▲我们生活在繁芜纷杂的现象界，任何现象由无结论的表象与结论型的判断所构成。如何洞察现象背后的本质与底层逻辑，从而走进客观世界呢？
☞无结论的表象，可以视为一个多维空间概念，包括线性空间与非线性空间。我们可以在某个约束条件下(即定义域)，先统计出此表象所涵盖的不同参数(即自变量或标量)，然后按不同的属性分成一组线性无关的向量，最后做矩阵分析，求关键变量
P.S.简单的非线性变量可以求线性近似，复杂的非线性变量需复杂的数学，包括ML与DL等工具
☞结论型的判断，可以视为一个因变量，同样在某个约束条件下，通过某个数学方式做为逻辑结构，推导出输入的自变量，然后分析此自变量是否为关键变量。日常生活中的结论通常是自然语言，由不同概念所组成的一个判断，在概念明确的基础上，分析此概念是否关键变量，作为评判结论的合理与否
☞现实情况往往错综复杂，尤其是社科类属于复杂的非线性关系，我们只能求出近似最优解，或通过概率模型求出概率值。数学对于社科更多的侧重于思维上的理解，很难达到标准的量化要求(即显著性水平α为0.05)，或者调整参数的阈值，如设置α为0.2，当p＜0.2时，则表示置信水平大于80％
P.S.社科类提升成功的概率，应通过增加多次决策机会来实现，即增加多个项目，而不是将成功的希望放在唯一的项目上
✍综上所述：任何现象可以作为多维空间概念或因变量，然后通过构建数学模型求关键变量的方式洞察现象背后的本质与底层逻辑
--End-任何分析皆需因时、因地、因宜动态的调整系统参数，此之谓贝叶斯思维
