O que considerar sobre os programas de mestrado em estatística


36

É temporada de admissão para escolas de pós-graduação. Agora eu (e muitos estudantes como eu) estamos tentando decidir qual programa de estatística escolher.

  1. Quais são algumas das coisas que aqueles que trabalham com estatísticas sugerem que consideremos os programas de mestrado em estatística?
  2. Existem armadilhas ou erros comuns que os alunos cometem (talvez com relação à reputação da escola)?
  3. Para o emprego, devemos procurar focar nas estatísticas aplicadas ou em uma mistura de estatísticas aplicadas e teóricas?

Edit: Aqui estão algumas informações adicionais sobre minha situação pessoal: Todos os programas que estou considerando agora estão nos Estados Unidos. Alguns focam no lado mais aplicado e dão mestrado em "estatística aplicada", enquanto outros têm mais cursos teóricos e concedem diplomas em "estatística". Pessoalmente, não tenho a intenção de trabalhar em um setor em detrimento de outro. Tenho experiência em programação e conheço a indústria de tecnologia um pouco melhor do que, digamos, a indústria de genômica ou bioinformática. No entanto, estou procurando principalmente uma carreira com problemas interessantes.

Editar : tentou tornar a pergunta mais geralmente aplicável.


8
Isso depende muito de muitos fatores pessoais, dificultando o aconselhamento. Não sabemos de que parte do mundo são seus programas, quão focados seus interesses já são ou quais são. A questão é declarada de maneira ampla demais para ser respondida com autoridade, mas correria o risco de ser fechada como localizada demais se fosse voltada apenas para aconselhar apenas uma pessoa. Sugiro fornecer um pouco mais de contexto, mas não especificá-lo apenas para o seu caso particular.
cardeal

1
Justo. Todos os programas que estou considerando agora estão nos Estados Unidos. Alguns focam no lado mais aplicado e dão mestrado em "estatística aplicada", enquanto outros têm mais cursos teóricos e concedem diplomas em "estatística". Pessoalmente, não tenho a intenção de trabalhar em um setor em detrimento de outro. Tenho experiência em programação e conheço a indústria de tecnologia um pouco melhor do que a indústria de genômica ou bioinformática. No entanto, estou procurando principalmente uma carreira com problemas interessantes.
AttemptedStudent

Obrigado. Isso é muito útil. Eu ainda acho que o wiki da comunidade seria melhor, mas isso possibilita uma conversa mais produtiva aqui. (excluindo meu comentário anterior ..)
gung - Restabelece Monica

Respostas:


47

Aqui está um conjunto um tanto franco de pensamentos e recomendações gerais sobre programas de mestrado em estatística. Não pretendo que eles sejam polêmicos, embora alguns deles possam parecer assim.

Eu vou assumir que você está interessado em um mestrado terminal para depois entrar na indústria e não está interessado em buscar um doutorado. Por favor, não tome esta resposta como autorizada.

Abaixo estão vários pontos de conselhos de minhas próprias experiências. Ordenei-os muito aproximadamente do que acho mais importante, pelo menos. Ao escolher um programa, você pode ponderar cada um deles, levando em consideração alguns dos pontos abaixo.

  1. Tente fazer a melhor escolha para você pessoalmente . Há muitos fatores envolvidos nessa decisão: geografia, relacionamentos pessoais, oportunidades de trabalho e networking, cursos, custos de educação e vida, etc. O mais importante é avaliar cada um deles e tentar usar seu próprio julgamento. . Você é o único que, em última análise vive com as conseqüências de sua escolha, tanto positivas como negativas, e você é o único em posição de avaliar a sua situação toda. Aja de acordo.

  2. Aprenda a colaborar e gerenciar seu tempo . Você pode não acreditar em mim, mas é provável que um empregador se preocupe mais com sua personalidade, capacidade de colaborar com outras pessoas e capacidade de trabalhar com eficiência do que com suas habilidades técnicas. A comunicação eficaz é crucial nas estatísticas, especialmente quando se comunica com não estatísticos. Saber gerenciar um projeto complexo e fazer progresso constante é muito importante. Aproveite as oportunidades estruturadas de consultoria estatística, se existirem, na instituição escolhida.

  3. Aprenda uma área cognata . A maior fraqueza que vejo em muitos mestres e doutores em estatística, tanto na indústria quanto na academia, é que eles geralmente têm muito pouco conhecimento sobre o assunto. O resultado é que às vezes as análises estatísticas "padrão" são usadas devido à falta de entendimento dos mecanismos subjacentes do problema que eles estão tentando analisar. O desenvolvimento de alguma experiência em uma área cognata pode, portanto, ser muito enriquecedor, tanto estatisticamente quanto profissionalmente. Mas, o aspecto mais importante disso é o próprio aprendizado: perceber que a incorporação do conhecimento do assunto pode ser vitalpara analisar corretamente um problema. Ser competente no vocabulário e no conhecimento básico também pode ajudar bastante na comunicação e melhorará a percepção que seus colegas não estatísticos têm de você.

  4. Aprenda a trabalhar com (grandes) dados . Os conjuntos de dados em praticamente todos os campos que usam estatísticas cresceram tremendamente em tamanho nos últimos 20 anos. Em um ambiente industrial, você provavelmente gastará mais tempo manipulando dados do que analisando- os. Aprender bons procedimentos de gerenciamento de dados, verificação de sanidade etc. é crucial para uma análise válida. Quanto mais eficiente você se torna, mais tempo você gasta fazendo as coisas "divertidas". Isso é algo muito subestimado e subestimado em programas acadêmicos. Felizmente, agora existem alguns conjuntos de dados maiores disponíveis para a comunidade acadêmica com os quais se pode brincar. Se você não puder fazer isso dentro do próprio programa, gaste algum tempo fazendo isso fora dele.

  5. Aprenda regressão linear e a álgebra linear aplicada associada muito, muito bem . É surpreendente quantos mestres e doutorados obtêm seus diplomas (dos programas "top"!), Mas não conseguem responder perguntas básicas sobre regressão linear ou como funciona. Ter este material frio irá atendê-lo incrivelmente bem. É importante por si só e é a porta de entrada para muitas, muito mais avançadas técnicas estatísticas e de aprendizado de máquina.

  6. Se possível, faça um relatório ou tese de mestrado. Os programas de mestrado associados a alguns dos principais departamentos de estatística dos EUA (geralmente avaliados mais em seus programas de doutorado) parecem ter se afastado da incorporação de um relatório ou uma tese. O fato é que um programa puramente baseado em curso geralmente priva o aluno de desenvolver qualquer profundidade real de conhecimento em uma área específica. A área em si não é tão importante, a meu ver, mas a experiência é. A persistência, gerenciamento de tempo, colaboração com o corpo docente, etc., necessários para produzir um relatório ou tese de mestrado, podem render muito quando se muda para a indústria. Mesmo que um programa não anuncie um, se você estiver interessado nele, envie um email para o coordenador de admissões e pergunte sobre a possibilidade de um programa personalizado que permita isso.

  7. Faça o curso mais desafiador que você pode gerenciar . Embora o mais importante seja entender muito bem o material principal, você também deve usar seu tempo e dinheiro com sabedoria, desafiando a si mesmo o máximo possível. O assunto específico que você escolhe aprender pode parecer bastante "inútil", mas obter algum contato com a literatura e desafiar-se a aprender algo novo e difícil tornará mais fácil quando você precisar fazê-lo mais tarde na indústria. Por exemplo, aprender um pouco da teoria por trás das estatísticas clássicas acaba sendo bastante inútil para o trabalho diário de muitos estatísticos industriais, mas os conceitos transmitidos são extremamenteútil e fornecer orientação contínua. Também fará com que todos os outros métodos estatísticos com os quais você entra em contato pareçam menos misteriosos.

  8. A reputação de um programa é importante apenas para o seu primeiro emprego . Muita ênfase é colocada na reputação de uma escola ou programa. Infelizmente, essa é uma heurística que economiza tempo e energia para os gerentes de recursos humanos. Esteja ciente de que os programas são julgados muito mais por seus programas de pesquisa e doutorado do que pelos programas de mestrado. Em muitos desses departamentos, os estudantes de MS acabam se sentindo um pouco como cidadãos de segunda classe, já que a maioria dos recursos é gasta em programas de doutorado.

    Um dos jovens colaboradores mais brilhantes em estatística com quem trabalhei tem doutorado em uma pequena universidade estrangeira da qual você provavelmente nunca ouviu falar. As pessoas podem obter uma educação maravilhosa (às vezes muito melhor, especialmente nos níveis de graduação e mestrado!) Nas instituições "sem nome" do que nos programas "top". É quase garantido que eles obtenham mais interação com o corpo docente principal.

    O nome da escola no topo do seu currículo é provável que tenha um papel em começá-lo na porta para o seu primeiro emprego e as pessoas se preocupam mais sobre onde o seu grau mais avançado veio de onde quaisquer outros fizeram. Após o primeiro trabalho, as pessoas se preocupam substancialmente com a experiência que você traz para a mesa. Encontrar uma escola em que muitas oportunidades interessantes de trabalho cheguem até você através de feiras de carreira, e-mails circulados etc. pode ter um grande retorno e isso acontece mais nos melhores programas.

Uma observação pessoal : Pessoalmente, tenho preferência por programas um pouco mais teóricos que ainda permitam algum contato com dados e um punhado de cursos aplicados. O fato é que você simplesmente não se tornará um bom estatístico aplicado ao obter um diploma de mestrado. Isso vem apenas com (muito mais) tempo e experiência na luta com problemas e análises desafiadores diariamente.


14
+1. Às vezes, como aqui, uma boa resposta vale a pena manter uma pergunta.
whuber

4
Eu sei que esta é uma decisão muito individual. No entanto, sua resposta cuidadosa ajuda muito. É particularmente interessante ver o quanto você classificou a aprendizagem de uma área cognata. Alguns programas me permitem fazer cursos em outros departamentos. Agora estou começando a pensar que a amplitude é uma característica particularmente valiosa do programa.
precisa

(+1) Resposta muito boa. Eu particularmente gostei do ponto 3.
chl

2
@AttemptedStudent: Tradicionalmente, acho que a maioria dos estudantes de pós-graduação (PhD, em particular) em estatística tem formação em matemática e teve pouco contato com problemas reais aplicados que requerem conceitos e pensamento estatísticos. Isso pode ser parte da razão pela qual a aprendizagem de uma área cognata terminou no topo da minha lista. Mas, como mencionei no corpo, a encomenda é um pouco difícil. :)
cardeal

1
+1, boa resposta. Eu gostei dos pontos 3-5. A observação sobre a manipulação de dados está no local.
precisa saber é o seguinte

1

Eu aconselho a entrar na melhor escola possível com um nome de marca (como MIT) ou o melhor negócio geral (por exemplo, uma escola pública decente com aulas no estado). Eu não desperdiçaria dinheiro em escolas particulares de segunda classe.

O pagamento das escolas da marca. A diferença de preço entre uma escola como o MIT e escolas de segundo nível como a GWU não é grande o suficiente para justificar a diferença no poder da marca.

Por outro lado, algumas escolas públicas, como William e Mary, apesar de baratas, oferecem educação decente. Alguns deles até têm poder de marca comparável, por exemplo, Berkeley vs. Stanford. Portanto, devido à significativa diferença de custo, elas são uma alternativa às melhores escolas particulares.


-5

Dê uma olhada em Farmacoepidemiologia. Em particular no que se refere à segurança de medicamentos. Esta é uma área de pesquisa muito nova, com muitas perguntas muito interessadas.


1
Isso foi postado acidentalmente no lugar errado?
Macro
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.