年这个许多领域还处在摸索阶段的年代来说，还没有出现的东西。
比如回归分析。
这个年代的人做数据分析，还停留在‘看趋势’、‘比大小’的阶段。
费兰教她把一组数据拆成若干个变量，看每个变量对结果的影响有多大。
哪个是主因，哪个是次因，哪个看起来重要其实无关紧要，一张张表列出来，清清楚楚。
比如相关性检验。
这个年代的人看到两件事同时发生，很容易得出‘甲导致了乙’的结论。
费兰告诉她：同时发生，不一定有因果关系。
要先排除巧合，排除第三方因素的影响，才能下结论。
比如抽样方法。
这个年代的人做调查，往往是‘能找到什么数据就用什么数据’。
费兰告诉她：数据来源的偏差，比数据本身的误差更致命。
样本要有代表性，要有随机性，要能经得起推敲。
这些在后世任何一个大学统计学入门课上都会讲到的东西，在1933年的华盛顿，即便不算降维打击，但也能称作是远超时代的方式。
当然，光有方法不够。
艾米莉本身就有很好的底子。
她毕业于马里兰州的巴尔的摩女子学院，那是一所规模不大、名声不显的学校，但它的统计学专业在东海岸颇有名气。
她在那里打下了扎实的基础，只是毕业后进了财政部，日复一日地做着重复性的数据整理工作，那些学过的知识，渐渐蒙上了灰。
现在，费兰帮她把那些灰擦掉了。
办公室里，费兰正在翻阅一份报告。
艾米莉站在他对面，双手垂在身侧，姿态比以前放松了许多。
她不再像第一次交报告时那样忐忑不安，手指不再绞着衣角，呼吸也不再刻意放轻。
取而代之的，是一种沉稳的、不慌不忙的自信。
十分钟后，费兰放下报告，抬起头。
“不错，特别是贷款结构那部分，你把行业相关性分析加进去了，还做了压力测试，这个思路很好，整个报告的数据支撑很扎实，逻辑链条也清楚。”
艾米莉的嘴角微微上扬，没有意外，也没有狂喜，只是轻轻点了点头。
她已经学会了接受自己的进步。
费兰放下文件，看着她：“下午，起草团队会发一份数据到统计处去分析，到时候你可以去要一份