下载文档原格式
统计学名词解释第一章绪论1.随机变量：在统计学上，把取值之间不能预料到什么值的变量。
2.总体：又称母全体、全域，指具有某种特征的一类事物的全体。
3.个体：构成总体的每个基本单元称为个体。
4.样本：从总体中抽取的一部分个体，称为总体的一个样本。
5.次数：指某一事件在某一类别中出现的数目，又称为频数。
6.频率：又称相对次数，即某一事件发生的次数被总的事件数目除，亦即某一数据出现的次数被这一组数据总个数去除。
7.概率：某一事物或某一情在某一总体中出现的比率。
8.观测值：一旦确定了某个值。
就称这个值为某一变量的观测值。
9.参数：又称为总体参数，是描述一个总体情况的统计指标。
10.统计量：样本的那些特征值叫做统计量，又称特征值。
第二章统计图表1.统计表：是由纵横交叉的线条绘制，并将数据按照一定的要求整理、归类、排列、填写在内的一种表格形式。
一般由表号、名称、标目、数字、表注组成。
2.统计图：一般采用直角坐标系，通常横轴表示事物的组别或自变量x，称为分类轴。
纵轴表示事物出现的次数或因变量，称为数值轴。
一般由图号及图题、图目、图尺、图形、图例、图组成。
3.简单次数分布表：依据每一个分数值在一列数据中出现的次数或总计数资料编制成的统计表，适合数据个数和分布范围比较小的时候用。
4.分组次数分布表：数据量很大时，应该把所有的数据先划分在若干区间，然后将数据按其数值大小划归到相应区域的组别内，分别统计各个组别中包括的数据个数，再用列表的形式呈现出来，适合数据个数和分布范围比较大的时候用。
5.分组次数分布表的编制步骤：（1）求全距（2）定组距和组数（3）列出分组组距（4）登记次数（5）计算次数6.分组次数分布的意义：（1）优点：A．可将杂乱无章数据排列成序，以发现各数据的出现次数及分布状况。
B．可显示一组数据的集中情况和差异情况等。
（2）缺点：原始数据不见了，从而依据这样的统计表算出的平均值会与用原始数据算出的值有出入，出现误差，即归组效应。
第五章相关分析第一节相关的意义一、相关的概念相关分析是分析事物之间相互联系的一种手段。
1、从性质角度考虑事物间的联系因果关系：一种现象是另一种现象的因，而另一种现象是这种现象的果。
努力学习是学习成绩好的因，学习成绩好是努力学习的果。
共变关系：表面看来有联系的两种事物都与第三种现象有关，这两种事物间的关系就是共变关系。
如春天出生的婴儿与春天栽种的小树，就其高度而言，表面上看来都在增长，好像有关，其实这二者都是受时间因素的影响，它们本身之间并没有直接的关系。
相关关系：两类现象在发展变化的方向及大小方面存在一定的关系。
如：学生入学成绩与进校一年后的学业成绩；各种成绩之间；中学成绩与大学成绩；智商与学业成绩；教育投资与教育带来的发展；自我价值感与学业成绩、经济条件；运动员的赛前焦虑与比赛成绩、临近比赛的时间；动机强度与工作效率等之间的关系都属于相关关系。
2、相关的种类（1）方向上——正相关、负相关和零相关正相关指一列变量由大而小或由小而大变化时，另一列变量亦由大而小或由小而大的变化，即两列变量是同方向变化的，属“同增共减”的关系。
负相关指一列变量由大而小或由小而大的变化，另一列变量却反由小而大或由大而小的变化，即两列变量的变化方向是相反的，属“此增彼减”的关系。
零相关又称无相关，是一列变量由大而小或由小而大变化时，另一列变量则或大或小的变化，即两列变量的变化看不出一定的趋势，甚至毫无关系。
（2）形状——直线相关和曲线相关直线相关指两列变量中的一列变量在增加时，另一列变量随之而增加；或一列变量在增加，另一列变量却相应地减少，形成一种直线关系。
两列变量的变化在坐标轴上绘制散点图时形成的是长轴或椭圆形图形。
曲线相关指两列相伴随变化的变量，未能形成直线关系。
两列变量的变化莫测在坐标轴上绘制散点图时形成的是成弯月状或曲线形图形。
（3）相关程度——完全相关、强相关、弱相关和无相关完全相关指两列变量的关系是一一对应、完全确定的关系。
第一章绪论1.描述统计（descriptive statistics)主要研究如何将实验或调查得到的大量数据进行图表整理或简缩成有代表性的数字（即统计量数），使其能客观、全面地反映这组数据的全貌，将其所提供的信息充分显现出来，为进一步统计分析和推论提供可能。
2.描述统计只限于对试验样本所得观测数据的统计分析，不考察其总体的特性。
3.推论统计(inferential statistics)是以描述统计为基础，从而解决由局部到全体的推论问题，即通过对一组统计量的计算分析，推论该组数据所代表的总体特性。
4.变量(variables)：一个可以取不同数值的物体属性/事件。
5.事前无法预期结果的变量——随机变量6.观测值（原始取值）：事后测定的某一结果。
7.概念理解：[涉及“实验”] 自变量（及其各水平）& 因变量（及相应的反应指标）；[涉及“调查”，粗略对应于] 属性变量& 反应变量8.计数资料(count data)：计算个数的数据，（如人口数，学校数，男女数等）9.计量资料(measurement data)：借助于一定的测量工具或一定的测量标准而获得的数据（如分数，身高，体重，IQ）10.称名数据(nominal data)：只区分属性或类别上的不同，只可计数，不能排序（性别，学科，职业）11.等级/顺序数据(ordinal data)：可排序，但无相等单位，不能加减。
（等级评定，受教育程度，职称）12.等距数据(interval data)：具有相等单位，无绝对零的数据，能加减不能乘除。
13.比率数据(ratio data)：既表明量的大小，又具有相等单位，可以加减乘除，具有绝对零点。
14.称名数据和顺序数据合称为离散数据。
15.等距数据和比率数据合称为连续数据。
16.离散数据(discrete data)又称为不连续数据，这类数据在任何两个数据点之间所取的数据的个数是有限的。
17.连续数据(continuous data)指任意两个数据点之间都可以细分出无限多个大小不同的数值。
第五章相关分析与回归分析相关分析（Correlation Analysis）和回归分析（Regression Analysis）都是统计学中常用的数据分析方法，用于研究两个或多个变量之间的关系。
相关分析主要用于衡量变量之间的线性关系强度和方向，回归分析则是基于相关分析的基础上建立数学模型来预测或解释因变量的方法。
相关分析是一种用于研究两个变量之间关系强度和方向的统计方法。
相关系数是用来衡量两个变量之间相关关系强度的指标，其取值范围为[-1,1]。
当相关系数为正时，表示两个变量呈正相关，即随着一个变量增加，另一个变量也增加；当相关系数为负时，表示两个变量呈负相关，即随着一个变量增加，另一个变量减少；当相关系数接近于0时，表示两个变量之间关系弱或不存在。
常用的相关系数有皮尔逊相关系数（Pearson correlation coefficient）、斯皮尔曼相关系数（Spearman’s rank correlati on coefficient）和肯德尔相关系数（Kendall’s rank correlation coefficient）等。
皮尔逊相关系数适用于两个变量均为连续型的情况，斯皮尔曼和肯德尔相关系数则适用于至少一个变量为顺序型或等距型的情况。
回归分析是一种建立数学模型来预测或解释因变量的方法。
在回归分析中，通常将一个或多个自变量与一个因变量建立数学关系，然后通过该关系来预测或解释因变量。
回归分析可以分为简单回归分析和多元回归分析两种。
简单回归分析是指只有一个自变量和一个因变量之间的分析。
该方法主要用于研究一个自变量对因变量的影响，通过拟合一条直线来描述自变量和因变量之间的线性关系。
简单回归分析的核心是最小二乘法，即通过最小化误差平方和来确定最佳拟合直线。
多元回归分析是指有多个自变量和一个因变量之间的分析。
该方法主要用于研究多个自变量对因变量的影响，并建立一个多元线性回归模型来描述它们之间的关系。
完整版)统计学名词解释统计学名词解释第一章绪论在统计学上，随机变量指的是取值之间不能预料到的变量。
总体，又称母全体或全域，是指具有某种特征的一类事物的全体。
构成总体的每个基本单元称为个体。
从总体中抽取的一部分个体称为样本。
次数指的是某一事件在某一类别中出现的数目，又称为频数。
频率，又称相对次数，指某一事件发生的次数被总的事件数目除，即某一数据出现的次数被这一组数据总个数去除。
概率指某一事物或某一情在某一总体中出现的比率。
一旦确定了某个值，就称这个值为某一变量的观测值。
参数，又称为总体参数，是描述一个总体情况的统计指标。
样本的那些特征值叫做统计量，又称特征值。
第二章统计图表统计表是由纵横交叉的线条绘制，并将数据按照一定的要求整理、归类、排列、填写在内的一种表格形式。
一般由表号、名称、标目、数字、表注组成。
统计图一般采用直角坐标系，通常横轴表示事物的组别或自变量x，称为分类轴。
纵轴表示事物出现的次数或因变量，称为数值轴。
一般由图号及图题、图目、图尺、图形、图例、图组成。
简单次数分布表适合数据个数和分布范围比较小的时候用，它是依据每一个分数值在一列数据中出现的次数或总计数资料编制成的统计表。
而分组次数分布表适合数据个数和分布范围比较大的时候用。
数据量很大时，应该把所有的数据先划分在若干区间，然后将数据按其数值大小划归到相应区域的组别内，分别统计各个组别中包括的数据个数，再用列表的形式呈现出来。
分组次数分布表的编制步骤包括求全距、定组距和组数、列出分组组距、登记次数和计算次数。
相对次数分布表用频数比率或百分数来表示次数，而累加次数分布表则把各组的次数由下而上或由上而下加在一起。
最后一组的累加次数等于总次数。
双列次数分布表用同一个表表示有联系的两列变量的次数分布。
而不等距次数分布表则适用于像工资级别和年龄分组这样的不等距数据。
需要注意的是，归组效应是分组次数分布表的缺点之一，因为原始数据不见了，从而依据这样的统计表算出的平均值会与用原始数据算出的值有出入，出现误差。
