我打个比方：在没有上下文的情况下解决统计问题就像蒙眼拳击。你可能会击倒你的对手，但你可能会在环柱上猛击你的手。

我主要与医学和社会科学研究人员一起工作。那里似乎有一种普遍的感觉，即适当的研究模型是

1）他们提出一个想法，收集数据，写下它，然后 2）他们把它交给我们“做统计”。

所以，我同意我们需要了解这些问题；当然，我们不需要像从业者那样对研究有充分的了解。这就是为什么我（和许多其他数据人员）可以与不同专业的人一起工作的原因。但是，我们对某个主题的了解越少，我们就越需要与专业人士互动以确保结果有意义。

我喜欢我所做的许多事情之一就是我可以学到很多不同的科目。

领域知识在我们的职业中有多重要？

• 重要到足以为面向领域的数据分析赋予不同的名称（例如 -metrics：生物计量学、心理计量学、化学计量学……）

• 领域知识和统计知识的结合是非常重要的

  • 实验设计，例如实用的./。统计可行性、特定领域规范、样本量规划
  • 指导数据分析（什么样的转换或预处理在物理/生物/化学上有意义？需要对原始数据进行哪些更正？，数据质量标准，启发式）
  • 检查结果是否可能有意义/正确
  • 结果的解释
    这是一个分类器的特定领域解释的例子，这只是因为数据分析和光谱知识都在手边（“描述性 LDA 和光谱解释”部分）。试着想象一个没有光谱知识的数据分析师和一个不知道 LDA 的光谱学家之间需要多少沟通才能得出这样的解释。
  • 在已发表结果（缺乏）可重复性的背景下，人们担心进行的研究好像没有对该领域/问题/数据的进一步了解，参见例如 E. R: Dougherty: Biomarker development: Prudence, risk, and再现性，BioEssays，2012, 34, 277-279。
    Beck-Bornholt & Dubben可能会争辩说，结合更多的领域知识会提高好的科学思想的流行度（先验概率）。
  • 没有免费的午餐定理暗示了同样的方向。

  （我是一名化学计量学和光谱学专业的化学家，同时进行测量和数据分析）

输入工作时选择域是否会缩小您未来的域选择范围，从而缩小工作范围？

也许，但与此同时，您将能够在该领域获得更多专业知识，从而可以申请专业工作（我的经验是我们化学计量学家是一个非常需要的物种）。

而且，此外，您表明您能够加入新领域的工作。