统计分析方法总结
1.连续性资料
1.1 两组独立样本比较
1.1.1 资料符合正态分布,且两组方差齐性,直接采用t检验。
1.1.2 资料不符合正态分布，（1）可进行数据转换,如对数转换等,使之服从正态
分布,然后对转换后的数据采用t检验；（2）采用非参数检验,如Wilcoxon 检验。
1.1.3 资料方差不齐，（1）采用Satterthwate 的t’检验；（2）采用非参数检验,
如Wilcoxon检验。
1.2 两组配对样本的比较
1.2.1 两组差值服从正态分布，采用配对t检验。
1.2.2 两组差值不服从正态分布，采用wilcoxon的符号配对秩和检验。
1.3 多组完全随机样本比较
1.3.1资料符合正态分布，且各组方差齐性，直接采用完全随机的方差分析。如
果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有
LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。
1.3.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Kruscal－
Wallis法。如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用成组的Wilcoxon检验。
1.4 多组随机区组样本比较
1.4.1资料符合正态分布，且各组方差齐性，直接采用随机区组的方差分析。如
果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD 检验，Bonferroni法，tukey法，Scheffe法，SNK法等。
1.4.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Fridman检
验法。如果检验结果为有统计学意义，则进一步作两两比较，一般采用
Bonferroni法校正P值，然后用符号配对的Wilcoxon检验。
****需要注意的问题：
（1）一般来说，如果是大样本，比如各组例数大于50，可以不作正态性检验，直接采用t检验或方差分析。因为统计学上有中心极限定理，假定大样本是服从正态分布的。
（2）当进行多组比较时，最容易犯的错误是仅比较其中的两组，而不顾其他组，这样作容易增大犯假阳性错误的概率。正确的做法应该是，先作总
的各组间的比较，如果总的来说差别有统计学意义，然后才能作其中任意
两组的比较，这些两两比较有特定的统计方法，如上面提到的LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。**绝不能对其中的两组直接采用t检验，这样即使得出结果也未必正确**
（3）关于常用的设计方法：多组资料尽管最终分析都是采用方差分析，但不同设计会有差别。常用的设计如完全随即设计，随机区组设计，析因设计，裂区设计，嵌套设计等。
2．分类资料
2.1 四格表资料
2.1.1 例数大于40，且所有理论数大于5，则用普通的Pearson 检验。
2.1.2 例数大于40，所有理论数大于1，且至少一个理论数小于5，则用校正的
检验或Fisher’s确切概率法检验。
2.1.3 例数小于40，或有理论数小于2，则用Fisher’s确切概率法检验。
2.2 2×C表或R×2表资料的统计分析
2.2.1 列变量＆行变量均为无序分类变量，则（1）例数大于40，且理论数小于5
的格子数目<总格子数目的25％，则用普通的Pearson 检验。（2）例数小于40，或理论数小于5的格子数目>总格子数目的25％，则用Fisher’s确切概率法检验。
2.2.2列变量为效应指标，且为有序多分类变量，行变量为分组变量，用普通的
Pearson 检验只说明组间构成比不同，如要说明疗效，则可用行平均分差检验或成组的Wilcoxon秩和检验。
2.2.3 列变量为效应指标，且为二分类变量，行变量为有序多分类变量，则可采
用普通的Pearson 检验比较各组之间有无差别，如果总的来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。
2.3 R×C表资料的统计分析
2.2.1 列变量＆行变量均为无序分类变量，则（1）例数大于40，且理论数小于5
的格子数目<总格子数目的25％，则用普通的Pearson 检验。（2）例数小于40，或理论数小于5的格子数目>总格子数目的25％，则用Fisher’s确切概率法检验。（3）如果要作相关性分析，可采用Pearson相关系数。
2.2.2列变量为效应指标，且为有序多分类变量，行变量为分组变量，用普通的
Pearson 检验只说明组间构成比不同，如要说明疗效或强弱程度的不同，则可用行平均分差检验或成组的Wilcoxon秩和检验或Ridit分析。
2.2.3 列变量为效应指标，且为无序多分类变量，行变量为有序多分类变量，则
可采用普通的Pearson 检验比较各组之间有无差别，如果有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。
2.2.4 列变量＆行变量均为有序多分类变量，（1）如要做组间差别分析，则可用
行平均分差检验或成组的Wilcoxon秩和检验或Ridit分析。如果总的来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。（2）如果要做两变量之间的相关性，可采用Spearson相关分析。2.4 配对分类资料的统计分析
2.4.1 四格表配对资料，（1）b＋c>40，则用McNemar配对检验。（2）b
＋c<40，则用校正的配对检验。
2.4.1 C×C资料，（1）配对比较：用McNemar配对检验。（2）一致性检
验，用Kappa检验。
在SPSS软件相关分析中,pearson(皮尔逊), kendall（肯德尔）和spearman（斯伯曼/斯皮尔曼）三种相关分析方法有什么异同
两个连续变量间呈线性相关时，使用Pearson积差相关系数，不满足积差相关分析的适用条件时，使用Spearman秩相关系数来描述.
Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析，对原始变量的分布不作要求，属于非参数统计方法，适用范围要广些。对于服从Pearson相关系数的数据亦可计算Spearman相关系数，但统计效能要低一些。Pearson相关系数的计算公式可以完全套用Spearman相关系数计算公式，但公式中的x和y用相应的秩次代替即可。
Kendall's tau-b等级相关系数：用于反映分类变量相关性的指标，适用于两个分类变量均为有序分类的情况。对相关的有序变量进行非参数相关检验；取值范围在-1-1之间，此检验适合于正方形表格；
计算积距pearson相关系数，连续性变量才可采用;计算Spearman秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据; 计算Kendall秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据。
计算相关系数：当资料不服从双变量正态分布或总体分布未知，或原始数据用等级表示时，宜用spearman或kendall相关
Pearson 相关复选项积差相关计算连续变量或是等间距测度的变量间的相关分析
Kendall 复选项等级相关计算分类变量间的秩相关，适用于合并等级资料
Spearman 复选项等级相关计算斯皮尔曼相关，适用于连续等级资料
注：
1若非等间距测度的连续变量因为分布不明-可用等级相关/也可用Pearson 相关，对于完全等级离散变量必用等级相关
2当资料不服从双变量正态分布或总体分布型未知或原始数据是用等级表示时,宜用Spearman 或Kendall相关。
3 若不恰当用了Kendall 等级相关分析则可能得出相关系数偏小的结论。则若不恰当使用，可能得相关系数偏小或偏大结论而考察不到不同变量间存在的密切关系。对一般情况默认数据服从正态分布的，故用Pearson分析方法。
在SPSS里进入Correlate－》Bivariate，在变量下面Correlation Coefficients复选框组里有3个选项：
Pearson
Kendall's tau-b
Spearman：Spearman
spearman（斯伯曼/斯皮尔曼）相关系数
斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。它是依据两列成对等级的各对等级数之差来进行计算的，所以又称为“等级差数法”
斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究
Kendall's相关系数
肯德尔(Kendall)W系数又称和谐系数，是表示多列等级变量相关程度的一种方法。适用这种方法的数据资料一般是采用等级评定的方法收集的，即让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物。等级评定法每个评价者对N件事物排出一个等级顺序，最小的等级序数为1 ，最大的为N，若并列等级时，则平分共同应该占据的等级，如，平时所说的两个并列第一名，他们应该占据1，2名，所以它们的等级应是1.5,又如一个第一名，两个并列第二名，三个并列第三名，则它们对应的等级应该是
1,2.5,2.5,5,5,5,这里2.5是2,3的平均，5是4,5,6的平均。
肯德尔(Kendall)U系数又称一致性系数，是表示多列等级变量相关程度的一种方法。该方法同样适用于让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N 件事物所得的数据资料，只不过评定时采用对偶评定的方法，即每一次评定都要将N个事物两两比较，评定结果如下表所示，表格中空白位（阴影部分可以不管）填入的数据为：若i比j好记1，若i比j差记0，两者相同则记0.5。一共将得到K张这样的表格，将这K张表格重叠起来，对应位置的数据累加起来作为最后进行计算的数据，这些数据记为γij。
正态分布的相关检验
对来自正态总体的两个样本进行均值比较常使用T检验的方法。T检验要求两个被比较的样本来自正态总体。两个样本方差相等与不等时用的计算T值的公式不同。
进行方差齐次性检验使用F检验。对应的零假设是：两组样本方差相等。P值小于0.05说明在该水平上否定原假设，方差不齐；否则两组方差无显著性差异。
U检验时用服从正态分布的检验量去检验总体均值差异情况的方法。在这种情况下总体方差通常是已知的。
虽然T检验法与U检验法所解决的问题大体相同，但在小样本（样本数n）=30作为大样本）且均方差未知的情况下就不能用U检验法了。
均值检验时不同的数据使用不同的统计量
使用MEANS过程求若干组的描述统计量，目的在于比较。因此必须分组求均值。这是与Descriptives过程不同之处。
检验单个变量的均值是否与给定的常数之间存在差异，用One-Sample T Test 单样本T 检验过程。
检验两个不相关的样本是否来自来具有相同均值的总体，用Independent-Samples T test 独立样本t检验过程。
如果分组样本不独立，用Paired Sample T test 配对t检验。
如果分组不止两个，应使用One-Way ANOVO一元方差分析（用于检验几个独立的组，是否来自均值相等的总体）过程进行单变量方差分析。
如果试图比较的变量明显不服从正态分布，则应该考虑使用一种非参数检验过程Nonparametric test.
如果用户相比较的变量是分类变量，应该使用Crosstabs功能。
当样本值不能为负值时用右侧单边检验。
常用统计分析方法 排列图 因果图 散布图 直方图 控制图 控制图的重要性 控制图原理 控制图种类及选用 统计质量控制是质量控制的基本方法，执行全面质量管理的基本手段，也是CAQ系统的基础，这里简要介绍制造企业应用最广的统计质量控制方法。 常用统计分析方法与控制图 获得有效的质量数据之后,就可以利用各种统计分析方法和控制图对质量数据进行加工处理,从中提取出有价值的信息成分。 常用统计分析方法 此处介绍的方法是生产现场经常使用,易于掌握的统计方法,包括排列图、因果图、散布图、直方图等。 排列图 排列图是找出影响产品质量主要因素的图表工具.它是由意大利经济学家巴洛特（Pareto)提出的.巴洛特发现人类经济领域中"少数人占有社会上的大部分财富,而绝大多数人处于贫困状况"的现象是一种相当普遍的社会现象,即所谓"关键的少数与次要的多数"原理.朱兰(美国质量管理学家)把这个原理应用到质量管理中来,成为在质量管理中发现主要质量问题和确定质量改进方向的有力工具. 1.排列图的画法
排列图制作可分为5步: (1)确定分析的对象 排列图一般用来分析产品或零件的废品件数、吨数、损失金额、消耗工时及不合格项数等. (2)确定问题分类的项目 可按废品项目、缺陷项目、零件项目、不同操作者等进行分类。 (3)收集与整理数据 列表汇总每个项目发生的数量，即频数fi、项目按发生的数量大小，由大到小排列。最后一项是无法进一步细分或明确划分的项目统一称为“其它”。 (4)计算频数fi、频率Pi和累计频率Fi 首先统计频数fi，然后按(1)、(2)式分别计算频率Pi和累计频率Fi (1) 式中，f为各项目发生频数之和。 (2)
一、德尔菲法 优点： 1、能充分发挥各位专家的作用，集思广益，准确性高。 2、能把各位专家意见的分歧点表达出来，取各家之长，避各家之短。 3、权威人士的意见影响他人的意见； 4、有些专家碍于情面，不愿意发表与其他人不同的意见； 5、出于自尊心而不愿意修改自己原来不全面的意见。 缺点： 德尔菲法的主要缺点是过程比较复杂，花费时间较长。 适用范围：项目规模宏大且环境条件复杂的预测情境。 二、类比法 优点：1、它不涉及任何一般性原则，它不需要在“一般性原则”的基础上进行推理。它只是一种由具体情况到具体情况的推理方式，其优越性在于它所得出的结论可以在今后的超出原案例事实的情况下进行应用。 2、类比法比其他方法具有更高的精确性； 3、类比过程中的步骤可以文档化以便修改。 缺点： 1 严重依赖于历史数据的可用性； 2 能否找出一个或一组好的项目范例对最终估算结果的精确度有着决 定性的影响； 3 对初始估算值进行调整依赖于专家判断。 适用范围：类比法是按同类事物或相似事物的发展规律相一致的原则，对预测目标事物加以对比分析，来推断预测目标事物未来发展趋向与可能水平的一种预测方法。类比法应用形式很多，如由点推算面、由局部类推整体、由类似产品类推新产品、由相似国外国际市场类推国内国际市场等等。类比法一般适用于预测潜在购买力和需求量、开拓新国际市场、预测新商品长期的销售变化规律等。类比法适合于中长期的预测。 三、回归分析法
优点：1、从收入动因的高度来判断收入变化的合理性，彻底抛弃了前述“无重大波动即为正常”的不合理假设。并且，回归分析不再只是简单的数据比较，而是以一整套科学的统计方法为基础。 、运用回归方法对销售收入进行分析性复核，可以考虑更多的影响因素作为解释变量，即使被审计单位熟悉了这种方法，其粉饰和操纵财务报表的成本也十分高昂。 缺点：需要掌握大量数据， 应用：社会经济现象之间的相关关系往往艰以用确定性的函数关系来描述，它们大多是随机性的，要通过统计观察才能找出其中规律。回归分桥是利用统计学原理描述随机变量间相关关系的一种重要方法。 四、时间序列分析法 优点：根据市场过去的变化趋势预测未来的发展，根据客观事物发展的这种连续规律性，运用过去的历史数据，通过统计分析，进一步推测市场未来的发展趋势。 缺点：运用时间序列分析进行量的预测，实际上将所有的影响因素归结到时间这一因素上，只承认所有影响因素的综合作用，并在未来对预测对象仍然起作用，并未去分析探讨预测对象和影响因素之间的因果关系。由于事物的发展不仅有连续性的特点，而且又是复杂多样的。。 适用范围：中短期预测 五、弹性系数分析法 优点：简单易行，计算方便，计算成本低；需要的数据少，应用灵活广泛。 缺点：1、分析带有一定的局部性和片面性。只考虑两个变量间的关系，忽略了其他相关变量的影响； 2、结果比较粗糙，很多时候要根据弹性系数的变动趋势对弹性系数进行 修正。 应用：应用利用弹性系数预测未来时期能源需求时，可以通过对未来产业结构变化趋势、技术节能潜力等因素的分析，以及参照世界大多数国家发展历程中所皇现的共同规律，给出未来年份能源消费弹性系数的变化趋势或构想方案，以预测未来的能源需求量。
一、判断题 （ 对 ） 1 X ( X 1 , X 2 ,L , X p ) 的协差阵一定是对称的半正定阵 （ 对 （ ） 2 标准化随机向量的协差阵与原变量的相关系数阵相同。 对） 3 典型相关分析是识别并量化两组变量间的关系，将两组变量的相关关系 的研究转化为一组变量的线性组合与另一组变量的线性组合间的相关关系的研究。 （ 对 ）4 多维标度法是以空间分布的形式在低维空间中再现研究对象间关系的数据 分析方法。 （ 错）5 X (X 1 , X 2 , , X p ) ~ N p ( , ) ， X , S 分别是样本均值和样本离 差阵，则 X , S 分别是 , 的无偏估计。 n （ 对） 6 X ( X 1 , X 2 , , X p ) ~ N p ( , ) ， X 作为样本均值 的估计，是 无偏的、有效的、一致的。 （ 错） 7 因子载荷经正交旋转后，各变量的共性方差和各因子的贡献都发生了变化 （ 对） 8 因子载荷阵 A ( ij ) ij 表示第 i 个变量在第 j 个公因子上 a 中的 a 的相对重要性。 （ 对 ）9 判别分析中， 若两个总体的协差阵相等， 则 Fisher 判别与距离判别等价。 （对） 10 距离判别法要求两总体分布的协差阵相等， Fisher 判别法对总体的分布无特 定的要求。 二、填空题 1、多元统计中常用的统计量有：样本均值向量、样本协差阵、样本离差阵、 样本相关系数矩阵． 2、 设 是总体 的协方差阵， 的特征根 ( 1, , ) 与相应的单 X ( X 1,L , X m ) i i L m 位 正 交 化 特 征 向 量 i ( a i1, a i 2 ,L ,a im ) ， 则 第 一 主 成 分 的 表 达 式 是 y 1 a 11 X 1 a 12 X 2 L a 1m X m ，方差为 1 。 3 设 是总体 X ( X 1, X 2 , X 3, X 4 ) 的协方差阵， 的特征根和标准正交特征向量分别 为： 1 2.920 U 1' (0.1485, 0.5735, 0.5577, 0.5814) 2 1.024 U 2' (0.9544, 0.0984,0.2695,0.0824) 3 0.049 U 3' (0.2516,0.7733, 0.5589, 0.1624) 4 0.007 U 4' ( 0.0612,0.2519,0.5513, 0.7930) ，则其第二个主成分的表达式是
一、描述统计 描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。 1、缺失值填充：常用方法：剔除法、均值法、最小邻居法、比率回归法、决策树法。 2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。 二、假设检验 1、参数检验 参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验。 1）U验使用条件：当样本含量n较大时，样本值符合正态分布 2）T检验使用条件：当样本含量n较小时，样本值符合正态分布 A 单样本t检验：推断该样本来自的总体均数μ与已知的某一总体均数μ0 (常为理论值或标准值)有无差别； B 配对样本t检验：当总体均数未知时，且两个样本可以配对，同对中的两者在可能会影响处理效果的各种条件方面扱为相似；
C 两独立样本t检验：无法找到在各方面极为相似的两样本作配对比较时使用。 2、非参数检验 非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。 A 虽然是连续数据，但总体分布形态未知或者非正态； B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下； 主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。 三、信度分析 检査测量的可信度，例如调查问卷的真实性。 分类： 1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度 2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致性如何，常用方法分半信度。 四、列联表分析 用于分析离散变量或定型变量之间是否存在相关。
统计分析分类以及SPSS分析方法 一、统计分析内容的分类 人类对客观事物的理解是多种多样的，这些理解能够是企业生产的规模，能够是企业生产机器的稳定性，能够是一个地区的教学质量，能 够是市场经济的规律，也能够是一个时期的经济形势或环境等等。撇 开这些形形色色的形式内容，人们对客观事物的理解从目的来看可分 为表面理解和本质理解两种。本文将这种从形式内容中抽象出来的对 客观事物的理解称之为统计分析内容。表面理解就是对客观事物表面 特征的理解；本质理解是从客观事物表面特征出发，最终得到超越客 观事物表面特征的本质特征的理解。同样，与统计分析内容相对应的 统计分析（方法）就可分为表面分析和本质分析两种。在统计分析方 法的使用上，形式内容的理解与统计分析方法的关联不大，反而是在 统计分析内容理解（对客观事物表面理解和本质理解）上，分析方法 的使用差别较大，所以本文主要从统计分析方法的角度对统计分析内 容加以细分。在SPSS中，横向叫个案，所有个案组成样本；纵向叫变量，一个变量代表客观事物的某方面特征。表面理解在SPSS中主要对 应于样本理解，目的是理解样本所代表的具体事物的特征（当然样本 的特征离不开变量，但目的不在变量）。本质理解则以样本数据为基础，总结出同类事物的普遍特征，这些特征就是变量自身的特征（它 从样本出发，但又超越样本），所以本质理解能够认为就是对变量的 理解。统计分析内容的划分与人们对客观事物的理解规律也密不可分。人类对客观事物的理解都是由浅入深、由外及里的。这种由浅入深、 由外及里的理解过程正好体现了表面理解和本质理解两个过程。统计 分析的两种内容既是人们对客观事物理解的两个方面，也是人们对客 观事物理解的两个过程，但它们能够是相互独立的。因为人类出于理 解目的的需要能够只理解客观事物的表面，也能够只理解客观事物的 规律。 （一）表面理解
第一章： 多元统计分析研究的内容（5点） 1、简化数据结构（主成分分析） 2、分类与判别（聚类分析、判别分析） 3、变量间的相互关系（典型相关分析、多元回归分析） 4、多维数据的统计推断 5、多元统计分析的理论基础 第二三章： 二、多维随机变量的数字特征 1、随机向量的数字特征 随机向量X 均值向量： 随机向量X 与Y 的协方差矩阵： 当X=Y 时Cov （X ，Y ）=D （X ）；当Cov （X ，Y ）=0 ，称X ，Y 不相关。 随机向量X 与Y 的相关系数矩阵： )',...,,(),,,(2121P p EX EX EX EX μμμ='=Λ)')((),cov(EY Y EX X E Y X --=q p ij r Y X ?=)(),(ρ
2、均值向量协方差矩阵的性质 (1).设X ，Y 为随机向量，A ，B 为常数矩阵 E （AX ）=AE （X ）； E （AXB ）=AE （X ）B; D(AX)=AD(X)A ’; Cov(AX,BY)=ACov(X,Y)B ’; (2).若X ，Y 独立，则Cov(X,Y)＝０，反之不成立． (3).X 的协方差阵D(X)是对称非负定矩阵。例2.见黑板 三、多元正态分布的参数估计 2、多元正态分布的性质 (1).若 ,则E(X)= ,D(X)= . 特别地，当 为对角阵时， 相互独立。 (2).若 ，Ａ为sxp 阶常数矩阵，d 为s 阶向量， ＡＸ＋d ～ . 即正态分布的线性函数仍是正态分布． (3).多元正态分布的边缘分布是正态分布，反之不成立． (4).多元正态分布的不相关与独立等价． 例３．见黑板． 三、多元正态分布的参数估计 (1)“ 为来自p 元总体X 的（简单）样本”的理解---独立同截面． (2)多元分布样本的数字特征---常见多元统计量 样本均值向量 ＝ 样本离差阵Ｓ＝ 样本协方差阵Ｖ＝ S ;样本相关阵Ｒ (3) ,Ｖ分别是 和 的最大似然估计； (4)估计的性质 是 的无偏估计； ,Ｖ分别是 和 的有效和一致估计； ； Ｓ～ ， 与Ｓ相互独立； 第五章 聚类分析： 一、什么是聚类分析 ：聚类分析是根据“物以类聚”的道理，对样品或指标进行分类的一种多元统计分析方法。用于对事物类别不清楚，甚至事物总共可能有几类都不能确定的情况下进行事物分类的场合。聚类方法：系统聚类法（直观易懂）、动态聚类法（快）、有序聚类法（保序）...... Q-型聚类分析（样品）R-型聚类分析（变量） 变量按照测量它们的尺度不同，可以分为三类：间隔尺度、有序尺度、名义尺度。 二、常用数据的变换方法:中心化变换、标准化变换、极差正规化变换、对数变换（优缺点） 1、中心化变换（平移变换）：中心化变换是一种坐标轴平移处理方法，它是先求出每个变量的样本平均值，再从原始数据中减去该变量的均值，就得到中心化变换后的数据。不改变样本间的相互位置，也不改变变量间的相关性。 2、标准化变换：首先对每个变量进行中心化变换，然后用该变量的标准差进行标准化。 经过标准化变换处理后，每个变量即数据矩阵中每列数据的平均值为0，方差为1，且也不再具有量纲，同样也便于不同变量之间的比较。 3、极差正规化变换（规格化变换）：规格化变换是从数据矩阵的每一个变量中找出其最大值和最小值，这两者之差称为极差，然后从每个变量的每个原始数据中减去该变量中的最小值，再除以极差。经过规格化变换后，数据矩阵中每列即每个变量的最大数值为1，最小数值为0，其余数据取值均在0－1之间；且变换后的数据都不再具有量纲，便于不同的变),(~∑μP N X μ∑μ p X X X ,,,21Λ),(~∑μP N X ) ,('A A d A N s ∑+μ)()1(,, n X X ΛX )',,,(21p X X X Λ)')(()()(1X X X X i i n i --∑=n 1 X μ∑μX )1,(~∑n N X P μ),1(∑-n W p X X
统计学习心得体会 篇一：统计业务培训学习心得体会 统计业务培训学习心得体会 XX年8月18日至8月29日，我同全州八县同行共53人有幸参加了在成都信息工程学院举办的XXX州统计业务骨干培训班（第二期）为期十二天的学习，这是我工作十多年来参加的培训中时间最长、针对性最强、等级最高、纪律最严、收获最大的一次培训。因为平时工作较忙，很少有机会参加培训，因此我十分珍惜这次难得的机会，专心听课，认真做笔记，使自己的工业统计理论知识和业务水平得到了提高，进一步理清了思路，开拓了视野，同时感受到了领导的关心与期盼，联系自己工作经历，使今后努力的方向更加明确。 一、提高了思想认识 从事统计工作多年，觉得统计数据水分多，工作压力大，感到从事统计工作很困惑、很痛苦，有时产生抵触情绪。通过系统的统计基础理论学习和公务员心理调适讲座的疏导，使我豁然开朗，明白了统计数据并不像财务数字那样精确，只要方向对、趋势正确就行；统计工作是一项专业性很强的工作，只有认真学习，掌握了较为全面的统计专业知识，提高统计分析能力，才能做好统计工作，才能为领导提供决策参考，才能为发展地方经济服务。
二、强化了统计理论知识 此次培训组织严密，学习扎实，在培训老师的精心设计 与合理安排下，通过多种形式的教学，系统学习了《统计学原理》、《EXCELL在统计中的应用》、《抽样调查方法与应用》、《国民经济核算》、《宏观经济统计分析》、《创新思维与工作创新》、《公共关系与社交礼仪》等课程的学习；听取了《公务员心理调适》、《统计调查报告写作》、《我国统计工作的热点问题评述》的讲座；参观了成都工业园区和映秀镇地震灾区。切实提高了自己的理论水平；疏导了心理困惑；体验了工业园区发展、城乡一体化建设；感受了地震灾区的心灵震撼。 学习《统计学原理》和《宏观经济统计分析》不仅增强了自己的统计理论基础，而且明白了数据是统计分析的眼睛，分析是统计数据经过深加工的最终产品，统计分析起到参谋和预警作用。通过《抽样调查方法与应用》课程的学习，使我掌握了抽样调查的基本理论、知识和方法，理解了从调查立项、抽样方案设计到数据收集与加工的整个流程。通过学习《EXCELL在统计中的应用》， EXCELL常用功能的实际操作水平有了提高，运用EXCELL计算分析数据提高了工作效率。 三、提供了相互交流平台，解放了思想，开拓了视野培训除了学习书本知识，还安排外出参观学习，相互交流，增
统计分析方法学习总结 S201505158 陈丹妮 一、统计的描述 一般采用以下几种图形描述数据： 直方图：表示几个变量的数据，使人们能够看出这些数目的大体分布或“形状”； 盒形图：比直方图简单一些的是盒形图(boxplot，又称箱图、箱线图、盒子图)； 茎叶图：既展示了数据的分布形状又有原始数据。它象一片带有茎的叶子。茎为较大位数的数字，叶为较小位数的数字； 散点图：描述的数据有两对连续变量； 定型变量的图：定性变量（或属性变量，分类变量）不能点出直方图、散点图或茎叶图，但可以描绘出它们各类的比例，如：饼图、条形图。 二、汇总统计量 表示位置的汇总统计量：均值(mean)：样本值的算术平均值；中位数(median)：中间大小的数（一半样本点小于中位数）；(第一或第三)（下、上）四分位数(点) (first quantile, third quantile )（分别有1/4或3/4的数目小于它们）；k-百分位数(k-percentile)；a分位数(a centile)：k-百分位数=k%分位数：有k%的数目小于它；众数(mode)：样本中出现最多的数。 表示尺度的汇总统计量：极差（range)：极端值之差；四分位间距(四分位极差) (interquantile range) 四分位数之差；标准差(standard deviation) 方差平方根；方差(variance) 各点到均值距离平方的平均。 三、相关的分布 相关的分布包括：离散分布、连续分布、抽样分布：我们能够利用样本统计量中的（描述样本的）信息, 比如样本均值和样本标准差中的信息，来对（描述总体的）总体参数（比如总体均值和总体标准差）进行推断（估计、检验等）。 大数定律：阐述大量随机变量的平均结果具有稳定性的一系列定律的总称。其中又分为独立同分布大数定律（提供了用样本平均数估计总体平均数的理论依据）和贝努力大数定律（提供了频率代替概率的理论依据）。 中心极限定理：阐述大量随机变量之和的极限分布是正态分布的一系列定理的总称。独立同分布中心极限定理（不论总体服从何种分布，只要它的数学期望和方差存在，从中抽取容量为n的样本，当n充分大时，则这个样本的总和或平均数是服从正态分布的随机变量）和德莫佛－拉普拉斯中心极限定理（提供了用正态分布近似计算二项分布概率的方法）。均值的假设检验包括对于正态总体均值的检验、对于比例的检验 四、各种分析方法 1.列联表分析 列联表变量中每个都有两个或更多的可能取值，称为水平，比如收入有三个水平，观点有两个水平，性别有两个水平等。列联表的中间各个变量不同水平的交汇处，就是这种水平组合出现的频数或计数（count）。二维的列联表又称为交叉表（cross table）。列联表可以有
选择合适的统计学方法 1连续性资料 1.1 两组独立样本比较 1.1.1 资料符合正态分布,且两组方差齐性,直接采用t检验。 1.1.2 资料不符合正态分布，（1）可进行数据转换,如对数转换等,使之服从正态分布,然后对转换后的数据采用t检验；（2）采用非参数检验,如Wilcoxon检验。 1.1.3 资料方差不齐，（1）采用Satterthwate 的t’检验；（2）采用非参数检验,如Wilcoxon检验。 1.2 两组配对样本的比较 1.2.1 两组差值服从正态分布，采用配对t检验。 1.2.2 两组差值不服从正态分布，采用wilcoxon的符号配对秩和检验。 1.3 多组完全随机样本比较 1.3.1资料符合正态分布，且各组方差齐性，直接采用完全随机的方差分析。如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。 1.3.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Kruscal－Wallis法。如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用成组的Wilcoxon检验。 1.4 多组随机区组样本比较 1.4.1资料符合正态分布，且各组方差齐性，直接采用随机区组的方差分析。如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。 1.4.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Fridman检验法。如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用符号配对的Wilcoxon检验。 ****需要注意的问题： （1）一般来说，如果是大样本，比如各组例数大于50，可以不作正态性检验，直接采用t 检验或方差分析。因为统计学上有中心极限定理，假定大样本是服从正态分布的。 （2）当进行多组比较时，最容易犯的错误是仅比较其中的两组，而不顾其他组，这样作容易增大犯假阳性错误的概率。正确的做法应该是，先作总的各组间的比较，如果总的来说差别有统计学意义，然后才能作其中任意两组的比较，这些两两比较有特定的统计方法，如上面提到的LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。**绝不能对其中的两
练习题 一、填空题 1．人们通过各种实践，发现变量之间的相互关系可以分成（相关）和（不相关）两种类型。多元统计中常用的统计量有：样本均值、样本方差、样本协方差和样本相关系数。 2．总离差平方和可以分解为（回归离差平方和）和（剩余离差平方和）两个部分，其中（回归离差平方和）在总离差平方和中所占比重越大，则线性回归效果越显著。3．回归方程显著性检验时通常采用的统计量是（S R/p）/[S E/（n-p-1）]。 4．偏相关系数是指多元回归分析中，（当其他变量固定时，给定的两个变量之间的）的相关系数。 5．Spss中回归方程的建模方法有（一元线性回归、多元线性回归、岭回归、多对多线性回归）等。 6．主成分分析是通过适当的变量替换，使新变量成为原变量的（线性组合），并寻求（降维）的一种方法。 7．主成分分析的基本思想是（设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来替代原来的指标）。 8．主成分表达式的系数向量是（相关系数矩阵）的特征向量。 9．样本主成分的总方差等于（1）。 10．在经济指标综合评价中，应用主成分分析法，则评价函数中的权数为（方差贡献度）。主成分的协方差矩阵为（对称）矩阵。主成分表达式的系数向量是（相关矩阵特征值）的特征向量。 11．SPSS中主成分分析采用（analyze—data reduction—facyor）命令过程。 12．因子分析是把每个原始变量分解为两部分因素，一部分是（公共因子），另一部分为（特殊因子）。 13．变量共同度是指因子载荷矩阵中（第i行元素的平方和）。 14．公共因子方差与特殊因子方差之和为（1）。 15．聚类分析是建立一种分类方法，它将一批样品或变量按照它们在性质上的（亲疏程度）进行科学的分类。 16．Q型聚类法是按（样品）进行聚类，R型聚类法是按（变量）进行聚类。 17．Q型聚类统计量是（距离），而R型聚类统计量通常采用（相关系数）。 18．六种Q型聚类方法分别为（最长距离法）、（最短距离法）、（中间距离法）、（类平均法）、（重心法）、（离差平方和法）。 19．快速聚类在SPSS中由（k-均值聚类（analyze—classify—k means cluster））过程实现。 20．判别分析是要解决在研究对象已（已分成若干类）的情况下，确定新的观测数据属于已知类别中哪一类的多元统计方法。 21．用判别分析方法处理问题时，通常以（判别函数）作为衡量新样本点与各已知组别接近程度的指标。 22．进行判别分析时，通常指定一种判别规则，用来判定新样本的归属，常见的判别准则有（Fisher准则）、（贝叶斯准则）。 23．类内样本点接近，类间样本点疏远的性质，可以通过（类与类之间的距离）与（类内样本的距离）的大小差异表现出来，而两者的比值能把不同的类区别开来。这个比值越大，说明类与类间的差异越（类与类之间的距离越大），分类效果越（好）。24．Fisher判别法就是要找一个由p个变量组成的（线性判别函数），使得各自组内点的
简单统计分析方法总结 1.连续性资料 1.1 两组独立样本比较 1.1.1 资料符合正态分布,且两组方差齐性,直接采用t检验。 1.1.2 资料不符合正态分布，（1）可进行数据转换,如对数转换等,使之服从正态分布,然后 对转换后的数据采用t检验；（2）采用非参数检验,如Wilcoxon检验。 1.1.3 资料方差不齐，（1）采用Satterthwate 的t’检验；（2）采用非参数检验,如Wilcoxon检验。 1.2 两组配对样本的比较 1.2.1 两组差值服从正态分布，采用配对t检验。 1.2.2 两组差值不服从正态分布，采用wilcoxon的符号配对秩和检验。 1.3 多组完全随机样本比较 1.3.1资料符合正态分布，且各组方差齐性，直接采用完全随机的方差分析。如果检验结果为有统 计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。 1.3.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Kruscal－Wallis法。如果检验 结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用成组的Wilcoxon检验。 1.4 多组随机区组样本比较 1.4.1资料符合正态分布，且各组方差齐性，直接采用随机区组的方差分析。如果检验结果为有 统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。 1.4.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Fridman检验法。如果检验结 果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用符号配对的Wilcoxon检验。 需要注意的问题： （1）一般来说，如果是大样本，比如各组例数大于50，可以不作正态性检验，直接采用t检验或方差分析。因为统计学上有中心极限定理，假定大样本是服从正态分布的。但实际过程中这一条是值得商榷的。 （2）当进行多组比较时，最容易犯的错误是仅比较其中的两组，而不顾其他组，这样作容易增大犯假阳性错误的概率。正确的做法应该是，先作总的各组间的比较，如果总的来说差别有统计学意义，然后才能作其中任意两组的比较，这些两两比较有特定的统计方法，如上面提到的LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。**绝不能对其中的两组直接采用t检验，这样即使得出结果也未必正确**
实用多元统计分析相 尖习题 练习题 一、填空题 1?人们通过各种实践，发现变量之间的相互矢系可以分成（相尖）和（不相尖）两种 类型。多元统计中常用的统计量有：样本均值、样本方差、样本协方差和样本相尖系数。 2?总离差平方和可以分解为（回归离差平方和）和（剩余离差平方和）两个部分，其中（回归离差平方和）在总离差平方和中所占比重越大，则线性回归效果越显著。 3 ?回归方程显著性检验时通常采用的统计量是（S R/P）/[S E/ （n-p-1） ]O 4?偏相尖系数是指多元回归分析中，（当其他变量固定时，给定的两个变量之间的） 的相尖系数。 5. Spss中回归方程的建模方法有（一元线性回归、多元线性回归、岭回归、多对多线性回归）等。
6 ?主成分分析是通过适当的变量替换，使新变量成为原变量的（线性组合），并寻求 （降维）的一种方法。 7 ?主成分分析的基本思想是（设法将原来众多具有一定相尖性（比如P个指标），重 新组合成一组新的互相无矢的综合指标来替代原来的指标）。 8 ?主成分表达式的系数向量是（相尖系数矩阵）的特征向量。 9 ?样本主成分的总方差等于（1）。 10 ?在经济指标综合评价中，应用主成分分析法，则评价函数中的权数为（方差贡献度）。主成分的协方差矩阵为（对称）矩阵。主成分表达式的系数向量是（相尖矩阵特征值）的特征向量。 11. SPSS 中主成分分析采用（analyze—data reduction — facyor）命令过程。 12?因子分析是把每个原始变量分解为两部分因素，一部分是（公共因子），另一部
分为（特殊因子）。 13 ?变量共同度是指因子载荷矩阵中（第i行元素的平方和）。 14 ?公共因子方差与特殊因子方差之和为（1） o 15 ?聚类分析是建立一种分类方法，它将一批样品或变量按照它们在性质上的（亲疏 程度）进行科学的分类。 16. Q型聚类法是按（样品）进行聚类，R型聚类法是按（变量）进行聚类。 17. Q型聚类统计量是（距离），而R型聚类统计量通常采用（相尖系数）。 18. 六种Q型聚类方法分别为（最长距离法）、（最短距离法）、（中间距离法）、（类平均法）、（重心法）、（离差平方和法）。 19?快速聚类在SPSS中由（k■均值聚类（analyze— classify— k means cluste））过程实 现。 20. 判别分析是要解决在研究对象已（已分成若干类）的情况下，确定新的观测数据属于已知类别中哪一类的多元统计方法。 21. 用判别分析方法处理问题时，通常以（判别函数）作为衡量新样本点与各已知组别接近程度的指标。 22. 进行判别分析时，通常指定一种判别规则，用来判定新样本的归属，常见的判别准则有 （Fisher准则）、（贝叶斯准则）。 23. 类内样本点接近，类间样本点疏
统计学个人心得 12级会计7班 3212005244 谢翠欣 在学习统计学之前，谈起统计我脑袋中就浮现出计数，一大堆枯燥的数字，还有一长串的数学计算式。在我眼中，统计学是一门非常枯燥非常单调的学科，它不像数学那样强调严密的推理和逻辑，而是仅仅需要搜集原始资料，套用数学公式而已，我甚至不是很喜欢这门课程。但是经过一个学期的学习，我对统计学有了全新的认识。我开始意识到统计学在学术研究中，在公司决策中，在国家制定方针政策时??在社会生活的各个方面都发挥着重要作用，我开始了解到统计学是一个理论联系实际的学科，非常具有实践性，统计的原始资料全部来源于实际生活。统计学也是一种成熟的学科，它有它独立而完备的理论体系，它是相当科学的，它是以数学作为它的基本工具，但它有比数学更有实际用途，它可以对生活中大量的无序的数据进行分析，找出它们的规律，从而为研究、决策提供基本的依据，它是其他学科的一切理论的基础和来源。 期末，老师布置了分组调查问题的任务，我们小组分工地完成了大学生男女婚恋观的差异，通过一整套的调查流程，从问卷设计、寻找答卷人、调查结果对比以及综合分析，带着问题去寻找答案并得出结论，是一件很意义的事情。 因为要考试，所以花几天时间，整体复习了一遍统计学，准确的来说是从第一页开始较为仔细的阅读了一遍《统计学》这本教科书。随后统计为我打开了另一扇窗，让我得以从不同的视角重新思考这门让我痛苦了一个学期的课程。至此统计学不再仅仅是一些无数抽象公式的代名词，而是一门理论联系实际，工作活动中不可或缺的一门重要科学。 总论和统计数据的内容比较简单，引出概念，复习以往学习过的知识。理论上来说假设检验与方差分析的内容要难于抽样估计。但是个人觉得《抽样估计的行文并不像假设检验》那么好理解。统计学这本书喜欢先向学生介绍很多概念和公式，再将公式引用到例子中来解决问题。然而在介绍公式的同时，学生往往不了解这些公式真正的意义和使用方法，单纯的死记硬背效率颇低。拿抽样估计来说，计算抽样平均误差的公式之多，方法之众，让同学们的脑袋混沌了好久。大家私下交流，混沌的原因在于不知道这些公式的来龙去脉，只将条件带入相应的公式计算答案的方法是以前没有经历过的，需要一段时间的适应过程。相关与回归分析同样吸引人。因为之前我片面的认为相关关系没有确切的规律可循，更不容说计算出事物的内在联系了。然而科学证明，不但相关系数可以计算出来，回归方程也可以用来做分析预测。我想起了一句话：任何学科脱离了统计都将不是科学。只有统计能仅凭现象就能分析归纳出事务的内在联系，给我们呈现出一个更明朗的世界。 时间序列分析在我看来是和我的专业---会计联系最紧密的知识。运用所学到的知识可以分析出公司销售额的各种增长情况，公司的销售额有什么样的季节变化规律，还能建立一个模型对未来的财务情况做出预测。 这么快一个学期统计学的学习就结束了，我才刚刚了解统计学，我知道统计学知识还能运用到店铺开设选址等等的问题上，这是我比较感兴趣的，所以我以后还要继续深入了解统计学，并且运用它服务生活。篇二：统计学学习感想 统计学学习感想 通过半个多学期的学习，我对统计学这门课程有了一定的了解，对学习这门课程也有了一定的感想。 首先，我谈谈我对这门课程的理解。 一）对统计学新的认识 在学习统计学之前，谈起统计我脑袋中就浮现出计数，一大堆枯燥的数字，还有一长串的数学计算式。在我眼中，统计学是一门非常枯燥非常单调的学科，它不像数学那样强调严密的推理和逻辑，而是仅仅需要搜集原始资料，套用数学公式而已，我甚至不是很喜欢这门
对定量结果进行差异性分析 1.单因素设计一元定量资料差异性分析 1.1.单因素设计一元定量资料t检验与符号秩和检验 T检验前提条件：定量资料满足独立性和正态分布，若不满足则进行单因素设计一元定量资料符号秩和检验。 1.2.配对设计一元定量资料t检验与符号秩和检验 配对设计：整个资料涉及一个试验因素的两个水平，并且在这两个水平作用下获得的相同指标是成对出现的，每一对中的两个数据来自于同一个个体或条件相近的两个个体。 1.3.成组设计一元定量资料t检验 成组设计定义： 设试验因素A有A1，A2个水平，将全部n（n最好是偶数）个受试对象随机地均分成2组，分别接受A1，A2，2种处理。再设每种处理下观测的定量指标数为k，当k=1时，属于一元分析的问题；当k≥2时，属于多元分析的问题。 在成组设计中，因2组受试对象之间未按重要的非处理因素进行两两配对，无法消除个体差异对观测结果的影响，因此，其试验效率低于配对设计。 T检验分析前提条件：
独立性、正态性和方差齐性。 1.4.成组设计一元定量资料Wil coxon秩和检验 不符合参数检验的前提条件，故选用非参数检验法，即秩和检验。1.5.单因素k（k>=3）水平设计定量资料一元方差分析 方差分析是用来研究一个控制变量的不同水平是否对观测变量产生了显著影响。这里，由于仅研究单个因素对观测变量的影响，因此称为单因素方差分析。 方差分析的假定条件为： （1）各处理条件下的样本是随机的。 （2）各处理条件下的样本是相互独立的，否则可能出现无法解析的输出结果。 （3）各处理条件下的样本分别来自正态分布总体，否则使用非参数分析。（4）各处理条件下的样本方差相同，即具有齐效性。 1.6.单因素k（k>=3）水平设计定量资料一元协方差分析 协方差分析(Analysis of Covariance)是将回归分析与方差分析结合起来使用的一种分析方法。在这种分析中，先将定量的影响因素(即难以控制的因素)看作自变量，或称为协变量(Covariate)，建立因变量随自变量变化的回归方程，这样就可以利用回归方程把因变量的变化中受不易控制的定量因素的影响扣除掉，从而，能够较合理地比较定性的影响因素处在不同水平下，经过回归分析手段修正以后的因变量的样本均数之间的差别是否有统计学意义，这就是协方差分析解决问题的基本计算原理。
统计学学习总结 统计学学习感想 通过半个多学期的学习，我对统计学这门课程有了一定的了解，对学习这门课程也有了一定的感想。 首先，我谈谈我对这门课程的理解。 一）对统计学新的认识 在学习统计学之前，谈起统计我脑袋中就浮现出计数，一大堆枯燥的数字，还有一长串的数学计算式。在我眼中，统计学是一门非常枯燥非常单调的学科，它不像数学那样强调严密的推理和逻辑，而是仅仅需要搜集原始资料，套用数学公式而已，我甚至不是很喜欢这门课程。 但是经过半个学期的学习，我对统计学有了全新的认识。统计学是研究总体在一定天脚下的数量特征及其规律性的方法论学科。我开始意识到统计学在学术研究中，在公司决策中，在国家制定方针政策时??在社会生活的各个方面都发挥着重要作用，我开始了解到统计学是一个理论联系实际的学科，非常具有实践性，统计的原始资料全部来源于实际生活。统计学也是一种成熟的学科，它有它独立而完备的理论体系，它是相当科学的，它是以数学作为它的基本工具，但它有比数学更有实际用途，它可以对生活中大量的无序的数据进行分析，找出它们的规律，从而为研究、决策提供基本的依据，它是其他学科的一切理论的基础和来源。
二）统计学和经济学的关系 统计学并不是一门浅显的学科，人们从事统计工作已经有几千年的历史了，但是统计作为一门学科而存在仅有300多年的历史。统计学这个名称起始于国家管理，起始于社会经济的数量考察。于是统计学就和经济学就有了密不可分的联系。 经济学来源于统计学。我们知道经济现象是现实世界的一个重要组成部分，和自然界的现象有很大的不同。自然界的现象基本上都按其本身的机制机理形成和发展的，容易通过实验解剖等方法来被人们掌握。但是人类社会的经济现象就大不一样，它们是由人的活动而形成的，复杂多样，变化多端，没有任何实验的方法可以来准确的研究。因此我们就只有借助于统计学，通过统计分析社会经济的各种数据，我们就可以发现社会的经济问题，为经济学的研究提供了素材。这就是所谓的理论源于实践。 同时，统计学也是检验经济学的理论是否符合客观事物的发展规律的重要工具。实践是检验真理的唯一标准。运用各种经济理论所制定的方针政策、计划方案的是否正确,是否符合实际,能否达到预期的目的,只有依靠实践来检验，然而对实践要取得了解,又只能依靠统计。统计是沟通经济学与实际的一个重要桥梁。没有统计学，就没有经济学今天的发展。
常用医学统计学方法的选择 1. 多组率的比较用卡方检验（χ2检验，chi-square test) 直接用几个率的数值比较，与直接用原始数据录入比较，结果会有什么不同？卡方值会受样本量的影响，样本越多，卡方值越大。 2.多组计量资料比较采用方差分析(F检验) ，不能用t检验。当方差分析结果为P<0.05时，只能说明k组总体均数之间不完全相同。若想进一步了解哪两组的差别有统计学意义，需进行多个均数间的多重比较，即SNK-q检验(多个均数两两之间的全面比较)、LSD-t检验(适用于一对或几对在专业上有特殊意义的均数间差别的比较)和Dunnett检验(适用于k-1个实验组与一个对比组均数差别的多重比较)。 3.非正态分布多组数据之间比较选用非参数检验、单样本中位数检验（符号检验和Wilcoxon 检验）、双样本中位数检验（Mann-Whitney 检验）、方差分析（Kruskal-Wallis、Mood 中位数和Friedman 检验） 4.按血糖水平从低到高分成多组，进行多组之间死亡率的比较，由于死亡率同样受年龄、性别、病史、您身边的论文好秘书：您的原始资料与构思,我按您的意思整理成优秀论文论著,并安排出版发表，扣1550116010 、766085044自信我会是您人生路上不可或缺的论文好秘书血脂等因素的影响，所以需选取合适统计方法实现“调整年龄、性别等危险因素后，按血糖分组进行死亡率的比较（由血糖从低到高分成的4组）”。 ①年龄是定量变量（是数值），调整年龄的方法可在Logistic回归中运用，连续性变量年龄加入covariate中，当成协变量，就可以调整年龄，age-adjusted odds ratio就能得到了。 ②性别性别是二分类变量，不是定量变量，不可在LOGISTIC回归里比较。调整性别可在卡方检验中采取分层的方法比较。 如果为多分类LOGISTIC回归，在选择用multinomianl LOGISTIC回归中，可选入年龄等进入covariate，观察年龄的配比情况。可把性别选入factors(自变量)。这样可以实现调整年龄、性别等危险因素。 5.回顾性研究(1)临床妊娠率和女性年龄的关系+(2)男性影响临床妊娠的精子参数比较： 数据类型及变量的说明：y：计量 拟采用的分析方法：卡方检验 拟采用的分析软件：spss 原始数据附件及格式：word表 能否用其他方法统计分析：可用卡方分割，调整检验水准（根据比较的次数N，校正后的检验水准为0.05/N）。 6.重复t检验：多个样本均数间的两两比较(又称多重比较)不宜用t检验，因为重复数次，t 检验将增加第一类错误的概率，使检验效率降低。此时宜用方差分析，并在此基础上用两两比较方法(如．SNK、LSD、Duncan法等)。 对于同一对均数间的差异，用t检验无显著性，而两两比较可能有显著性，可见错误选用统计方法将推出错误结论。 统计方法的选择: 分计量、计数、等级资料三
1、简述多元统计分析中协差阵检验的步骤 第一，提出待检验的假设H0和H1； 第二，给出检验的统计量及其服从的分布； 第三，给定检验水平，查统计量的分布表，确定相应的临界值，从而得到否定域； 第四，根据样本观测值计算出统计量的值，看是否落入否定域中，以便对待判假设做出决策（拒绝或接受）。 协差阵的检验 检验0=ΣΣ 0p H =ΣI ： /2/21exp 2np n e tr n λ????=-?? ?????S S 00p H =≠ΣΣI ： /2/2**1exp 2np n e tr n λ????=-?? ????? S S 检验12k ===ΣΣΣ012k H ===ΣΣΣ： 统计量/2/2/2/211i i k k n n pn np k i i i i n n λ===∏∏S S 2. 针对一个总体均值向量的检验而言，在协差阵已知和未知的两种情形下，如何分别构造的统计量？ 3. 作多元线性回归分析时，自变量与因变量之间的影响关系一定是线性形式的吗？多元线性回归分析中的线性关系是指什么变量之间存在线性关系？ 答：作多元线性回归分析时，自变量与因变量之间的影响关系不一定是线性形式。当自变量与因变量是非线性关系时可以通过某种变量代换，将其变为线性关系，然后再做回归分析。 多元线性回归分析的线性关系指的是随机变量间的关系，因变量y 与回归系数βi 间存在线性关系。 多元线性回归的条件是： （1）各自变量间不存在多重共线性； （2）各自变量与残差独立； （3）各残差间相互独立并服从正态分布； （4）Y 与每一自变量X 有线性关系。 4.回归分析的基本思想与步骤 基本思想：