统计方法研究

A. 统计学研究有哪些方法麻烦告诉我

统计是要分析数据的，但首先需要考察的是，数据的是否合适，实验采集的数据是否符合分析的目的和要求。
所谓
实验设计
就是指设计实验的合理程序，使得收集得到的数据符合
统计分析方法
的要求，以便得出有效的客观的
结论
。它主要适用于
自然科学
研究和工程技术领域的
统计数据
搜集。
实验设计要遵循的三个基本原则:
(1)
重复性
原则:即允许在相同条件下重复多次
实验
。好处是:其一可以获得更加精确的有效
估计量
;其二，可以获得
实验误差
的估计量。这些都是提高
估计精度
或缩小
误差范围
所需要的。
(2)
随机化
原则:是指在实验设计中，对实验对象的分配和实验次序都是随机安排的。是实验设计的重要原则。
(3)
区组
化原则:即利用
类型
分组技术，对实验对象按有关标志顺序排除，然后依次将各单位随机地分配到各处理组，使各处理组组内标志值的
差异
相对扩大，而处理组组间的差异相对缩小，这种实验设计安排称为
随机区组设计
。
2.大量观察
大量观察法是
统计学
所特有的方法。所谓大量观察法，是指对所研究的
事物
的全部或足够数量进行观察的方法。统计描述
统计描述是指对由实验或调查而得到的数据进行登记、审核、整理、归类、计算出各种能反映
总体
数量
特征
的
综合指标
，并加以分析，从中抽出有用的信息，用
表格
或
图像
把它表示出来。是统计研究的
基础
。它通过对分散无序的
原始资料
的整理归纳，运用分组法和
综合指标法
得到现象总体的数量特征，揭露
客观事物
内在数量规律性，达到认识的目的。
分组法是研究总体内部差异的重要方法，通过分组可以研究总体中不同类型的
性质
以及它们的分布情况。
综合指标法是指运用各种
统计指标
来反映和研究客观总体现象的一般数量特征和
数量关系
的方法。
统计模型
法则
是综合指标法的扩展。它是根据一定的
理论
和假定条件，用
数学方程
去模拟现实客观现象相互关系的一种
研究方法
。
4.统计推断
所谓统计推断就是以一定的置信标准要求，根据
样本数据
来判断总体数量特征的
归纳推理
的方法。统计推断是
逻辑
归纳法
在统计推理的应用，所以称为归纳推理的方法。
(1)
参数估计
法:当总体的界限已划定，总体某一数量特征(如
总体平均数
、
方差
等)的
数值
就是唯一确定的，所以把总体的数量特征称为
总体参数
。但是总体参数通常不知道，这就需要通过样本数据计算
样本统计量
，并以此作为总体参数的估计量来估计总体参数的取值或取值区间，这种方法称之为参数估计法。
(2)假设检验法:假设检验的
特点
是，由于对总体的变化情况不了解，不妨先对总体的状况作某种假设，然后根据
样本
实际
观察的资料对所作假设进行检验，来判断这种假设的真伪，以决定行动的取舍。假设检验的方法是统计推断常用的方法。

B. 统计分析法是研究方法吗

统计分析法是研究方法。

统计分析法（statistical analysis method）是把企业最近一段时间内生产该产品所耗工时的原始记录，通过一定的统计分析整理，计算出先进的消耗水平，以此为依据制订劳动定额的研究方法。

统计分析法就是运用数学方式，建立数学模型，对通过调查获取的各种数据及资料进行数理统计和分析，形成定量的结论。统计分析方法是广泛使用的现代科学方法，是一种比较科学、精确和客观的测评方法。其具体应用方法很多，在实践中使用较多的是指标评分法和图表测评法。

简介：

统计分析法是根据企业的历史数据资料以及同类企业的水平，运用统计学方法来确定企业经营各方面工作的标准。用统计计算法制定的标准，便称为统计标准。

C. 统计研究的基本方法有哪几种

（一）大量观察法 （二）统计分组法 （三）综合指标法 （四）时间数列分析法 （五）指数分析法 （六）相关分析法 （七）抽样推断法 从各个统计学专家的介绍来看，统计学的基本研究方法是上述的7类。

D. 统计学简答题统计研究的具体方法有哪些

统计研究的具体方法有以下5种，具体为：

1、大量观察法：即对研究总体的全部或足够多数的单位进行调查并进行综合分析。

2、统计分组法：应用分组来研究总体内部差异的方法。

3、统计指标法：应用统计指标来反映和研究现象总体的数量状况。

4、归纳推断法：以一定的置信标准，根据样本数据来判断总体数量特征。

5、实验设计：即对实验进行科学合理的安排，以达到最好的实验效果。

统计学其他情况简介。

统计学是一门很古老的科学，一般认为其学理研究始于古希腊的亚里士多德时代，迄今已有两千三百多年的历史。它起源于研究社会经济问题，在两千多年的发展过程中，统计学至少经历了“城邦政情”、“政治算数”和“统计分析科学”三个发展阶段。

所谓“数理统计”并非独立于统计学的新学科，确切地说，它是统计学在第三个发展阶段所形成的所有收集和分析数据的新方法的一个综合性名词。概率论是数理统计方法的理论基础，但是它不属于统计学的范畴，而是属于数学的范畴。

E. 统计研究的基本方法有哪几种

统计学专业，数学三，英语 ，以及政治啊，这是初试，不过还有复试，要考综合性统计学，不过你首先还是把初试过了再说！只要你肯努力应该没问题，我相信你会的！至于数学是很重要的他是考研的核心，拿分的关键，所以你要去看下提纲
如下：
一、微积分
一、函数、极限、连续
考试内容
函数的概念及表示法 函数的有界性、单调性、周期性和奇偶性 反函数、复合函数、隐函数、分段函数基本初等函数的性质及图形初等函数 数列极限与函数极限的概念 函数的左极限和右极限 无穷小和无穷大的概念及关系 无穷小的基本性质及阶的比较极限 四则运算 两个重要极限 函数连续与间断的概念 初等函数的连续性 闭区间上连续函数的性质
考试要求
1．理解函数的概念，掌握函数的表示法。深入了解函数的有界性、单调性、周期性和奇偶性。
3．理解复合函数、反函数、隐函数和分段函数的概念。
4。掌握基本初等函数的性质及其图形，理解初等函数的概念。
5．会建立简单应用问题中的函数关系式。
6．了解数列极限和函数极限（包括左、右极限）的概念。
7．了解无穷小的概念和基本性质，掌握无穷小的阶的比较方法。了解无穷大的概念及其与无穷小的关系。
8．了解极限的性质与极限存在的两个准则（单调有界数列有极限、夹*定理），掌握极限四则运算法则，会应用两个重要极限。
9．理解函数连续性的概念（含左连续与右连续）。
10.了解连续函数的性质和初等函数的连续性，了解闭区间上连续函数的性质（有界性、最大值与最小值定理和介值定理）及其简单应用。
二、一元函数微分学
考试内容
导数的概念 函数的可导性与连续性之间的关系 导数的四则运算 基本初等函数的导数 复合函数、反函数和隐函数的导数 高阶导数 微分的概念和运算法则 微分中值定理及其应用 洛必达（L'HoSpital）法则 函数单调性 函数的极值 函数图形的凹凸性、拐点及渐近线 函数图形的描绘 函数的最大值与最小值
考试要求
1。理解导数的概念及可导性与连续性之间的关系，了解导数的几何意义与经济意义（含边际与弹性的概念）。
2．掌握基本初等函数的导数公式、导数的四则运算法则及复合函数的求导法则；掌握反函数与隐函数求导法以及对数求导法。
3．了解高阶导数的概念，会求二阶、三阶导数及较简单函数的N阶导数。
4.了解微分的概念，导数与微分之间的关系，以及一阶微分形式的不变性：掌握微分法。
5．理解罗尔（ROl1e）定理、拉格朗日（kgrange）中值定理、柯西（oluchy）中值定理的条件和结论，掌握这三个定理的简单应用。
6．会用洛必达法则求极限。
7．掌握函数单调性的判别方法及其应用，掌握极值、最大值和最小值的求法（含解较简单的应用题）。
8．掌握曲线凹凸性和拐点的判别方法，以及曲线的渐近线的求法。
9．掌握函数作图的基本步骤和方法，会作某些简单函数的图形
三、一元函数积分学
考试内容
原函数与不定积分的概念 不定积分的基本性质 基本积分公式 不定积分的换元 积分法和分部积分法 定积分的概念和基本性质 积分中值定理 变上限定积分定义的函数及其导数 牛顿一莱布尼茨（Newton一Leibniz）公式 定积分的换元 积分法和分部积分法广义积分的概念和计算定积分的应用
考试要求
1．理解原函数与不定积分的概念，掌握不定积分的基本性质和基本积分公式；掌握计算不定积分的换元积分法和分部积分法。
2．了解定积分的概念和基本性质。掌握牛顿一莱布尼茨公式，以及定积分的换元积分法和分部积分法。会求变上限定积分的导数。
3．会利用定积分计算平面图形的面积和旋转体的体积，会利用定积分求解一些简单的经济应用题。
4．了解广义积分收敛与发散的概念，掌握计算广义积分的基本方法，了解广义积分的收敛与发散的条件。
四、多元函数微积分学
考试内容
多元函数的概念 二元函数的几何意义 二元函数的极限与连续性 有界闭区域上二元连续函数的性质（最大值和最小值定理）偏导数的概念与计算多元复合函数的求导法 隐函数求导法 高阶偏导数全微分多元函数的极值和条件极值、最大值和最小值二重积分的概念、基本性质和计算 无界区域上简单二重积分的计算
考试要求
1．了解多元函数的概念，了解二元函数的表示法与几何意义
2．了解二元函数的极限与连续的直观意义。
3．了解多元函数偏导数与全微分的概念，掌握求复合函数偏导数和全微分的方法，会用隐函数的求导法则。
4．了解多元函数极值和条件极值的概念／掌握多元函数极值存在的必要条件，了解二元函数极值存在的充分条件。会求二元函数的极值。会用拉格朗日乘数法求条件极值。会求简单多元函数的最大值和最小值，会求解一些简单的应用题。
5．了解二重积分的概念与基本性质，掌握二重积分（直角坐标、极坐标）的计算方法。会计算无界区域上的较简单的二重积分。
五、无穷级数
考试内容
常数项级数收敛与发散的概念 收敛级数的和的概念级数的基本性质与收敛的必要条件 几何级数与户级数的收敛性 正项级数收敛性的判别 任意项级数的绝对收敛与条件收敛 交错级数莱布尼茨定理幂级数的概念 收敛半径、收敛区问（指开区间）和收敛域幂级数的和函数幂级数在收敛区间内的基本性质简单幂级数的和函数的求法 初等函数的幂级数展开式
考试要求
1．了解级数的收敛与发散、收敛级数的和等概念。
2．掌握级数收敛的必要条件及收敛级数的基本性质。掌握几何级数及P 级数的收敛与发散的条件。掌握正项级数的比较判别法和达朗贝尔（比值）判别法。
3．了解任意项级数绝对收敛与条件收敛的概念，掌握交错级数的莱布尼茨判别法，掌握绝对收敛与条件收敛的判别方法。
4．会求幂级数的收敛半径和收敛域。
5．了解幂级数在收敛区问内的基本性质（和函数的连续性、逐项微分和逐项积分），会求一些简单幂级数的和函数。
6·掌握(略)等幂级数展开式，并会利用这些展开式将一些简单函数间接展成幂级数。
六、常微分方程与羡分方程
考试内容
微分方程的概念 微分方程的解、通解、初始条件和特解变量 可分离的微分方程 齐次方程一阶线性方程 二阶常系数齐次线性方程及简单的非齐次线性方程 差分与差分方程的概念 差分方程的通解与特解 一阶常系数线性差分方程 微分方程与差分方程的简单应用
考试要求
1．了解微分方程的阶、通解、初始条件和特解等概念。
2．掌握变量可分离的方程、齐次方程和一阶线性方程的求解方法。
3．会解二阶常系数齐次线性方程和自由项为多项式、指数函数、正弦函数、余弦函数，以及它们的和与乘积的二阶常系数非齐次线性微分方程。
4．了解差分与差分方程及其通解与特解等概念。
5．掌握一阶常系数线性差分方程的求解方法。
6．会应用微分方程和差分方程求解一些简单的经济应用问题。
二、线往代数
一、行列式
考试内容
行列式的概念和基本性质行列式按行（列）展开定理克莱姆（Crammer）法则
考试要求
1．理解门阶行列式的概念。
2．掌握行列式的性质，会应用行列式的性质和行列式按行（列）展开定理计算行列式。
3．会用克莱姆法则解线性方程组。

F. 两种统计学的研究方法分别是

1简述统计学的研究方法。 大量观察法,统计分组法,综合指标法,动态分析法,统 计推断法,统计指数法,抽样法,相关分析法。 2. 简述统计调查的组织形式。

G. 统计学方法有哪些

一、描述统计

描述统计是通过图表或数学方法，对数据资料进行整理、分析，并对数据的分布状态、数字特征和随机变量之间关系进行估计和描述的方法。描述统计分为集中趋势分析和离中趋势分析和相关分析三大部分。

集中趋势分析：集中趋势分析主要靠平均数、中数、众数等统计指标来表示数据的集中趋势。例如被试的平均成绩多少？是正偏分布还是负偏分布？

离中趋势分析：离中趋势分析主要靠全距、四分差、平均差、方差（协方差：用来度量两个随机变量关系的统计量）、标准差等统计指标来研究数据的离中趋势。例如，我们想知道两个教学班的语文成绩中，哪个班级内的成绩分布更分散，就可以用两个班级的四分差或百分点来比较。

相关分析：相关分析探讨数据之间是否具有统计学上的关联性。这种关系既包括两个数据之间的单一相关关系——如年龄与个人领域空间之间的关系，也包括多个数据之间的多重相关关系——如年龄、抑郁症发生率、个人领域空间之间的关系；既包括A大B就大(小)，A小B就小(大)的直线相关关系，也可以是复杂相关关系（A=Y-B*X）；既可以是A、B变量同时增大这种正相关关系，也可以是A变量增大时B变量减小这种负相关，还包括两变量共同变化的紧密程度——即相关系数。实际上，相关关系唯一不研究的数据关系，就是数据协同变化的内在根据——即因果关系。获得相关系数有什么用呢？简而言之，有了相关系数，就可以根据回归方程，进行A变量到B变量的估算，这就是所谓的回归分析，因此，相关分析是一种完整的统计研究方法，它贯穿于提出假设，数据研究，数据分析，数据研究的始终。

例如，我们想知道对监狱情景进行什么改造，可以降低囚徒的暴力倾向。我们就需要将不同的囚舍颜色基调、囚舍绿化程度、囚室人口密度、放风时间、探视时间进行排列组合，然后让每个囚室一种实验处理，然后用因素分析法找出与囚徒暴力倾向的相关系数最高的因素。假定这一因素为囚室人口密度，我们又要将被试随机分入不同人口密度的十几个囚室中生活，继而得到人口密度和暴力倾向两组变量（即我们讨论过的A、B两列变量）。然后，我们将人口密度排入X轴，将暴力倾向分排入Y轴，获得了一个很有价值的图表，当某典狱长想知道，某囚舍扩建到N人/间囚室，暴力倾向能降低多少。我们可以当前人口密度和改建后人口密度带入相应的回归方程，算出扩建前的预期暴力倾向和扩建后的预期暴力倾向，两数据之差即典狱长想知道的结果。

推论统计：

推论统计是统计学乃至于心理统计学中较为年轻的一部分内容。它以统计结果为依据，来证明或推翻某个命题。具体来说,就是通过分析样本与样本分布的差异，来估算样本与总体、同一样本的前后测成绩差异，样本与样本的成绩差距、总体与总体的成绩差距是否具有显着性差异。例如，我们想研究教育背景是否会影响人的智力测验成绩。可以找100名24岁大学毕业生和100名24岁初中毕业生。采集他们的一些智力测验成绩。用推论统计方法进行数据处理，最后会得出类似这样儿的结论：“研究发现，大学毕业生组的成绩显着高于初中毕业生组的成绩，二者在0.01水平上具有显着性差异，说明大学毕业生的一些智力测验成绩优于中学毕业生组。”

其中，如果用EXCEL 来求描述统计。其方法是：工具-加载宏-勾选"分析工具库"，然后关闭Excel然后重新打开，工具菜单就会出现"数据分析"。描述统计是“数据分析”内一个子菜单，在做的时候，记得要把方格输入正确。最好直接点选。

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

介绍：信度（Reliability）即可靠性，它是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。信度指标多以相关系数表示，大致可分为三类：稳定系数（跨时间的一致性），等值系数（跨形式的一致性）和内在一致性系数（跨项目的一致性）。信度分析的方法主要有以下四种：重测信度法、复本信度法、折半信度法、α信度系数法。

方法：（1）重测信度法编辑：这一方法是用同样的问卷对同一组被调查者间隔一定时间重复施测，计算两次施测结果的相关系数。显然，重测信度属于稳定系数。重测信度法特别适用于事实式问卷，如性别、出生年月等在两次施测中不应有任何差异，大多数被调查者的兴趣、爱好、习惯等在短时间内也不会有十分明显的变化。如果没有突发事件导致被调查者的态度、意见突变，这种方法也适用于态度、意见式问卷。由于重测信度法需要对同一样本试测两次，被调查者容易受到各种事件、活动和他人的影响，而且间隔时间长短也有一定限制，因此在实施中有一定困难。

（2）复本信度法编辑：让同一组被调查者一次填答两份问卷复本，计算两个复本的相关系数。复本信度属于等值系数。复本信度法要求两个复本除表述方式不同外，在内容、格式、难度和对应题项的提问方向等方面要完全一致，而在实际调查中，很难使调查问卷达到这种要求，因此采用这种方法者较少。

（3）折半信度法编辑：折半信度法是将调查项目分为两半，计算两半得分的相关系数，进而估计整个量表的信度。折半信度属于内在一致性系数，测量的是两半题项得分间的一致性。这种方法一般不适用于事实式问卷（如年龄与性别无法相比），常用于态度、意见式问卷的信度分析。在问卷调查中，态度测量最常见的形式是5级李克特（Likert）量表（李克特量表(Likert scale)是属评分加总式量表最常用的一种，属同一构念的这些项目是用加总方式来计分，单独或个别项目是无意义的。它是由美国社会心理学家李克特于1932年在原有的总加量表基础上改进而成的。该量表由一组陈述组成，每一陈述有"非常同意"、"同意"、"不一定"、"不同意"、"非常不同意"五种回答，分别记为5、4、3、2、1，每个被调查者的态度总分就是他对各道题的回答所得分数的加总，这一总分可说明他的态度强弱或他在这一量表上的不同状态。）。进行折半信度分析时，如果量表中含有反意题项，应先将反意题项的得分作逆向处理，以保证各题项得分方向的一致性，然后将全部题项按奇偶或前后分为尽可能相等的两半，计算二者的相关系数（rhh，即半个量表的信度系数），最后用斯皮尔曼-布朗（Spearman-Brown）公式：求出整个量表的信度系数（ru）。

（4）α信度系数法编辑：Cronbach
α信度系数是目前最常用的信度系数，其公式为：

α=(k/(k-1))*(1-(∑Si^2)/ST^2)

其中，K为量表中题项的总数， Si^2为第i题得分的题内方差， ST^2为全部题项总得分的方差。从公式中可以看出，α系数评价的是量表中各题项得分间的一致性，属于内在一致性系数。这种方法适用于态度、意见式问卷（量表）的信度分析。

总量表的信度系数最好在0.8以上，0.7-0.8之间可以接受；分量表的信度系数最好在0.7以上，0.6-0.7还可以接受。Cronbach 's alpha系数如果在0.6以下就要考虑重新编问卷。

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

列联表是观测数据按两个或更多属性（定性变量）分类时所列出的频数表。

简介：一般，若总体中的个体可按两个属性A、B分类，A有r个等级A1,A2,…，Ar，B有c个等级B1,B2,…，Bc,从总体中抽取大小为n的样本，设其中有nij个个体的属性属于等级Ai和Bj，nij称为频数，将r×c个nij排列为一个r行c列的二维列联表，简称r×c表。若所考虑的属性多于两个，也可按类似的方式作出列联表，称为多维列联表。

列联表又称交互分类表，所谓交互分类，是指同时依据两个变量的值，将所研究的个案分类。交互分类的目的是将两变量分组，然后比较各组的分布状况，以寻找变量间的关系。

用于分析离散变量或定型变量之间是否存在相关。

列联表分析的基本问题是，判明所考察的各属性之间有无关联，即是否独立。如在前例中，问题是：一个人是否色盲与其性别是否有关？在r×с表中，若以pi、pj和pij分别表示总体中的个体属于等级Ai，属于等级Bj和同时属于Ai、Bj的概率（pi，pj称边缘概率，pij称格概率）,“A、B两属性无关联”的假设可以表述为H0：pij=pi·pj，(i=1，2，…，r；j=1,2,…，с)，未知参数pij、pi、pj的最大似然估计（见点估计）分别为行和及列和（统称边缘和）

为样本大小。根据K.皮尔森(1904)的拟合优度检验或似然比检验（见假设检验）,当h0成立，且一切pi>0和pj>0时，统计量的渐近分布是自由度为(r－1)(с－1) 的Ⅹ分布，式中Eij=(ni·nj)/n称为期望频数。当n足够大，且表中各格的Eij都不太小时，可以据此对h0作检验：若Ⅹ值足够大，就拒绝假设h0，即认为A与B有关联。在前面的色觉问题中，曾按此检验，判定出性别与色觉之间存在某种关联。

需要注意：

若样本大小n不很大,则上述基于渐近分布的方法就不适用。对此，在四格表情形，R.A.费希尔(1935)提出了一种适用于所有n的精确检验法。其思想是在固定各边缘和的条件下，根据超几何分布（见概率分布），可以计算观测频数出现任意一种特定排列的条件概率。把实际出现的观测频数排列，以及比它呈现更多关联迹象的所有可能排列的条件概率都算出来并相加，若所得结果小于给定的显着性水平，则判定所考虑的两个属性存在关联，从而拒绝h0。

对于二维表，可进行卡方检验，对于三维表，可作Mentel-Hanszel分层分析。

列联表分析还包括配对计数资料的卡方检验、行列均为顺序变量的相关检验。

五、相关分析

研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关方向及相关程度。

1、单相关： 两个因素之间的相关关系叫单相关，即研究时只涉及一个自变量和一个因变量；

2、复相关 ：三个或三个以上因素的相关关系叫复相关，即研究时涉及两个或两个以上的自变量和因变量相关；

3、偏相关：在某一现象与多种现象相关的场合，当假定其他变量不变时，其中两个变量之间的相关关系称为偏相关。

六、方差分析

使用条件：各样本须是相互独立的随机样本；各样本来自正态分布总体；各总体方差相等。

分类

1、单因素方差分析：一项试验只有一个影响因素，或者存在多个影响因素时，只分析一个因素与响应变量的关系

2、多因素有交互方差分析：一顼实验有多个影响因素，分析多个影响因素与响应变量的关系，同时考虑多个影响因素之间的关系

3、多因素无交互方差分析：分析多个影响因素与响应变量的关系，但是影响因素之间没有影响关系或忽略影响关系

4、协方差分祈：传统的方差分析存在明显的弊端，无法控制分析中存在的某些随机因素，使之影响了分祈结果的准确度。协方差分析主要是在排除了协变量的影响后再对修正后的主效应进行方差分析，是将线性回归与方差分析结合起来的一种分析方法，

七、回归分析

分类：

1、一元线性回归分析：只有一个自变量X与因变量Y有关，X与Y都必须是连续型变量，因变量y或其残差必须服从正态分布。

2、多元线性回归分析

使用条件：分析多个自变量与因变量Y的关系，X与Y都必须是连续型变量，因变量y或其残差必须服从正态分布 。

1）变呈筛选方式：选择最优回归方程的变里筛选法包括全横型法（CP法）、逐步回归法，向前引入法和向后剔除法

2）横型诊断方法：

A 残差检验： 观测值与估计值的差值要艰从正态分布

B 强影响点判断：寻找方式一般分为标准误差法、Mahalanobis距离法

C 共线性诊断：

• 诊断方式：容忍度、方差扩大因子法(又称膨胀系数VIF)、特征根判定法、条件指针CI、方差比例

• 处理方法：增加样本容量或选取另外的回归如主成分回归、岭回归等

3、Logistic回归分析

线性回归模型要求因变量是连续的正态分布变里，且自变量和因变量呈线性关系，而Logistic回归模型对因变量的分布没有要求，一般用于因变量是离散时的情况

分类：

Logistic回归模型有条件与非条件之分，条件Logistic回归模型和非条件Logistic回归模型的区别在于参数的估计是否用到了条件概率。

4、其他回归方法 非线性回归、有序回归、Probit回归、加权回归等

八、聚类分析

聚类与分类的不同在于，聚类所要求划分的类是未知的。

聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。

从统计学的观点看，聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用k-均值、k-中心点等算法的聚类分析工具已被加入到许多着名的统计分析软件包中，如SPSS、SAS等。

从机器学习的角度讲，簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，需要由聚类学习算法自动确定标记，而分类学习的实例或数据对象有类别标记。聚类是观察式学习，而不是示例式的学习。

聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致。

从实际应用的角度看，聚类分析是数据挖掘的主要任务之一。而且聚类能够作为一个独立的工具获得数据的分布状况，观察每一簇数据的特征，集中对特定的聚簇集合作进一步地分析。聚类分析还可以作为其他算法（如分类和定性归纳算法）的预处理步骤。

定义：

依据研究对象（样品或指标）的特征，对其进行分类的方法，减少研究对象的数目。

各类事物缺乏可靠的历史资料，无法确定共有多少类别，目的是将性质相近事物归入一类。

各指标之间具有一定的相关关系。

聚类分析(cluster
analysis)是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。聚类分析区别于分类分析(classification
analysis) ，后者是有监督的学习。

变量类型：定类变量、定量（离散和连续）变量

样本个体或指标变量按其具有的特性进行分类，寻找合理的度量事物相似性的统计量。

1、性质分类：

Q型聚类分析：对样本进行分类处理，又称样本聚类分祈使用距离系数作为统计量衡量相似度，如欧式距离、极端距离、绝对距离等

R型聚类分析：对指标进行分类处理，又称指标聚类分析使用相似系数作为统计量衡量相似度，相关系数、列联系数等

2、方法分类：

1）系统聚类法：适用于小样本的样本聚类或指标聚类，一般用系统聚类法来聚类指标，又称分层聚类

2）逐步聚类法：适用于大样本的样本聚类

3）其他聚类法：两步聚类、K均值聚类等

九、判别分析

1、判别分析：根据已掌握的一批分类明确的样品建立判别函数，使产生错判的事例最少，进而对给定的一个新样品，判断它来自哪个总体

2、与聚类分析区别

1）聚类分析可以对样本逬行分类，也可以对指标进行分类；而判别分析只能对样本

2）聚类分析事先不知道事物的类别，也不知道分几类；而判别分析必须事先知道事物的类别，也知道分几类

3）聚类分析不需要分类的历史资料，而直接对样本进行分类；而判别分析需要分类历史资料去建立判别函数，然后才能对样本进行分类

3、进行分类 ：

1）Fisher判别分析法 ：

以距离为判别准则来分类，即样本与哪个类的距离最短就分到哪一类，适用于两类判别；

以概率为判别准则来分类，即样本属于哪一类的概率最大就分到哪一类，适用于

适用于多类判别。

2）BAYES判别分析法 ：

BAYES判别分析法比FISHER判别分析法更加完善和先进，它不仅能解决多类判别分析，而且分析时考虑了数据的分布状态，所以一般较多使用；

十、主成分分析

介绍：主成分分析（Principal
Component Analysis，PCA）， 是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。

在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。

主成分分析首先是由K.皮尔森（Karl Pearson）对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。

将彼此梠关的一组指标变适转化为彼此独立的一组新的指标变量，并用其中较少的几个新指标变量就能综合反应原多个指标变量中所包含的主要信息。

原理：在用统计分析方法研究多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，将重复的变量（关系紧密的变量）删去多余，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。

设法将原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析，也是数学上用来降维的一种方法。

缺点： 1、在主成分分析中，我们首先应保证所提取的前几个主成分的累计贡献率达到一个较高的水平（即变量降维后的信息量须保持在一个较高水平上），其次对这些被提取的主成分必须都能够给出符合实际背景和意义的解释（否则主成分将空有信息量而无实际含义）。

2、主成分的解释其含义一般多少带有点模糊性，不像原始变量的含义那么清楚、确切，这是变量降维过程中不得不付出的代价。因此，提取的主成分个数m通常应明显小于原始变量个数p（除非p本身较小），否则维数降低的“利”可能抵不过主成分含义不如原始变量清楚的“弊”。

十一、因子分析

一种旨在寻找隐藏在多变量数据中、无法直接观察到却影响或支配可测变量的潜在因子、并估计潜在因子对可测变量的影响程度以及潜在因子之间的相关性的一种多元统计分析方法

与主成分分析比较：

相同：都能够起到治理多个原始变量内在结构关系的作用

不同：主成分分析重在综合原始变适的信息.而因子分析重在解释原始变量间的关系，是比主成分分析更深入的一种多元统计方法

用途：

1）减少分析变量个数

2）通过对变量间相关关系探测，将原始变量进行分类

十二、时间序列分析

动态数据处理的统计方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题；时间序列通常由4种要素组成：趋势、季节变动、循环波动和不规则波动。

主要方法：移动平均滤波与指数平滑法、ARIMA横型、量ARIMA横型、ARIMAX模型、向呈自回归横型、ARCH族模型

时间序列是指同一变量按事件发生的先后顺序排列起来的一组观察值或记录值。构成时间序列的要素有两个：其一是时间，其二是与时间相对应的变量水平。实际数据的时间序列能够展示研究对象在一定时期内的发展变化趋势与规律，因而可以从时间序列中找出变量变化的特征、趋势以及发展规律，从而对变量的未来变化进行有效地预测。

时间序列的变动形态一般分为四种：长期趋势变动，季节变动，循环变动，不规则变动。

时间序列预测法的应用：

系统描述：根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述；

系统分析：当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理；

预测未来：一般用ARMA模型拟合时间序列，预测该时间序列未来值；

决策和控制：根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。

特点：

假定事物的过去趋势会延伸到未来；

预测所依据的数据具有不规则性；

撇开了市场发展之间的因果关系。

①时间序列分析预测法是根据市场过去的变化趋势预测未来的发展，它的前提是假定事物的过去会同样延续到未来。事物的现实是历史发展的结果，而事物的未来又是现实的延伸，事物的过去和未来是有联系的。市场预测的时间序列分析法，正是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。市场预测中，事物的过去会同样延续到未来，其意思是说，市场未来不会发生突然跳跃式变化，而是渐进变化的。

时间序列分析预测法的哲学依据，是唯物辩证法中的基本观点，即认为一切事物都是发展变化的，事物的发展变化在时间上具有连续性，市场现象也是这样。市场现象过去和现在的发展变化规律和发展水平，会影响到市场现象未来的发展变化规律和规模水平；市场现象未来的变化规律和水平，是市场现象过去和现在变化规律和发展水平的结果。

需要指出，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。因此，在应用时间序列分析法进行市场预测时应注意市场现象未来发展变化规律和发展水平，不一定与其历史和现在的发展变化规律完全一致。随着市场现象的发展，它还会出现一些新的特点。因此，在时间序列分析预测中，决不能机械地按市场现象过去和现在的规律向外延伸。必须要研究分析市场现象变化的新特点，新表现，并且将这些新特点和新表现充分考虑在预测值内。这样才能对市场现象做出既延续其历史变化规律，又符合其现实表现的可靠的预测结果。

②时间序列分析预测法突出了时间因素在预测中的作用，暂不考虑外界具体因素的影响。时间序列在时间序列分析预测法处于核心位置，没有时间序列，就没有这一方法的存在。虽然，预测对象的发展变化是受很多因素影响的。但是，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。因此，为了求得能反映市场未来发展变化的精确预测值，在运用时间序列分析法进行预测时，必须将量的分析方法和质的分析方法结合起来，从质的方面充分研究各种因素与市场的关系，在充分分析研究影响市场变化的各种因素的基础上确定预测值。

需要指出的是，时间序列预测法因突出时间序列暂不考虑外界因素影响，因而存在着预测误差的缺陷，当遇到外界发生较大变化，往往会有较大偏差，时间序列预测法对于中短期预测的效果要比长期预测的效果好。因为客观事物，尤其是经济现象，在一个较长时间内发生外界因素变化的可能性加大，它们对市场经济现象必定要产生重大影响。如果出现这种情况，进行预测时，只考虑时间因素不考虑外界因素对预测对象的影响，其预测结果就会与实际状况严重不符。

H. 统计方法有哪些在什么情况下用什么方法

1.计量资料的统计方法

分析计量资料的统计分析方法可分为参数检验法和非参数检验法。

参数检验法主要为t检验和方差分析(ANOVN，即F检验)等，两组间均数比较时常用t检验和u检验，两组以上均数比较时常用方差分析；非参数检验法主要包括秩和检验等。t检验可分为单组设计资料的t检验、配对设计资料的t检验和成组设计资料的t检验；当两个小样本比较时要求两总体分布为正态分布且方差齐性，若不能满足以上要求，宜用t 检验或非参数方法(秩和检验)。方差分析可用于两个以上样本均数的比较，应用该方法时，要求各个样本是相互独立的随机样本，各样本来自正态总体且各处理组总体方差齐性。根据设计类型不同，方差分析中又包含了多种不同的方法。对于定量资料，应根据所采用的设计类型、资料所具备的条件和分析目的，选用合适的统计分析方法，不应盲目套用t检验和单因素方差分析。

2.计数资料的统计方法

计数资料的统计方法主要针对四格表和R×C表利用检验进行分析。 四格表资料：组间比较用

检验或u检验，若不能满足 检验：当计数资料呈配对设计时，获得的四格表为配对四格表，其用到的检验公式和校正公式可参考书籍。 R×C表可以分为双向无序，单向有序、双向有序属性相同和双向有序属性不同四类，不同类的行列表根据其研究目的，其选择的方法也不一样。

3.等级资料的统计方法

等级资料(有序变量)是对性质和类别的等级进行分组，再清点每组观察单位个数所得到的资料。在临床医学资料中，常遇到一些定性指标，如临床疗效的评价、疾病的临床分期、病症严重程度的临床分级等，对这些指标常采用分成若干个等级然后分类计数的办法来解决它的量化问题，这样的资料统计上称为等级资料。

I. 从统计方法研究和应用的角度可将统计学分为理论统计学和什么统计学

从统计方法研究和应用的角度可将统计学分为社会统计学和数理统计学，数理统计学是应用数学的一个分支。

J. 统计研究方法中最基本的三种是

（一）大量观察法
（二）统计分组法
（三）综合指标法
（四）时间数列分析法
（五）指数分析法
（六）相关分析法
（七）抽样推断法
从各个统计学专家的介绍来看，统计学的基本研究方法是上述的7类。