Never

(最近据说流行这样的标题) 最近台风来袭，气温到是感觉很舒适，可是自己依然上火了。主要症状就是麦粒肿。想来小的时候经常得砂眼或麦粒肿这类的眼病，长大后已经很长时间没有得了。可是在广州刚刚开始第三年，就已经得了三次麦粒肿了。也不知麦粒肿和上火究竟多大关系，不过最近确实有点不顺利，为什么它偏偏现在来捣乱呢。 另一个症状就是头疼。其实这是一个很轻微的症状，疼痛为止大概在额叶上回和orbital frontal之类的位置(不知是不是错觉？因为皮层上明显是没有痛觉神经的)。头疼很轻，但是最近却引发了一个不良后果就是咖啡上瘾。每一次头疼就会马上冲杯咖啡，而喝完咖啡后确实明显感觉到变化。因此最近几天都是连续的在喝着咖啡。不知道咖啡因分子能否通过脑血屏障，它对神经系统的影响究竟是好是坏。 screen.width/2)this.style.width=screen.width/2;'>

HAHA把统计比作手术刀，透过纷繁复杂的表象，可以帮助我们看清事物的本来面目。可是现实要复杂的多，即便要挑选一把合适的手术刀都充满困难。即使有了好的手术刀，要看清解剖开的事物也是要费一番工夫的。目前因素分析的结果看起来应该有点意义，但到底说明什么还是没有想明白。自己呆在实验室思考了两天，晚上又叫来师弟讨论了一下，师弟提出的一些建议还是蛮好的，回头还得继续努力，希望得出一些好的结果。

这两年： 广州 珠海

想发感慨的时候却发不了，郁闷。 可是在国内还是不能浏览blogger，更郁闷！

　　要探讨因果关系，首先当然要定义什么是因果关系。这里不再谈伽利略抑或休谟等人在哲学意义上所说的因果关系，只从统计意义上介绍其定义。从统计的角度，因果关系是通过概率或者分布函数的角度体现出来的：在宇宙中所有其它事件的发生情况固定不变的条件下，如果一个事件A的发生与不发生对于另一个事件B的发生的概率（如果通过事件定义了随机变量那么也可以说分布函数）有影响，并且这两个事件在时间上又先后顺序（A前B后），那么我们便可以说A是B的原因。 　　早期因果性是简单通过概率来定义的，即如果P(B|A)>P(B)那么A就是B的原因（Suppes，1970）；然而这种定义有两大缺陷：一、没有考虑时间先后顺序；二、从P(B|A)>P(B)由条件概率公式马上可以推出P(A|B)>P(A)，显然上面的定义就自相矛盾了（并且定义中的“>”毫无道理，换成“<”照样讲得通，后来通过改进，把定义中的“>”改为了不等号“≠”，其实按照同样的推理，这样定义一样站不住脚）。 　　事实上，以上定义还有更大的缺陷，就是信息集的问题。严格讲来，要真正确定因果关系，必须考虑到完整的信息集，也就是说，要得出“A是B的原因”这样的结论，必须全面考虑宇宙中所有的事件，否则往往就会发生误解。最明显的例子就是若另有一个事件C，它是A和B的共同原因，考虑一个极端情况：若P(A|C)=1，P(B|C)=1，那么显然有P(B|AC)=P(B|C)，此时可以看出A事件是否发生与B事件已经没有关系了。 　　因此，Granger（1980）提出了因果关系的定义，他的定义是建立在完整信息集以及发生时间先后顺序基础上的。至于判断准则，也在逐步发展变化： 　　最初是根据分布函数（条件分布）判断，注意Ωn是到n期为止宇宙中的所有信息，Yn为到n期为止所有的Yt (t=1…n)，Xn+1为第n+1期X的取值，Ωn-Yn为除Y之外的所有信息。 F(Xn+1 | Ωn) ≠ F(Xn+1 | (Ωn − Yn)) - - - - - - - (1) 　　后来认为宇宙信息集是不可能找到的，于是退而求其次，找一个可获取的信息集J来替代Ω： ...

百度??全球最大中文搜索引擎

百度??全球最大中文搜索引擎

学心理学的人经常被问到这样的问题，你们研究的理论不用研究我也知道，那你们做得有什么意义。这个问题很难回答，而且确实自己辛辛苦苦做出来的东西，总是觉得就是一个显而易见的常识 ( 还好我是偏神经科学方向的 screen.width/2)this.style.width=screen.width/2;'> )。 很久以前跟LS谈这个问题，他说彭凯平这样回答问他这个问题的记者：“你说我研究的问题显而易见，但是在我们研究之前你不知道你知道这个问题，只有我们研究之后你才知道你知道这个问题，这就是心理学的意义。”果然是高人！