统计学常用方法总结.pptx

统计学常用方法总结汇报人：XXX2024-01-26

描述性统计方法推论性统计方法非参数统计方法多元统计方法时间序列分析方法目录

01描述性统计方法

通过直接观察、记录数据，如人口普查、市场调查等。观察法在控制条件下进行试验以收集数据，如农业试验、医学试验等。实验法通过问卷、访谈等方式收集数据，如民意调查、社会调查等。调查法数据收集与整理

用于展示分类数据的数量或频率，易于比较不同类别之间的差异。条形图折线图饼图用于展示时间序列数据或连续性数据的趋势和变化。用于展示分类数据的占比情况，易于观察各类别之间的比例关系。030201数据的图表展示

集中趋势度量如平均数、中位数和众数，用于描述数据的中心位置或典型值。离散程度度量如方差、标准差和四分位距，用于描述数据的波动情况或分散程度。偏态与峰态度量如偏态系数和峰态系数，用于描述数据分布的形状特征。数据的概括性度量

02推论性统计方法

抽样分布与参数估计表示总体参数真值可能落入的区间范围，其置信水平表示区间包含总体参数真值的概率。置信区间描述从总体中随机抽取的样本统计量的概率分布，常见的抽样分布有t分布、F分布和卡方分布。抽样分布利用样本数据对总体参数进行估计，包括点估计和区间估计。点估计使用样本统计量直接作为总体参数的估计值，而区间估计则给出总体参数的一个置信区间。参数估计

假设检验01用于判断总体参数是否等于某个特定值或两个总体参数是否相等，包括原假设和备择假设的设立、检验统计量的选择、显著性水平的确定以及拒绝域的划定。显著性水平02表示在假设检验中犯第一类错误的概率，即错误地拒绝原假设的概率。常用的显著性水平有0.01、0.05和0.1。P值03表示在假设检验中观察到的样本数据或更极端情况出现的概率，用于判断是否拒绝原假设。当P值小于或等于显著性水平时，拒绝原假设。假设检验与显著性水平

用于比较两个或多个总体的均值是否存在显著差异，通过计算组间方差和组内方差来判断总体均值是否存在差异。方差分析（ANOVA）用于探究自变量和因变量之间的线性关系，通过拟合回归方程来预测因变量的取值。常见的回归分析方法有简单线性回归、多元线性回归和非线性回归等。回归分析在回归分析中，需要选择合适的自变量并诊断模型的拟合优度、共线性等问题，以确保回归模型的准确性和可靠性。变量选择与模型诊断方差分析与回归分析

03非参数统计方法

用于检验两个分类变量之间是否独立，即它们之间是否存在关联。通过计算实际观测值与理论期望值之间的卡方统计量，来判断观测值与期望值之间的差异是否显著。卡方检验用于判断两个分类变量是否相互独立。通过构建二维列联表，计算相关统计量（如卡方值、CramersV等），并进行假设检验，以确定两个变量之间是否存在显著的关联。独立性检验卡方检验与独立性检验

秩和检验又称为Mann-WhitneyU检验，用于比较两个独立样本的总体分布是否存在差异。该方法首先对样本数据进行排序，然后计算各样本的秩和，最后通过比较两组样本的秩和来判断它们之间的差异是否显著。符号检验用于比较两个配对样本的总体中位数是否存在差异。该方法首先计算各配对样本的差值，然后根据差值的符号进行统计，最后通过比较正负符号的数量来判断两组样本之间的差异是否显著。秩和检验与符号检验

核密度估计通过构建核函数来估计变量的概率密度函数，从而描述变量的分布情况。该方法不需要对数据的分布做出任何假设，适用于各种类型的数据。最近邻方法利用数据点之间的距离信息来进行回归预测。该方法首先找到与预测点最近的若干个数据点，然后根据这些数据点的响应值进行加权平均或投票等方式来得到预测结果。决策树与随机森林通过构建决策树或随机森林模型来进行回归预测。这些方法能够自动地进行特征选择并处理非线性关系，具有较高的预测精度和可解释性。非参数回归分析

04多元统计方法

根据样本间的相似性或距离，将样本划分为不同的类别，使得同一类别内的样本尽可能相似，不同类别间的样本尽可能不同。常见的聚类方法有K-means聚类、层次聚类等。聚类分析在已知样本分类的情况下，通过建立判别函数或判别规则，对新样本进行分类预测。常见的判别分析方法有线性判别分析、二次判别分析等。判别分析聚类分析与判别分析

主成分分析与因子分析主成分分析通过正交变换将原始变量转换为新的综合变量，即主成分，这些主成分能够反映原始变量的绝大部分信息，且彼此间互不相关。主成分分析常用于数据降维和特征提取。因子分析通过寻找公共因子来解释原始变量间的相关关系，这些公共因子能够反映原始变量的共同特征或背景信息。因子分析常用于探索性数据分析和结构方程模型等。

VS研究两组变量间相关关系的一种多元统计方法。它通过寻找两组变量的线性组合，使得这两组线性组合的相关系数达到最大。典型相关分析常用于研究两组变量间的整体相关性和内部