增长。 第二个是叙事学派，他们的风格是，琢磨语言的细微之处，从中挖掘意义。他们一般避而不谈智慧增长，而是宣扬智慧与历史相互嵌套的理念以及社会建构和文化意识等概念。 第三个是适应学派，它特别关注适应能否带来改进甚至最佳（在某个有意义的层面上的改进甚至最佳）。他们一般认为历史有很强的路径依赖性、具有多重均衡，而智慧可以非随机地增长。 本书会不时提到组织因素，但并不打算深入探讨组织因素。 智慧一般包括两个相互联系但有所不同的要素。第一个是，有效地适应环境。为了有效地适应，组织必须拥有资源、有能力利用资源、了解所在的世界、运气好、决策好。数组织存活了数个世纪，其中最著名的是罗马天主教会（RomanCatholic Church）和欧洲的几所老牌大学，但是绝大多数组织只能存活相对较短的时间。从那个标准来看，并非一般的组织都拥有适应智慧。 第二个要素是，优雅地诠释经验。诠释是重要的，这种重要性与诠释是否有助于有效行动并没关系。人类渴望理解经验，这一渴望渗透在大部分的学术研究中，还渗透在大部分的生活中。对个人和机构而言，对经验做出时髦的诠释，地位和排名就会得到保障。巴黎矿院（Ecole des Mines de Paris）前任校长雷蒙德·费斯彻赛尔（RaymondFischesser）把智慧定义为“有效地关注重要之事（la preoccupation efficacede l'essentiel）”（Riveline 2008，7）。这样的智慧，因为反思、理解并欣赏生活而伟大，并不仅仅因为掌控生活而伟大。 个人和组织所拥有的知识，大部分不是从日常生活或工作中获取的，从广泛意义上说，这些知识可以归为学术知识而不是经验知识（March 2004）。然而，当代组织文献仍然认为体验式学习是人类适应环境的一种比较重要的方式，是人类提高行动与环境匹配度的一种比较重要的机制。 理性行动理论认为，组织通过总结过去来预测未来；规则遵循行动理论关注规则、身份和角色，认为组织把经验编码成规则，两派学者都认为体验式学习是人类智慧的要素。 复制成功雅在简单，其过程可以用三句话说清楚：（1）从所有可选行动中选择一个付诸实施；（2）记录结果，评定成败；（3）复制与成功相连的行动，回避与失败相连的行动。 有三类通过复制成功而学习的方法：试误、模仿和天择 有不同之处，但是在结构上有一些基本共同点。此处讨论的现象，大都源自学习环境和适应机制的性质，而不是源自学习者的认知习惯，因此与那些著名的人类信息加工局限是不同的、基本上无关的。 原因一，机率： 原因二，随着复制而策略失效：众选项的潜在结果分布受到历次所做选择以及历次变现结果的影响。 原因三，并没有找到真正要复制的因素： 这会导致过分偏爱一个其实并非很好的选项，进而导致错误地复制，或者导致过分轻视一个其实并非很差的选项，进而导致错误地回避。 但经验模糊复杂时，复制可能只能走向次优。 例一：经济学者用risk-preference解释下述现象： The most common characterization is that with respect to alternatives whose expected returns exceed an aspiration level (“gains”), individuals tend to be risk averse, but with respect to alternatives whose expected returns lie below an aspiration level (“losses”), they tend to be risk-seeking (Kahneman and Tversky 1979). 但马奇认为，这只是复制行为的结果。 simple success replication learning will lead to risk aversion for gains and risk seeking for losses (March 1999c, chap. 15; Denrell 2007). 因为从经验学习的限制，我们学术研究不够努力，开车却太不小心。 例二：马奇认为一夫一妻制，也起源于复制行为。我们习于用经验做标准来择偶，如此会选出相近的候选人，不是最优解，但重复性的失望让我们相信这是最优，而不会找他人，重复性的处理失望，也增强我们特定的处事能力，所以可以与对象牢固的在一起。 追求建模/说故事三标准：把经验的模糊性和复杂性转化成一种，可信到足以让人接受、详尽到足以让人感兴趣、简单到足以让人理解的形式。 自然语言派强调主题和语法，主张用带有文法规则的叙事表征生活。符号语言派强调数学框架、假定和推导，主张用带有数学逻辑规则和推断证明规则的模型表征生活（Snow 1959）。 在熟悉框架内简化经验，是人类理解世界的基础，例如， 1）经济学模型借鉴物理学模型中容易理解的假定（Mirowski 1989），多变量复杂系统的建模用的是线性回归的变式（Greene 2008）。 2)当代组织经济学，大都采用几个简单的等式（Gibbons and Roberts 2008），为组织规律提供经济学诠释（Kreps 1990a）。其习惯是，从组织生活细节中提取几个基本特征，定义成抽象概念，确定概念之间的关系，用模型的形式阐述出来。 3)有关商业公司或政府机构的当代研究文献，大都采用叙事形式，从组织经验的丰富细节中提取几个主题，或强加几个主题，用故事的形式阐述出来（Czamiawska 1997；Hemes 2008）。一般产自很多个人和很多组织的行动的复杂结合以及命运女神的奇思妙想。 4)比尔·盖茨（Bill Gates）的故事有两类：一是与安德鲁·卡耐基（Andrew Carnegie）和亨利·福特（Henry Ford）的故事大同小异；一是与 19 世纪强盗大亨的故事大同小异。 神话：“任何通过具体化一个民族的文化理想或者表达一个民族共同深深体验到的情绪情感来取悦这个民族的或真实或虚构的故事、重复出现的主题或者性格类型”［《美国英语传统辞典 1981》（The American Heritage Dic-tionary ofthe English Language 1981）］。 组织故事和模型，专门围绕四大神话主题而建构（March 1999b）。 反主题 这些神话，很多下面潜藏着一个更大的神话：人类举足轻重，也就是，人类可以通过个体的或集体的智慧行动影响历史进程，让历史按照对自己有利的方向发展。这样的神话，既是一种信仰，又是经验诠释的基础。 我们认为反映在典型故事之公认框架中的经验汇集，会减弱对直接经验的诠释造成干扰的随机噪声，背后隐含着某种中央极限定理（central limit theorem）。然而，中央极限定理要成立，需要很多很多的假定，还需要这些假定非常非常地可信。 故事和模型简化复杂的因果关系，减少所涉变量数目，经常忽略二三阶效应、最小化反馈效应、掩饰时滞变异。 经常导致过度拟合的解释，这些解释对随机变异进行事后诠释，对未来没有什么预测力。（统计过度拟合的错误Hatie，Tib-shirani，and Friedman 2001）模型越通用（即可以引申出的关系模式和函数形式越多），就越有可能“拟合”系统中的噪声，结果就是拟合度高但预测力差。面对偏差-方差困境（bias-variance dilemma）（Geman，Bienenstock and Doursat 1992；Gigerenzer and Brighton 2009），模型建造者必须选择是建造复杂模型犯过度拟合错误还是建造简单模型犯过度简化错误。 共识最后变成“最佳实践”的一部分。共识的达成并非完全基于累计证据。相反，共识会作为论述规则而发展，会作为受过教育的人的衡量标准之一而发展，会作为日常谈话中确定立场的依据之一而发展。 *商学院用商业案例教学生，让学生从模拟经验中学习，并让学生用现成框架诠释模拟经验中的事件，这些现成框架主要来自经济学，但有的也来自组织研究、会计财务、运筹研究、市场营销或者其他领域。这种练习很可能有用，但是很难说学生讲述的诠释性故事确实蕴含在那些事件之中。 讲述群体历史的众多故事应该趋同。本尼迪克特·安德森（Benedict Anderson 1991）主张，民族感涉及对一个想象共同体的理解，这个想象共同体以建构历史为基础，建构历史的制造过程，明智地结合了健忘、发明和诠释。 对创建可行的正义的社会制度而言，这样的理解也很重要。正义是很难定义也很难实现的目标。它要求人们对公正的要素以及个人和社会的责任达成广泛的共识。约翰·斯图亚特·米尔（John Stuart Mill）写道：“任何一种形式的政府，能够具有的最大优点就是，发扬国民的美德和智慧；判断一个政府是好是坏，首先要看的就是它能否发扬国民的美德和智慧。”（［1861］1962，32）因此，组织生活的一个重要特征就是，寻找具有最大可理解复杂性的故事和模型，并且努力培养能够阐述这样的故事和模型的人。 尼采把历史学家的工作说成是“在老主题上翻新花样，把流行小调提升成普世象征，并且证明其中存在一个深奥的、强大的、美丽的世界”（1957，37—38） 从经验中学习具有循环性（circularity），这一根本特征也是故事讲述和模型建构造成的。人类渴望从历史经验中学习，但是历史经验封装在人类发明的框架之中。人类从自己的发明中学习。循环性并不排除从经验中学习可以增长智慧，但是会增加混淆的可能性，而且会加强对与已有信念不一致的信息的抵触（Kuhn 1962）。 能够长久存在的新事物主要是那些可以轻易整合进老故事和老模型的新事物，而老故事和老模型往往排斥极端异常的新事物（March 1992）。 适应理论把与老想法、老实务、老形式或老产品生存繁衍过程有关的效率和意外处理得相当好（Cyert and March 1963；March 1988，第 8 章；1994；1999a，第 15 章；Nelson and Winter 1982；Hannan and Freeman 1989；Cohen and Sproull 1996；March，Schulz，and Zhou 2000；Hodgkinson and Starbuck 2008）。 适应理论对创造、利用并保护新想法、新实务、新形式或新产品免遭淘汰的探索过程处理得不太好（Becker，Knudsen，and March 2006）。 【从缺】 原因有很多，表现形式也有很多。不过，经验的模糊性大体上可以总结为以下五点： 第一，经验的因果结构是复杂的（complex）。很多变量是不可控的，变量之间可能存在多重交互作用或者多重共线关系，有的变量两两互为因果，有的变量存在时滞变异，变量关系的函数形式有很多是未知的。因此，因果结构很难厘清，行动效应很难确认。例如，人们在根据组织经验做推断时，非常容易把结果（特别是有利结果）归因于组织的行动，而实际上，大的经济或政治环境、其他组织的行动以及很多其他的不可控因素也许对结果有巨大的影响。此外，很多似乎非常重要的变量是不好观察、不好测量的。因此，从体验式学习获得的启示，有很多未经证明的结论、迷信的联想、误导人的相关性、同义反复的概括和系统的偏差。 第二，经验是嘈杂的（noisy）。因为观察误差，或者因为诠释误差，或者因为因果结构真的就是随机的，所以历史事件是取自可能历史事件分布的一个值。某次变现历史的代表性有可能很差，代表不了可能历史。因此，从经验中学习涉及两方面，即不仅要努力从观察到的实际事件中学习，还要努力从实际上没有发生但原本应该发生的事件中学习。我们也应看到，上述的“假设历史”用想象替代了证据，这种替代也容易犯下许多错误。 第三，历史具有内源性（endogeneity）。能力受练习的影响，练习率受所做选择的影响。组织与环境共同演化。行动者的欲望影响行动，行动也影响行动者的欲望。历史是一系列样本，经验的展开方式，影响着选项的抽样率，进而影响着抽样误差。 第四，众所周知，历史是由参与者和观察者建构的（constructed）。人们不仅从历史中学习，还从历史故事中学习，包括他们自己出于某种目的捏造并讲述的故事。古往今来的政治顾问都通晓各种写史手法。据传，温斯顿·丘吉尔（Winston Churchill）曾经说过： “历史会善待我的，因为我打算书写历史。”谎言的平均值随着样本量的增加而趋近于真相，这个命题并不好证明，不管是通过实证检验还是通过理论推导。 第五，历史是吝啬的（miserly），只能提供少量的经验。历史只能提供小样本，因此给推断带来很大的抽样误差。如果一位统计学家奉命设计一个可以观察但很难做推断的世界，那么他的设计成果就会非常接近组织的原始经验。组织学习所依赖的经验，样本量经常小到只有一两次经历。组织推断所依赖的事件，发生背景和发生条件经常是独一无二、不断变化的。在不断变化（而且可以观察）的条件下，不对关键变量进行实验控制，又得不到大样本，就很难确定因果结构。想象变得至少像观察一样重要。正如马文·明斯基（Marvin Minsky）在研究人工智能问题时观察到的那样，“从本质上来说，简单学习系统只在重复性情境中有用，应付不了新异情境。学习系统只有辅以具有一些推导能力的分类法或者模式识别法，才能获得非凡的成绩。因为遇到的对象是如此五花八门，所以我们不能依靠重复”（1963，413）。 参与到历史中，可能就很难从历史中挖掘启示。组织参与者很难从经验中学习，他们在努力从经验中学习的时候容易出错（Mezias and Starbuck 2003；Bau-mard and Starbuck 2005）。经验往往会大大提高成功管理者的信心，但是并不见得大大拓宽成功管理者的理解。之所以如此，并非只因为管理者的弱点或者管理者培训的弱点。在复杂的系统中，要考察一两个因素的效应，往往就要让其他因素保持不变并且让所考察的因素发生很大的变化，这样才能从噪声中区分出效应。在现实世界中，组织倾向于同时改变很多因素，而且变化幅度相对较小。 第一，有关组织的信念，大多衍生自一些简单的假定。例如，整套经济学组织理论，几乎没有什么具体的实证基础，主要包含一些衍生自几条有关人类行为基本命题的定理。这样的知识形成方式有一个很大的优点，那就是定理的正确性是从技术上证明的，而不是用数据验证的。那些衍生定理，包含一些可以证实但不是特别令人吃惊的预测，比如，增加某个职位的薪水可以增加接受这个职位的人数。还包含少数具有启发性的意外，比如，有关“公地悲剧”、“赢家诅咒”、“囚徒困境”或者“胜任力陷阱”的命题。 第二，有关组织的信念，大多是在工程学知识观的指导下形成的。纯科学知识观追求的是，弄清任何可能前提的必然结论。工程学知识观追求的是，弄清产生某个结论的充分前提。学骑自行车的孩子，不求理解自行车动力学原理，只想知道哪些动作和反应足以维持平衡和前进。组织只想找到足以实现目标并且能在熟悉情境下加以改进的形式、实务和产品，不求弄清各种可能形式、实务和产品的所有可能结合在所有条件下会出现什么结果。 第三，组织不求理解复杂的世界，但求创造一个自己可以理解的比较简单的世界。组织不是使用可以自由获取的现成材料，而是创造具有易理解性和易管理性的材料。组织不求全面了解人类的所有行为，而是只求对人类行动者分类、培训、约束，让人类行动者好理解、好管理（Foucault 1961，1975；Holmqvist 2008）。组织不依靠合作伙伴的未来可靠性，而是签合同。组织不冒险，而是买保险。组织不预测多方博弈的结果，而是协调多方的不同期望。 2021-07-19

回答 亲您好！为您查询到样本量确认无非是解一个方程。首先大致确定模型和实验设计方案，一般来说以下四个变量构成一个方程：type I error(level of confidence), type II error(1-statistical power), 样本量，effect size.确定其中3个可以解出第四个。一般样本量计算会假定95%置信度，80%以上的power，合理假设一个size,即预计两组的差异，通过公式得出需要的样本量。其中power和size都可以试试看浮动范围。置信度越高(type I error小), 或者power越高(可接受type ii error越小),或者effect size越小，都需要更多的样本。简单的样本量计算网上都有，还有很多包可以用，具体公式要看实验设计，不同设计的计算会不同。比如题主有182家医院，每家人数不同，但是肯定是越分散越powerful。具体可以去看关于抽样的书，stratified sampling.作者：谓之链接：来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 亲！将显示切换到 256 色 某些游戏和其它软件程序“要求”监视器设置成 256 色，或者它们在 256 色下运行的更好。当您启动这些程序时，许多程序会将监视器自动地切换到 256 色。对于那些不自动切换到 256 色的程序，当运行该游戏或程序时如果您想暂时将切换显示，请执行以下步骤。 在桌面上或“开始”菜单上，右键单击想要在 256 色下运行的游戏或其它程序，然后单击“属性”。 单击“兼容性”选项卡。 选中“在 256 色下运行”复选框。 注意 当关闭该程序时，屏幕将恢复默认的颜色质量。 如果软件程序显示错误颜色或图形重画缓慢，试着将显示切换到 256 色。 如果软件程序出现在屏幕中央的一个小窗口中，可以通过暂时更改屏幕分辨率来增加其大小。按照上述步骤，但是在第三步选中“在 640x480 屏幕分辨率下运行”复选框。当关闭该程序时，屏幕分辨率将恢复默认为先前的分辨率。 “兼容性”选项卡仅对位于计算机硬盘上的程序或游戏是可用的。如果程序存储在软盘、光盘或网络上，它是不可用的。 亲：非常感谢您的咨询与帮助，希望我的回答能够帮助到您，祝您万事如意，心想事成， 更多1条 