Nu rätar vi ut alla frågetecken angående statistik!

Ungefär vad jag menade i mitt inlägg ovan. De statistiker jag känner (en handfull) har titeln Data Scientist och är utbildade inom naturvetenskap/civ.ing/data (kan iofs bero på att antalet statistikstudenter är mycket färre) och har inte läst särskilt mycket rena statistikkurser. Däremot är de väldigt bra matematiker och programmerare. Deras arbete verkar mest bestå av att utveckla algoritmer, system och program som automatiskt utför statistiska analyser som fler på deras arbetsplats kan använda. Själva statistiska metoderna är oftast inte avancerade, det svåra verkar vara utvecklingsbiten. Vad jag vet så lär man sig inte sådant i vanlig statistik, men LiU's master innehåller några kurser relaterat till det. Min bild är att det är den typen av statistik som indirekt åsyftas i media när de skriver om statistikers ljusa framtid.


Jag har läst om programmen och rent allmänt verkar de bra, men jag kände inte till att de var inriktade mot de områdena. Tack för det.

Att man lätt får jobb tvekar jag inte på. Frågan för mig är om studenterna förstår metoderna så bra att de kan utföra praktiskt statistiskt arbete på hög nivå senare i sina jobb när de ställs inför nya problem. Många kursers kursplaner nämner "basic level" vilket känns oroande med tanke på att det är masternivå.

shoehornar min fråga i tråden då den knappast är värd en egen tråd.

jag är strax klar med min kandidat i statistik (lund) och är sugen på en master. dock har lund endast lite lösa kurser på masternivå och inget direkt masterprogram (dock tillräckligt med kurser för att få ut en examen). tror ni det är sämre (alt ser sämre ut) att läsa dessa jämfört med ett mer renodlat program vid något annat lärosäte? hur står sig lund gentemot övriga lärosäten inom just statistik? man har ju börjat undra lite med tanke på hur små klasserna har varit över A-nivån, men det kanske mest beror på att snittstudenten verkar hata (nåja) ämnet?

Snor ett svar från conceptionist i min förra tråd då jag tycker han verkade ha koll på det:

"Av alla masterutbildningar i statistik i Sverige verkar de vettiga vara UU, SU och LiU. UU är inriktat mot ekonometri (statistik i NEK) och psykometri. SU verkar tidigare fokuserat på officiell statistikproduktion a la SCB men har numera ett masterprogram med bredare val av kurser. Båda dessa programmen (UU och SU) är säkert bra på att lära ut statistiska metoder"

"LiUs masterprogram Statistics and Data mining är inriktat mot denna form av statistik, så den är nog ditt bästa alternativ. Förkunskapskrav för antagning är bsc i statistik, matematik, ingengör eller data, en programmeringskurs, linjär algebra och matematisk analys."

Jag kan fylla i här.
Jag har undersökt programmen nämnda ovan, varit i kontakt med studievägledare på institutionerna, samt kollat var tidigare studenter från masterprogrammen hamnat genom att ha sökt på dem namn på linkedin. Det sistnämnda kan jag rekommendera att man gör.

Med instititionernas inriktningar åsyftas mest vad de forskar inom. Detta kan ändå i någon mån speglas i deras utbildningar genom vilka kursen man kan läsa, institutionens kontakter, etc., och därmed var studenterna får jobb. Självklart är detta endast generella tendenser; studenterna kan fortfarande söka sig till vilken arbetsgivare de vill. Troligen sker även någon form av "self selection", dvs att studenter med ett visst intresse söker sig till ett program med sådant fokus.

UU är främst inriktat mot ekonometri och tidsserieanalys (NEK) samt metoder inom beteendevetenskap som nog även vara relevanta för vissa typer av jobb inom marknadsföring/market research. SU verkar numera täcka de flesta stora områdena i "klassisk" statistik. LiU är inriktat mer mot metoder för "Big Data"/analytics, vilket innebär att kurser i bl.a. datavetenskap ingår i programmet.

Det man troligen missar mest med att inte gå ett program är kontakter, både med andra studenter och från institutionen. Starka program med många studenter kan t.ex. locka föreläsare från företag och exjobb. Både SU och LiU verkar ha flera samarbeten med företag och organisationer, dock med olika typer av sådana.

Som har nämnts i diskussioner på FB är det tveksamt om företag verkligen efterfrågar renodlade statistiker. Oftast vill de ha en "kvantitativ analytiker" av något slag, dvs någon som kan en del statistik, programmering, kan bygga ett program, och lite vad som helst som krävs för att kunna lösa deras problem. Jag tror att LiU's program är mest anpassat för detta. Vill man däremot syssla med renodlad statistisk analys t.ex. inom medicin eller NEK är de andra programmen säkert bra.

Ett alternativ till att läsa program är väl att sätta ihop en egen examen i Lund. Har du (M.S) undersökt möjligheten att lägga ihop kurser från t.ex. NEK och matematisk statistik med statistik?

Är du då den som tror dig om att kunna "räta ut" alla frågetecken
angående statistik?
Inte undra på att gamla rävar som den där polske kalenderbitaren
gubben Jerzy snart är överspelad för all tid!

Nå, vad har just DU att erbjuda vad "statistik" beträffar månntro?

Har några uppgifter som jag skulle behöva hjälp med att lösa. Något du eller någon annan här kan vara behjälplig i?

Står i valet och kvalet över hur jag ska planera min utbildning och behöver lite hjälp från er!

Jag har två paths att välja på helt enkelt;

Statistik och dataanalys kandidatprogram vid LiU efterföljat av Statistics and Machine Learning master LiU

eller

Systemvetenskap kandidat vid LiU, efterföljt av Statistik och nationalekonomi kandidat vid SU, läser Statistik I just nu och skulle läsa Nationalekonomi I vid termin 5 på systemvetenskap och därmed bli klar med denna på max 2 år.

Så båda är lika långa, blir väl relativt snarlika utbildningar men första spåret är mer mattetung och känns som ett bra kort för framtiden iom big data, machine learning, AI. Å andra sidan får man en del statistik vid det andra valet kombinerat med systemvetenskapen som gör att man får en rätt bred kompetens. Någon som har några tankar?

Det första alternativet låter klokast. Vill du jobba med ML och Big Data så är det fördelaktigt att ha läst en del matematik för att kunna förstå modellerna man implementerar.

Det jag kände med, tack!