统计学看书笔记

1、对数据进行系统的描述，并在此基础上进行推断的科学原理和操作方法。其定义为：统计学是收集、分析、表述和解释数据的科学。统计学研究的对象是数据。

2、描述统计和推断统计，描述统计：对样本数据进行分析，得到样本统计量；推断统计：根据样本的分析结果，在一定的方法支持下对总体或总体参数进行推理和判断。

3、关键特征来概括数据的分布特征，常用的分布特征包括数据的集中趋势、离散程度、偏度系数、峰度系数。其中，集中趋势是指数据向数据中心靠拢的趋势，从集中趋势的测量中，可以了解一组数据的代表性水平，测量集中趋势的统计量包括众数、中位数、均值；数据分布特征的第二个方面是数据的分散程度，是数据相对于集中趋势的离散程度，测量离散程度的统计量与测量集中趋势的统计量是相对应的，包括与众数相应的异众比率、与中位数相应的四分位差（上四分位数与下四分位数的差）、与均值相应的方差和标准差，常见的表现形式为箱型图和切比雪夫不等式；偏度系数是指测量数据分布对称性的统计量，有计算公式；峰度系数是指测量数据分布相对于正态分布的扁平程度的统计量，有计算公式。

4、概率与概率分布。全概率公式与贝叶斯公式，p(Ai)为各种原因发生的可能性大小，称为先验概率，p(Ai/B)为在已知结果出现的条件下对各种原因可能性大小的重新认识，为后验概率。全概率公式的作用在于已知各种原因，求结果出现的概率，具体表现为，当事件是由若干原因引起的，而这些原因又彼此互斥时，可以通过对事件在各种原因下发生的概率进行加权平均而计算出事件的概率，权数为各原因发生的概率。贝叶斯公式的作用则刚好相反，是已知结果，求其各种原因的概率。

5、离散型随机变量和连续性随机变量。计算量为期望、方差。当涉及多个随机变量时，价值在于了解变量之间的关系，可用协方差，即两个变量共同变动的程度。

6、几种重要的概率分布。离散型概率分布：二值分布的伯努利分布，二项分布，超几何分布，泊松分布；连续型概率分布：均匀分布，正态分布。正态分布在统计学中具有很重要的地位，原因为以下几个方面：现实中很多现象可以用正态分布来近似模拟；很多概率分布的极限分布是正态分布，如t分布、卡方分布；中心极限定理表明，随机变量的和的分布可以用正态分布来近似。

7、在对数据进行描述统计分析之后，需要根据一定的统计推断方法对总体参数进行推断，统计推断的基本问题包括参数估计和假设检验。

8、参数估计。几种重要的随机变量的分布，这三种分布与正态分布一样，是参数的区间估计中的重要工具，卡方分布；t分布；F分布。抽样分布定理：有三个结论，其基本假定是样本来自正态分布，但当总体不服从正态分布时，根据中心极限定理，无论样本数据来自何种分布的总体，当样本容量足够大时，样本均值都近似服从正态分布，因此估计均值的结论仍然成立，但估计的方差会有较大的偏差；参数估计的基本原理：对未知的总体参数进行估计，参数是反映总体特征的数值特征，但是由于一般情况下能够得到的数据都是样本数据，无法直接计算出参数，需要通过样本数据对其进行估计，既然总体特征的数值表示参数，那么用相应的样本特征，即适当的统计量来估计参数应当是一个自然的想法，如利用样本均值来估计总体均值，利用样本比例来估计总体比例，利用样本方差来估计总体方差等，这种基于样本统计量对总体参数进行单点估计的方法被称为参数的点估计，点估计虽然很精确，但是可行度却不高，因为任何一个具体的样本对总体的代表性都是不完全的，而且根据样本量的不同，得到的统计量会不同，增加了不确定性，因此提出了区间估计，对点估计的局限性的改进是进行区间估计，所谓区间估计，就是根据样本数据给出一个区间，使得这个区间覆盖总体参数的概率较高，这种估计的精确性没有点估计高，但是它可以以较高的概率将总体参数包含在内，因此可以提高估计的可信度，这种覆盖参数的概率称为置信度，与一定的置信度相对应的区间估计称为置信区间；点估计的方法：点估计的基本方法包括矩估计（用样本统计量估计总体的特征参数）和极大似然估计（以样本出现的最大概率来反推样本在总体中概率最大，从而找出满足极大值时总体的特征参数）；点估计的优良性准则，不同的点估计方法给出的参数估计不一定相同，那么哪一种方法给出的估计更好，要回答这个问题，就需要掌握点估计优良性的判断准则，其包含三个准则：无偏性（针对的是均值，抽取多个样本，得到多个均值，将多个均值求平均数，即为总体均值）、有效性（有效性是基于无偏估计的，得到两个无偏估计量，分别计算其方差，方差较好的参数估计更有效）、一致性；区间估计的原理；单总体均值、比例和方差的区间估计方法；两总体均值之差、比例之差和方差之比的区间估计方法；相关样本的区间估计；样本容量的确定方法。

9、假设检验。生活中经常需要回答一些是与否的问题，对于这些问题，研究者需要进行试验或统计调查，然后根据样本数据来作出回答，这种依据样本信息对问题作出回答的过程称为假设检验，待检验的假设称为统计假设。假设检验存在两类错误，第一类错误：把正确的结论判断为错误的，第二类错误：把错误的结论判断为正确的。在实际处理中，第一类错误是可以得到控制，并且可精确计算出来的，第二类错误是难以控制的，通常应当将一旦决策错误所带来的风险或损失较大的那种选择作为原假设，而将相反的一种作为备择假设，这是因为，如果原假设被拒绝，可能犯第一类错误，而犯此类错误的概率不超过规定的显著性水平，而显著性水平往往是一个很小的数，这就意味着除非有充分的证据，否则原假设不会轻易被拒绝。由此可知，将一旦决策错误带来的风险或损失较大的那种选择作为原假设，则错误决策的概率能够得到很好的控制，从而可以减小风险。统计决策的叙述：在陈述假设检验结论时，使用的是“不能拒绝原假设”的说法，而不是“接受原假设”，“不能拒绝”原假设只是意味着证据不够充分，只是在规定的显著性水平下不能认为原假设错误，但未肯定原假设就是正确的，换言之，如果掌握了充分的证据，原假设还是可能被拒绝的，陈述时，需要注意措辞。

10、正确认识统计显著性。由于显著性水平会影响统计决策，所以在假设检验中，显著性水平不能随意规定，而是要根据实际情况来确定，对于第一类错误带来的后果特别严重显著性水平，的检验问题，应当规定更小的，此外，应当在抽样之前确定显著性水平，而不是分析了数据之后才规定，后一种做法被称为“数据偷窥”。研究者陈述假设检验的结论时，如果拒绝原假设，一般会说获得了一个统计上显著的结果，需要注意的是，统计学中的“显著”一词只意味着样本与原假设的一致不受随机因素的影响，而在现实生活中，“显著”一词则往往意味着“重要”，因此，假设检验的显著性结论不一定具有重要的现实显著性。由此可知，在实际应用中，应结合实际问题的背景正确的解释和应用假设检验的结果，尤其是在样本容量很大的情况下应更为谨慎。

11、假设检验的用途是帮助分辨真实存在的差异与随机抽样误差。一个研究人员做100次检验，即使在每次检验中原假设都是正确的，如果规定的显著性水平为0.05，那么他仍可能期望获得5次“统计显著”的结果。毫不疑问，没有什么良方来确定发现的显著性差异到底是真实存在的，还是应归之于随机误差。

12、统计关联性分析方法。如果一个变量随着另一个变量变动，但是变动模式含有随机性，则称两个变量之间是统计关联关系。由于确定性关系不含随机性，所以它不是统计学研究的对象，只是统计关联关系才是统计学研究对象。统计关联分析主要有两项任务：一是推断两个变量是否存在统计关联关系，二是分析关联的方向和程度。由于不同测量尺度的变量所适用的数学运算不同，所以在推断是否存在统计关联性时，针对自变量与因变量的不同类型，形成了相应的关联分析方法，如下：

列联分析：分析定性变量与定性变量之间的统计关联性，其数据结构为列联表，描述性分析工具是百分比化列联表，推断工具是卡方检验。

方差分析：用来分析定性自变量与定量因变量之间的统计关联关系，其推断工具是F检验

相关分析：用来分析定量自变量与定量因变量之间的统计关联关系，其推断工具是相关系数。相关系数只能反映变量之间的线性关系，而不适合用来反映变量之间的非线性关联，因此，当相关系数不是显著不为0时，不能解释为两个变量之间没有关系，可能是非线性关系。在计算相关系数之前，应当借助散点图来判断一下变量间的相关类型，如果是非常明显的非线性关系，则不能计算其相关系数。相关性之间的变量有可能因为其他变量的存在而受到影响，为了避免此种情况，需要计算两个变量的偏相关系数。所谓偏相关系数，是指在对其他变量的影响进行控制的条件下，两个变量之间的相关程度。

13、回归诊断。

回归分析的几个重要假定条件：

1）正态假定：对所有的自变量值，因变量的随机扰动项服从标准正态分布；

2）同方差假定：无论自变量为何值，因变量的随机扰动项的方差都为常数；

3）独立性假定：随机扰动项相互独立；

4）线性假定：自变量和因变量的关系是线性的。

在实践过程中，如果诊断的结果是存在违背假定的情况，要么不选择最小二乘法，要么进行必要的修正。