《商务与经济统计》是一本由安德森(Anderson D R.) / 斯威尼(Sweeney著作，机械工业出版社出版的平装图书，本书定价：108.00元，页数：530，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。
《商务与经济统计》精选点评：
●有用
●很棒的统计书籍，将概念和具体事例背景相结合，有助于理解~推荐！
●目前为止，觉得是mba里最有用的课程了。
●统计学必备书籍
●统计学入门
●看了一半，终于看不下去了，中文英文的我都有看。 废话太多，把知识点都冲淡了。 据我看的前一半来说，可汗学院的统计学公开课都有讲过，但是被可汗爆成渣。 有的甚至洋洋洒洒几十页不如可汗几分钟……
●感谢你让我学到死去活来。 很有用，但是第一次过真的差点把我看吐了。
●清晰到不行，真的超爱啊
●言简意赅，适合入门
●前几章就是概率论与数理统计的课程内容，不过扩展的好多内容当时没细讲，算是补充吧
《商务与经济统计》读后感(一)：挂科率高，很牛逼
就这本破书，让我挂科了。后天补考，真是醉了。
看一遍没用，多做题，多记笔记。有学长学姐的笔记看，更容易理解，但是是更重要的是实际操作，做题吧。
书的内容很有趣，各种商务公司的都有简称，例子比较靠谱。
我们学社会统计学用这个有点难，但是专门学的选择这个挺好。
嗯，翻译的东西看起来没有国人写的舒服。有些话没头没脑不好理解。（理科生，高材生请无视，）
最后说一句，文科生谨慎进入
《商务与经济统计》读后感(二)：自学的话，不适合当第一本统计教材
看了一半，终于看不下去了，中文英文的我都有看。 废话太多，把知识点都冲淡了。 据我看的前一半来说，可汗学院的统计学公开课都有讲过，但是被可汗爆成渣。 有的甚至洋洋洒洒几十页不如可汗几分钟…… 去看All of statistic 了…… 希望不会让我失望…… ——————更新———— 书是好书，如果没有概率论与数理统计的基础知识，本书的知识点全都被其通俗的语言打散了，难以体会到其中精髓，就等于焚琴煮鹤了。
如果你有学过概率论与数理统计，那可以一看；如果没学过，去学完再来看。
《商务与经济统计》读后感(三)：非常详实，但不是特别通俗
为了学统计同时看了《行为科学统计》、《行为统计学基础》、《商务与经济统计》、《深入浅出统计学》。都是好书，但推荐前两本。第三本对公式和过程解释得不是特别简单，最后的不够系统，但是对核心概念解释得比较好，我是拿来参考不懂的概念的。
《行为科学统计》我做了详细的全书笔记，可参考
https://book.douban.com/review/10196034/
《商务与经济统计》读后感(四)：白话统计的乐趣 - 基础应用统计的入门佳作
本科时候对统计学的印象，就是几本不厚的书，里面一堆又一堆莫名其妙的公式，背下来考试时候套一套就可以过了。然而发现统计在生活工作中如此深刻而有效的应用后，才会发觉统计的乐趣。
基础的应用统计有两个作用：
1. 已知一个分布的模型，然后应用到实际问题中来。所有的模型性质和样本产生的机制都清清楚楚，那么分析和预测是多么愉快的一件事。
2. 已知一大堆的样本数据和相关信息，来做实际的分析工作。什么都没有，只有一堆数据，也能进行大量有效的分析，这个就更厉害了。
一、基础应用统计的三大奇迹
三个具有历史意义的重大发现，现在看来无比的简单，却蕴含着深刻的哲理，也是最有效的理论工具。第一、随机变量的相关性。任何一大堆X的样本值和Y的样本值，他们有没有什么联系，一个变化了另一个会怎样变化，这就是相关性；第二，中心极限定理。一大堆独立同分布的任何随机变量(存在均值和方差)，数量足够多的情况下，这一堆数的均值都是正态分布，而且方差和根号n成反比。第三，正态分布。
二、已发现并研究透彻的分布模型
先人们通过观察和认真思考，发现了这些无处不在的总体分布模型，并透彻研究了他们的均值，方差，概率函数，分布函数与各种特性。我们遇到同样的问题，可以直接套用前辈们的研究成功，多么开心的一件事。
离散型: 1. 多次抛硬币的正反面出现次数的分布-> 伯努利分布
2. 公司每分钟接到电话数量的分布（同样事件在单位时间内发生的次数 )-> 泊松分布
3. 一堆白球一堆黑球，抽取n次刚好x个白球的分布(不放回的二次分布) -> 超几何分布
连续型：1.扔塞子的点数的分布 -> 均匀分布
2.身高/考试成绩分布 -> 正态分布
3. 公司每接到两个电话之间间隔的时间的分布(同样时间发生的时间间隔分布) -> 指数分布
4. 收入财富的分布 -> 幂率分布
三、从数据样本下手 - 用统计量和统计量的分布（抽样分布/点估计/区间估计/检验假设/统计推断）
不知道分布的情况下，没法套用模型。只能从一堆抽样的样本中，找寻数据的价值，幸好先人们对样本分布研究了一些方法。对独立同分布的随机变量的总体均值的分布研究思路如下：
1.万物均值皆正态。 不知道随机变量的分布没关系，根据中心极限定理，大量独立同分布随机变量的样本的整体均值分布都是正态分布，符合N(μ，σ2/sqrt(n))。并且样本均值分布的μ就是原随机变量的均值，那么即便不知道随机变量的分布，至少均值是很容易知道了。
2. 通过样本统计量的分布的计算，进行样本分布的各种估计与推断。核心在于找到对应的样本统计量，并运用统计量分布来推导当前样本的分布。
点估计:
样本均值，算出来就是随机变量均值μ 的无偏估计量
样本方差，算出来就是随机变量方差σ2 的无偏估计量
区间估计:
无偏是不够的，还要说明一下上下波动的范围，以及对应的置信度。这就是区间估计。对于样本均值的区间：如果知道分布模型的方差，样本的Z统计量满足标准正态分布，对着正态分布的概率密度图，根据自己期望的置信区间换算出来对应的置信度，或者反之；如果不知道分布模型的方差，样本的T统计量满足自由度为n-1的t分布，对着t分布的概率密度图，做同样的换算即可。同理，通过样本方差和卡方分布可以计算出方差的区间估计。
检验假设：
实质上和区间估计一回事，就是从假设的反命题入手，应用的更广泛一些。区间估计是根据样本统计量分布的置信度来确定置信区间；检验假设也是根据样本统计量分布，不过是通过反命题的拒绝域（p值）出发，来确定拒绝空间（t分布情况的t值，正态分布的z值，卡方分布的卡方值等）。
统计推断：
对非总体均值的研究，也是类似的方法，可以通过适当的统计量的分布，来推断一些其他的问题。如两总体均值之差是否相等，一个整体方差的区间估计，两个整体方差是否相等等等问题。核心都是找到适合的已知分布的统计量，总的思路大同小异：对于总体均值类问题，用正态分布/t分布的统计量来进行区间估计和检验假设；对于总体方差类问题，用卡方和F分布的统计量进行区间估计和检验假设。
四、从数据样本下手 - 相关性分析（回归模型）
有很多种计算随机变量X和Y的相关性的方法，皮尔森相似度，线性回归，决策树等等。线性回归是一种针对，XY有存在单调性关系的有效的解决方法。
模型公式：y=b0+b1*x+e
前提与假设：e是独立同分布的随机扰动变量。且满足均值为0，标准差未知的正态分布。
求解参数方法： 最小二乘法，目标函数为最小化残差的平方和。
拟合优度与相关系数：拟合结果的评估可以用分解平方和的方式进行归一化。SSE为残差部分的平方和，SSR为回归部分的平方和，SST是总的平方和。在最小二乘的约束下，可以证明SST=SSR+SSE。那么拟合优度的计算就很简单了，用SSR/SST，或者1-SSE/SST。总之，求得总平方和种，回归部分的占比，或者1-残差部分的占比，越高表示回归的结果越强。开方该值介于-1到1之间，可以作为相关系数的一种求法，和皮尔森相关系数的计算结果非常接近。
显著性分析：书中这部分直接摆公式教你怎么用，其实每一步的证明都可以单独列为一个章节。采用检验假设的方法，构建虚无假设：X与Y无关，即b1的期望为0。由于残差e有正态分布的前提，系数b1可视为一个统计量，可以证明b1的样本分布也为正态分布，b1的期望为0并且b1的样本方差可以由y和x的样本推导出来。于是，对于统计量b1，进行t检验，由给定的p值拒绝域，计算出对应的t值。该p值表示了，b1在期望为0的情况下，得到当前期望值的概率。如果p极低，可以拒绝虚无假设。
残差分析：回归模型以e是独立同分布，且均值为0的正态分布作为前提。因此参数得出后，可以观察残差的分布。如果是独立的正态的，则说明假设正确，拟合的不错；如果前后存在明显的相关性，或者明显不是正态，那么就是有问题的。回归的结果不可靠。
共线性问题：多元变量很容易出现共线性问题，多个自变量有相关性。直接造成参数估计量的方差变大，各个变量的t值变小，显著性检验变得无效。如果发现回归的F值（根据残差平方和占比计算）很大，t值确很小，即回归有效的降低了残差平方和，但是各个自变量都不显著，通常就是发生了共线性问题。也可以直接对各个自变量做相关性分析，相关性高的话就要注意一下了。解决这个问题方法很多，比如增加样本数据量，可以降低参数统计量的方差，降低共线性造成的影响；也可以降维，如PCA方法，把自变量投影到低维度的正交的新坐标中；也可以通过rigde/lasso增加正则惩罚，限制自变量的权重和数量的增加。
先写这么多吧。总之，这本书是面向统计学新人的一本好书。感觉像一堆教授用很啰嗦的例子，各种白话教小朋友。很适合入门的新人理解并打基础。但是，如果有了不错的基础，估计就翻小说一样看了，并没有很深入的探究。