关于赚钱的深度研究：我分析了 5108 个打工人的人生

我觉得我认为你这个视频需要补充一个非常重要的东西，那就是“相关性不等于因果性”。 就像每月溺水人数和雪糕的销量也有相关性，但根本原因只是夏天到了。 在视频中提到的结婚，抽烟，身高等等，这些因素确实是和收入有相关性的，但不能等价于 你有了前面的因素就有高收入。 理解这一点是非常重要的，不然根据统计数据随便下结论，就完全等于高级的谎言。

♥ 2482 ↩ 73

30：00处得提醒一下大家，不一定是抽烟使人工资高，也可能是工资高使人抽烟，更可能是工资和抽烟没啥联系，是其他变量使人工资高的同时使人抽烟等等，其他变量也是如此。 最后抽烟不一定能给你带来更高的收入，但一定会影响你和你身边的人的健康。

♥ 703 ↩ 17

30多岁的我越发觉得， 1选择方向大于努力， 2执行力高比想得多重要 3长期坚持执行 大部分赚到钱的，无非是这三点，选择一个不错的行业，长期坚持执行 我以个人拙见将商业运转归为三方角色（供给端视角） 规则制定者：行业头部的规则，开创者，掌握大局、对于政策方向敏感，善于和政府打交道（商业离不开政治） 生产供给者：实业生产，作为市场经济的供给端，当然，生产者和规则制定可以是共有的，但头部只有一个，大部分生产者，都是互相竞争和拼成本，抢市场的关系 运输传播者：物流运输，营销广告传播，将生产资料宣传广告给消费者 作为设计师，也给不少甲方做过案子，想得多，个人感觉基本上所有的工种，都能安排到相应的角色当中，或为他们服务，这些年的工作经历告诉我，离规则制定的团体越近，赚钱越容易，适用于所有行业

♥ 515 ↩ 12

因为涉及到自己的专业，对研究提一点点建议： 1.选题并不是很适合做回归研究，收入构成里包括了主业工资、金融性收入、意外所得、副业的不稳定收入等等，并且按季度、年份、宏观经济等因素会有很大的波动性。简简单单做个应届生工资起薪的研究，或者工作一定年限后的工资所得做对比，会使选题有说服力得多，这些客观上的影响因素更少。 2. 对于多元回归的模型来说，堆砌变量提高的R方没有任何意义。堆得变量足够多, R方自然就高了，因为总能有可以解释的部分。做多元回归的时候应该尽可能精简变量集，并且以调整后R方作为评价指标。而且没有过变量多重共线性、残差自相关、残差异方差，这些计量检验。同时计算几十个变量的情况下这些检验大概率会出问题，数据预处理的时候，不只要做数据清洗。可能还要考虑做标准化处理，然后考虑太多自变量的时候需要降维，比如换成因子分析法或者岭回归(毕业太久，忘了，可能有说错的部分) 3. 最后是研究思路，统计学角度也好，经济学的角度也罢，都是先通过学术理论的基础对研究定性，比如我先假设影响收入因素的是受教育年份、工作年限，再通过回归去定量，看看是否接受原假设。说白了，统计学工具是为了帮助我们验证理论的正确性，而不是通过数字来推断收入收到了教育的影响。这也是为什么最后推导结果的时候发现因果倒置的原因。

♥ 460 ↩ 10

比较好的科普文章，但是其实细究起来还有很多可以改进的地方，首先要报告各个变量回归系数的t检验结果，这个小凡没提到，一些变量系数我估计是不显著的；其次这些回归结果不能说明变量之间的因果关系，会有互为因果的内生性问题；最后放置了太多控制变量，可能一些控制变量之间有高度相关性，导致多重共线性问题。此外使用最小二乘回归是要满足BLUE前提假设的，不然会导致假设检验偏误...总之细究起来问题还挺多的

♥ 235 ↩ 6

统计过程不够严谨，多变量回归每一步都需要计算显著性，判断纳入排除，变量之间也不一定是互相独立的，不满足统计条件。但结果跟生活中的一些观察还是重合的，可以解释一些问题。希望以后做分析的时候先学一些专业知识再去做。

♥ 168 ↩ 14

不明白为什么有人想从此视频中得到赚钱的指导意义。就像看戏总有人觉得拍得不真实。up的作品一向关注科技题材的艺术美感，知识只是一个概览就够了，没必要在结论或严谨性上吹毛求疵，真正的社科统计半小时的报告和5000个样本怎么够

♥ 167 ↩ 4

谢谢UP分享这个话题。我补充一些相关信息。 - 收入结构是经济学一个经典的研究对象。视频里的回归展现了变量间的相关性，而要指导政策需要提炼其中的因果。 - UP提到的Angrist，Card & Imbens 2021年的诺奖，其主要贡献是提出了从相关性里辨别因果的方法：自然实验和工具变量。另外一个修正选择偏差的方法是Heckman selection（2000年诺奖）。 - 其实原本有一个中国收入研究院专门做这方面工作，同时维护CHIP（China Household Income Projects）数据库。但NGO不易，现在不活跃了，也可能已经无了。最后一次课题会是2018年的事。 - 根据国外数据的研究，收入的决定因素大致有三块，各占1/3。个人特性（学位、工作经验、性别。。），工作特性（地区、行业。。），运气（搜索摩擦，纯运气。。）。

♥ 165 ↩ 5

之前在临床工作之外学了医学统计，感觉统计学真有意思，特别沉迷。觉得自己发现了世界的关系，这个世界一定可以被我用方程解析出来。不过后来发现想完全interpret real-world situation 还是太天真了。解读、分析的过程我觉得比最终的结果更有意思。（ps，我始终觉得那种高分流病文章多少有点标题党(￣▽￣)jkd）

♥ 103 ↩ 1

我愿称为二手网络田野调查，非业内来说已经很神了，选题也很有意思，过程的展现也非常观众友好导向，至于意义是不是像结尾一样“没什么意义，满足好奇心”我只能说不置可否，因为很多有意义的事情都是从没有意义开始的，功不必在当下。希望每年一期[脱单doge]

♥ 102 ↩ 5

r方图画错了，残差是竖直距离不是垂直距离啊[辣眼睛]

♥ 89 ↩ 6

被统计大作业折磨了十几个小时交完看到了这一篇视频，之前是音乐那一期关注up的，这一期正好撞到了自己学过的东西所以想多说两句。 我曾经把up当作一位单打独斗，啥都想学的个人自媒体来看，所以有的时候抛开完全的严谨不谈，更多是享受和up一起探索学习的过程。但是既然如今已经成为了团队，在评论区也有许多人将这个视频当作正经的科普看待，那么我认为up还是需要再在严谨性上有所打磨，r方的图示画错这种还算小问题，回归不提变量显著性，研究参数不检验共线性，一味追求r方，得到的结果和分析就是和最后老师说的，“玩一样”，最后的结论都不一定有参考价值。 私以为找一位系统学习过统计学或者计量经济学基础课程的大学生并不难，受毕业论文折磨过的本科生也基本知道这里面的门道，并且可以解决大部分的问题。up的这期视频初衷是好的，也非常辛苦（曾经被cgss的数据折磨过的人对up择这么多数据出来深表佩服），也许不讲这些本身也有视频时长的考量，但是统计和计量本身都是很严谨的学科，建立在大量的数理基础上，这样的科普是对统计的一种不尊重。

♥ 82 ↩ 1

结尾升华了，但做了这么大的统计工作，最后应该做个总结，即那46.7%能被计算的结果告诉了我们，影响普通人收入的因素到底是什么。除了性别，出生地，父母受教育程度，首先我觉得是学历，其次是工作城市。结合我自身来看，高中时候觉得学习无用论，完全想不到学历与社会薪资的关系，这是我个人的信息闭塞，因为父母的教育程度，他们也无法知晓，从而导致了我在教育道路上走了很长的弯路。 我国还有非常多的父母不懂得学历与孩子未来的必然关系，我自己能做的就是从学历这一条路来将作者的视频影响力放大给更多的人。

♥ 66 ↩ 4

整个过程做过数学建模比赛的应该不陌生

♥ 49 ↩ 1

生统人，stata和sas贯穿了我的研究生的所有research，看完后我很认同里面教授说的可能作为科普没啥问题，但是整个统计结构化设计有问题。比如在完成人口统计学协变量的选择后，没有对这么多变量是否有交互作用做出评估，不同的变量类型没有进行解释（包括是否需要根据变量类型重新分类设计dummy这些），混杂变量以及EMM也没有提及。最大的问题在结论处甚至没有告诉观众这些统计结果的p值在统计学上是否有显著性，你得出这些结论但如果没告诉大伙p值确实是没有意义的。up做的选题像是我逻辑回归课的final project但缺少很多细节与检验，教授如果考完会针对性的提出一堆意见让修改hhhh

♥ 41 ↩ 3

统计学不是这样用的

♥ 38 ↩ 5

一命二运三风水，四积阴德五读书😂 人生旷野而不是轨道，关于变有钱（或者说达成自我价值实现），不要急，不强求 毕竟决定性的，是不可知的

♥ 37 ↩ 1

小凡出品，必属精品[墨镜]

♥ 35 ↩ 20

个人的一些浅薄见解，我认为在实际情况中，决定一个人赚钱能力的变量往往是相互联动的，单一变量对整体结果的影响往往受到其他变量的影响，所以仅仅使用传统的线性回归对数据进行拟合，通过改变某个单一变量的数值，来试图论证该单一变量对整体结果的影响，得出的结果必然是有失偏颇的。我认为如果真的要研究这个问题，更加科学的做法，应该是使用神经网络等结构去拟合数据分布，挖掘数据之间更深层次的关联，或许得到的结论相比于线性回归会距离实际情况更近一些。

♥ 34 ↩ 3

这期和之前的几期相比差距有点大，这种有一点点专业性的理工类主题最好还是不要做，愿意看这种长科普视频的人大多都有一定的知识储备，一些过于基础的错误让视频专业度严重下降。看完整个视频不仅没什么收获，还觉得浪费了很多时间。

♥ 29