¿Qué áreas de estadística matemática son altamente empleables?

Estoy a punto de terminar mis honores en estadística, y realmente quiero hacer un doctorado porque encuentro que las estadísticas matemáticas son extremadamente interesantes. Las áreas de investigación en las que más quiero hacer un doctorado son procesos estocásticos y series de tiempo.

Sin embargo, también quiero seguir una carrera en el sector privado después de mi doctorado. Me preguntaba qué áreas de estadística matemática se usan más en el sector privado y en qué tipos de trabajos.

Obviamente no voy a hacer un doctorado solo porque sea empleable, pero siento que definitivamente es algo que debo considerar y por eso me gustaría un consejo.

Estoy respondiendo como alguien que rutinariamente evalúa y contrata a científicos de datos.

Como persona que realiza la transición del estudio académico a una carrera en el sector privado, no va a ser contratado debido a las habilidades específicas que tenga. El mundo del estudio académico en estadística, y el dominio del conjunto de problemas de cualquier compañía son demasiado grandes para contratarlos en base a conjuntos de habilidades específicas definidas con mucha precisión.

En cambio, lo contratarán porque puede demostrar una aptitud general para el pensamiento preciso, una sed y un talento para la resolución de problemas, una capacidad para comprender y comunicar ideas abstractas y complejas, y un conjunto diverso de habilidades prácticas y teóricas.

Entonces, mi consejo, y solo soy un chico, haz lo que amas y desarrolla sed de resolución de problemas, matices y complejidad. Aprenda un conjunto diverso de habilidades y conozca bien sus fundamentos (mejor que su tema de investigación)

Ah, y aprende a programar.

Eso tiene mucho sentido, muchas gracias por la atenta respuesta. ¿Hay algún lenguaje de programación en particular que recomendaría?

Pregunta difícil de responder sin ser obstinado.

Mi opinión personal es que realmente no importa, así que aprende el que más te guste y eso te motiva a seguir aprendiendo. Aprender su primer idioma realmente bien es el gran obstáculo. Después del primer aprendizaje, otro (y otro y otro) es mucho, mucho más fácil porque ya ha enfrentado los difíciles desafíos conceptuales.

Pero aprende el idioma , así , aprender cómo funciona el lenguaje y la razón por la que se diseñó la forma en que estaba. Escriba un código limpio al que no tenga miedo de regresar. Tome el código escrito como una responsabilidad seria, no una realidad desafortunada. Esto lo hace más gratificante y una habilidad real que puede anunciar.

Si aún desea consejos específicos, me gustaría hacer eco de @ssdecontrol, prefiero un lenguaje de propósito general que pueda hacer estadísticas sobre un lenguaje de estadísticas que puede (un poco) hacer un propósito general.

Si su interés está en las habilidades que son "comercializables", diría que aprenda sobre una variedad de técnicas de modelado (GLM, modelos de supervivencia continuos y discretos, bosques aleatorios, árboles potenciados) con énfasis en la predicción sobre la estimación. En ocasiones, las estadísticas matemáticas pueden atascarse demasiado en la estimación bajo modelos paramétricos, tratando de responder preguntas que se vuelven irrelevantes cuando el modelo no es literalmente cierto. Entonces, antes de profundizar demasiado en un problema, considere si aún es interesante y aplicable cuando el modelo no funciona, porque nunca lo hará. Debería poder encontrar muchas de estas preguntas en el campo de las series temporales, si es allí donde radica uno de sus intereses.

También aprecio que hay desafíos involucrados en el análisis de datos del mundo real para los que una educación en estadística por sí sola no puede prepararlo, por lo que consideraría complementar su educación con el estudio de temas como bases de datos relacionales y computación general. Estos campos también pueden ser muy fascinantes y ofrecen una perspectiva refrescante de los datos.

Finalmente, como Matthew Drury ya señaló, es esencial poder programar. Trabajaría para fortalecerme con R y / o Python, y comenzaría a aprender sobre SQL, que inevitablemente encontrarás. Muchas compañías todavía usan SAS, pero ¿realmente quieres trabajar para una? Un lenguaje compilado como C o Java tampoco hace daño, pero esto no es realmente crítico.

Como alguien que pasó su carrera postdoctoral en la industria, diría esto.

1. La respuesta de Matthew Drury es de primera clase. Las observaciones de dsaxton sobre predicción vs estimación también son buenas.
2. Aprende a programar usando lo que sea que te ayude a superar la escuela de posgrado con rapidez. Hazte bueno en eso. Una vez que dominas un idioma con fluidez, es fácil aprender otros y probablemente lo hagas a expensas de tu empleador.
3. Las bases de datos no se volverán más pequeñas y probablemente no serán más limpias. Predeciría que las técnicas para lidiar con datos gigantescos, desordenados / faltantes son una apuesta decente en las próximas dos o tres décadas.

La mayoría de las respuestas actuales están orientadas a la "ciencia de datos", que definitivamente es un área altamente empleable. Como el póster original mencionaba un interés particular en los procesos estocásticos y las series de tiempo, otra área de estadística matemática * que puede ser relevante es la estimación del espacio de estados .

Esto se usa para estimar modelos en los que el sistema evoluciona debido a la retroalimentación entre procesos altamente estructurados (cuasi) deterministas y forzamiento estocástico. Por ejemplo, la estimación del espacio de estado es ubicua en los vehículos autónomos .

(* Esta área comúnmente se considera parte de la ingeniería u otros dominios , pero ciertamente involucra estadísticas matemáticas).

No sugeriría algo radicalmente nuevo, pero como un recolector de datos profesional, me gustaría enfatizar algunos puntos.

1. Todas las habilidades comercializables no son solo un conjunto de habilidades aisladas individuales, sino que son un paquete sincronizado completo. Y por paquete, quiero decir,

2. Un conjunto de habilidades prácticas, con un dominio extremadamente alto. Al igual que puede formar un juicio significativo dada una pila de datos. Y para un tipo de nivel de doctorado (o para cualquier persona que se acerque a ellos), los empleadores estarían más interesados ​​en aportar una coincidencia cognitiva del mundo real que pueda aportar con un conjunto de datos dado. Para aclarar, como ejemplo,

3. El conjunto de habilidades que puede emplear para la extracción de datos de API, escribir códecs y controladores en el proceso si ha encontrado que el proceso es inflexible en la medida en que es posible que no pueda aprovechar todo su potencial. Luego utilizando elementos del análisis estadístico para una transformación de datos en información. Este proceso es tan crudo y tan auténtico que cuanto más diverso y profundo sea tu aprendizaje, mejor información (s) podrás recuperar. Una vez me han dicho que dominar las matemáticas que pueden dar una respuesta al problema es una cosa, pero interpretar esa respuesta en el mundo real es solo otra habilidad.

4. Por último y extremadamente importante, ¿puede presentar visualizaciones de sus conclusiones para que todos las vean y entiendan sin que nadie que no sea de su campo relacionado no haga más de 3 preguntas de seguimiento? Y aquí es donde estaría dando su analogía a los procesos del mundo real. Es un poco difícil, pero una vez dominado, generalmente paga buenos dividendos, a lo largo de su carrera.

Para todos estos, desde mi punto de vista, un consejo útil es preguntarse constantemente mientras se estudian cosas nuevas sobre cómo se puede emplear en el mundo real. Sí, a veces se vuelve incómodo cuando uno profundiza en las abstracciones, pero sin embargo, es un hábito que bien vale la pena, y a menudo separa a los súper empleados de los simplemente altamente educados. ¡Buena suerte!