数理统计/前言
< 数理统计
数理统计/前言
[编辑]本书目标
[编辑]本书旨在系统梳理数理统计的核心概念、方法与应用路径，强调从概率到统计推断的逻辑链条，帮助读者在实践中正确选择与解释统计方法。
适用读者
[编辑]- 已具备基础概率论知识的读者
- 希望将统计推断用于工程、数据科学、自然科学研究的学习者
- 需要统一复习统计学理论脉络的准备者
学习路径导航
[编辑]| 路径节点 | 关键主题 | 目标能力 |
|---|---|---|
| 概率论复习 | 分布、矩、极限定理 | 从样本到总体的概率连接 |
| 样本与统计量 | 随机样本、统计量、抽样分布 | 认识估计对象与工具 |
| 点估计与区间估计 | 不偏性、有效性、置信区间 | 构造与评估估计 |
| 假设检验 | Neyman–Pearson 范式、p 值、功效 | 决策与错误控制 |
| 似然与贝叶斯 | MLE、似然比、先验与后验 | 两大推断范式与比较 |
| 线性模型与方差分析 | 正态线性模型、ANOVA | 建模与方差分解 |
| 非参数与重抽样 | 秩检验、Bootstrap | 弱分布假设与计算推断 |
| 高维与正则化 | Lasso、岭回归、信息准则 | 复杂模型与选择 |
| 时间序列/生存分析 | 相关结构、截尾与风险 | 特殊数据结构推断 |
关键理念
[编辑]| 核心理念 | 简述 |
|---|---|
| 模型与数据的匹配 | 统计推断依赖于模型假设；假设越强，结论越敏感 |
| 不确定性的度量 | 置信区间、标准误、后验分布都是不确定性的表达 |
| 可重复性与稳健性 | 抽样波动是常态；估计与检验需要稳健策略 |
| 可解释性优先 | 结果报告应包含方法、假设、限制以及效应量 |
名词速览
[编辑]- 总体
- 研究对象的全体，统计推断的目标指向。
- 样本
- 从总体抽取的观测集合，是推断的依据。
- 统计量
- 样本的函数，用于估计、检验或描述。
- 估计量
- 用于近似总体参数的统计量。
- 置信区间
- 以概率方式刻画参数不确定性的区间估计。
- p 值
- 在原假设为真时，观察到至少同等极端数据的概率。
为什么“概率”先行
[编辑]在统计推断中，概率论提供了从随机机制到分布结果的映射：只有理解抽样的随机性与极限定理，才能解释估计的波动、置信区间的频率含义，以及检验中的第一类与第二类错误。概率是统计的语言，模型是假设的容器。
方法选择总览
[编辑]| 场景 | 典型方法 | 关键假设 | 输出要点 |
|---|---|---|---|
| 小样本、近正态 | t 检验/正态区间估计 | 近似正态、方差同质 | 均值差异、区间与p值 |
| 非正态/秩稳健 | Wilcoxon/秩和检验 | 连续分布、对称性（可选） | 位置差异的秩度量 |
| 多组均值比较 | 单因素ANOVA | 组内正态、方差同质 | 组间方差分解与多重比较 |
| 高维特征选择 | 岭/Lasso | 线性可加、惩罚项 | 稳定预测与可解释稀疏性 |
| 分布未知的区间 | Bootstrap | 可重抽样、样本代表性 | 经验分布下的标准误与区间 |
常见误区
[编辑]- 仅报告 p 值，而忽略效应量与区间
- 将非显著误判为无效应
- 将置信区间误解为参数的概率区间
- 忽视模型设定与诊断，过度依赖默认方法
全书结构
[编辑]- 概率论复习
- 随机样本与统计量
- 点估计、区间估计
- 假设检验基础
- 似然方法与MLE
- 贝叶斯方法
- 非参数方法
- 线性模型与方差分析
- 回归诊断与模型选择
- 重抽样方法
- 高维与正则化
- 时间序列入门
- 生存分析与打分检验
- 参考文献
跨章导航
[编辑]- 下一节：概率论复习
- 返回目录：目录