常用统计技术方法.pptx

常用统计技术方法汇报人：XXX2024-01-26

CATALOGUE目录描述性统计推论性统计非参数统计多元统计方法时间序列分析统计软件应用

描述性统计01CATALOGUE

03数据可视化直方图、箱线图、散点图等01数据清洗去除重复、异常值、缺失值等02数据转换标准化、归一化等数据整理和展示

算术平均数所有数据的和除以数据个数中位数将数据从小到大排列，位于中间位置的数众数出现次数最多的数集中趋势度量

极差最大值与最小值之差方差各数据与平均数之差的平方的平均数标准差方差的平方根四分位数间距上四分位数与下四分位数之差离散程度度量

描述数据分布偏斜方向和程度的统计量描述数据分布尖峭或扁平程度的统计量偏态与峰态度量峰态系数偏态系数

推论性统计02CATALOGUE

参数估计点估计用样本统计量来估计总体参数，如样本均值、样本比例等。区间估计根据样本数据计算出一个区间，该区间以一定的置信水平包含了总体参数的真值。

原假设与备择假设设立相互对立的两个假设，通过样本数据来判断哪个假设更合理。检验统计量与拒绝域选择合适的检验统计量，并确定拒绝原假设的临界值或拒绝域。P值与决策计算P值，与显著性水平进行比较，从而做出接受或拒绝原假设的决策。假设检验

研究一个控制变量对观测变量的影响，通过比较不同水平下的均值差异来判断控制变量是否对观测变量有显著影响。单因素方差分析研究多个控制变量对观测变量的影响，以及控制变量之间的交互作用。多因素方差分析方差分析

通过建立一个自变量和一个因变量之间的线性关系模型，来预测或解释因变量的变化。一元线性回归多元线性回归非线性回归在模型中引入多个自变量，研究多个自变量对因变量的共同影响。当自变量和因变量之间的关系不是线性时，通过建立非线性模型来进行回归分析。030201回归分析

非参数统计03CATALOGUE

原理通过比较实际观测值与理论期望值之间的差异，判断两个分类变量之间是否独立。应用场景适用于多个分类变量的独立性检验，如医学领域的病例对照研究、市场调查中的消费者行为分析等。优缺点优点是可以处理多个分类变量，且对数据的分布没有严格要求；缺点是当样本量较小时，检验效能可能降低。卡方检验

通过对样本数据的秩进行求和，比较两组样本秩和的差异，从而判断两组样本是否来自同一总体。原理适用于两独立样本或配对样本的比较，如医学领域的临床试验效果评价、心理学中的行为实验分析等。应用场景优点是对数据的分布没有严格要求，适用于各种类型的数据；缺点是当样本量较大或存在异常值时，检验效能可能受到影响。优缺点秩和检验

应用场景适用于单个样本或两个相关样本的比较，如质量控制中的产品合格率检验、心理学中的个体差异分析等。优缺点优点是简单易行，对数据分布没有严格要求；缺点是当样本量较小或数据分布偏态时，检验效能可能降低。原理根据样本数据的中位数或均值将数据分为正负两组，比较正负号的个数，从而判断样本数据是否来自同一总体。符号检验

通过计算样本数据中连续出现的正号或负号的游程数，判断样本数据是否随机出现。原理适用于判断时间序列数据或空间数据的随机性，如气象学中的气候变化趋势分析、生态学中的物种分布格局研究等。应用场景优点是可以处理各种类型的数据，包括连续型和离散型数据；缺点是当数据存在周期性或趋势性变化时，游程检验可能失效。优缺点游程检验

多元统计方法04CATALOGUE

通过计算样本间的距离或相似度，将相似的样本聚集在一起，形成不同的类别。系统聚类法将样本划分为K个类别，使得每个样本与其所属类别的中心点的距离最小。K-均值聚类法利用数据之间的相似度矩阵的特征向量进行聚类，适用于非凸形状的簇和复杂数据集。谱聚类法聚类分析

通过寻找公共因子来解释变量之间的相关性，揭示数据的内在结构。探索性因子分析在已知因子结构的情况下，检验数据是否符合该结构，评估模型的拟合程度。验证性因子分析因子分析

主成分提取通过线性变换将原始变量转换为新的主成分，以解释数据中的最大变异。主成分得分计算每个样本在主成分上的得分，用于降维、可视化或进一步分析。主成分分析

通过寻找最佳线性组合来区分不同类别的样本，实现分类和预测。线性判别分析在线性判别分析的基础上引入二次项，以更好地拟合非线性分类边界。二次判别分析适用于多类别分类问题，通过构建多个判别函数来实现不同类别之间的区分。多类判别分析判别分析

时间序列分析05CATALOGUE

时间序列的构成与特征时间序列在长时期内呈现出的持续向上或向下的变动。时间序列在一年内重复出现的周期性波动。时间序列中呈现出的围绕长期趋势的一种波浪形或振荡式变动。时间序列中除去趋势、周期性和季节性之后的偶然性波动。趋势性季节性周期性随机性

移动平均法指数平滑法趋势外推法时间序列分解法时间序列的预测方法通过计算历史数据的移动平均值来预测未来值。根据