统计学名词解释
- 格式：doc
- 大小：18.00 KB
- 文档页数：2
名词解释
1.备择假设（alternative hypothesis）：与原假设逻辑上反面的假设。
2.标准分数（standard score）：也称标准化值或分数，它是变量值与其平均数的离差除以标准差后的值。
3.残值（residual）：因变量的观测值yi与根据估计的回归方程求出的预测值yi之差，用e表示。对于第i个观测值，残差为ei=yi-yi。
4.α错误（ α error）：原假设为真却在检验中将原假设被拒绝，又称弃真错误或者第一类错误（type I error），用 α表示其概率。
5.β错误（ β error）原假设为伪却在检验中未拒绝的原假设，又称取伪错误或者第二类错误（type II error），用 β表示其概率。
6.对照组（control group）：随记选取的实验对象的子集。在这个子集中，每个单元不接受实验组成员所接受的某种特别的处理。
7.多重共线性（multicollinearity）回归模型中两个或两个以上的自变量彼此相关。
8.多重判定系数（multiple coefficient of determination）回归平方和占总平方和的比例，反映因变量y取值的变差中，能被估计的多元回归方程所解释的比例。
9.峰态（kurtosis）对数据分布平峰或尖峰的程度的测度。
10.假设检验（hypothesis testing）根据样本信息，对提出的命题进行检验的一套程序和方法。
11.离散系数（coefficient variation）也称变异系数，一组数据的标准差与其相对应的平均数之比，是测度数据离散程度的相对值。
12.拟合优度实验（goodness of fit test）对多个总体比例是否等于其期望概率的检验。当期望概率相同时，表现为对多个总体的比例是否相等的检验。
13.偏态（skewness）对数据分布对称性的测度。
14.异众比率（variation ratio）非众数组的频数占总频数的比例。
15.原假设（null hypothesis）提出一个（或两个）参数是否等于（或大于、小于）某个特殊值的命题。
16.指数平滑法（exponential smoothing）对过去的观察值加权平均进行预测的一种方法。
17.中心极限定理（central limit theorem）设从均值为 μ，方差为 σ2（有限）的任意一个总体中抽取样本量为n的样本，当n充分大时，样本均值X的抽样分布近似服从均值为 μ，方差为 σ2/ n的正态分布。
18.自由度（degree of freedom）自由度可解释为独立变量的个数，还可用二次型的秩来解释。
19.组中值（class midpoint）每一组中下限值与上限值中间的值，即组中值=（下限值+上限值）/2。
20.最小二乘法（method of least squares）使因变量的观测值yi与估计值yi之间的离差平均和达到最小来估计 β0和 β1的方法，也称最小平方法。
1.P5-P12 了解（在客观题中出现）
2.P16-P22 了解（关于各种抽样概率和非抽样概率）
3.P23 概率抽样和非概率抽样的比较
4.P24-P26 （对应课后思考题2.4自填式、面方式、电话式各有什么长处和弱处）
5.P29 关于“匹配”的一些问题（所谓匹配，是指试验单位的背景材料惊醒分析比较，将情况类型的每对单位分别分别随机的分配到实验组和对照组。）
6.P34-P40 关于误差的一些问题以及误差的控制
7.P73 雷达图的概念
8.P77 （思考题的3.2、3.3、3.4）（没借到图书馆的参考书，所以没有整理，希望有借到书的同学可以分享一下）
9.P88-P91 关于中位数和四分位数，上四分位数和下四分位数（例题4.5、4.6）
10.P91-P94 关于几何平均数以及加权平均数
11.P95 众数、中位数和平均数的比较（对应P108思考题4.5）
12.P254 拟合优度检验中χ2统计量的步骤。
13.P257 例题9.2（考试可能有类似大题）
14.P359 线性关系检验的步骤
15.P362-P365 （12.4.1 + 12.4.2（如何判别多重共线性）+ 12.4.3）
16.P378 习题12.3
17.P407 关于修正指数曲线以及Gompertz曲线
18.P424 思考题13.1+13.5（该题要求详细些的叙述平滑法）
19.P432-P434 拉氏指数和帕氏指数的公式&拉氏指数和帕氏指数的区别。
20. 构建综合评价指数的四个步骤。（1.构建综合评价指标体系2.评价指标的无量纲化处理3.确定各项评价指标的权重4.计算综合评价指数）
PS：很简略（可能有遗漏）算是小纲，没去上课的同学可以参考一下。（页码对应的是第三版课本）北区读者服务部有课后答案可去小看一下。
