统计学见习报告（通用14篇）

发表时间：2024-03-01

[1] 统计学见习报告

《统计学实践报告》

在当今社会中，统计学已经成为一门重要的学科，它在各个领域都有着广泛的应用。统计学不仅可以帮助我们分析数据，还可以帮助我们做出合理的决策。在这篇报告中，我将详细介绍统计学的应用，并分享我在实践中所遇到的一些问题和解决方法。

统计学在商业领域的应用日益广泛。企业通过统计学的分析，可以更好地了解市场需求、消费者行为以及竞争对手的情况。在我的实践中，我曾经为一家零售企业做过市场调研，通过统计学的方法分析了他们的销售数据，帮助他们确定了最受欢迎的产品和销售渠道。这些数据为企业的营销策略提供了有力的支持，使他们在激烈的市场竞争中脱颖而出。

统计学在医学领域的应用也是不可或缺的。医疗数据的统计分析可以帮助我们了解疾病的传播规律、预测病情发展趋势以及评估治疗效果。我曾经参与了一项关于癌症治疗效果的统计学研究，通过分析患者的医疗记录和治疗效果数据，我们得出了一些有价值的，为临床医生提供了更科学的治疗方案。

除此之外，统计学还在环境保护、政府管理、教育研究等领域发挥着重要作用。比如，我曾经参与了一个关于城市空气质量的统计调查，通过分析各种环境监测数据，我们找出了造成空气污染的主要原因，并提出了一些建设性的解决方案，帮助政府制定相关政策和措施。

在实践中，我们可能会遇到各种各样的问题和困难，比如数据质量不佳、样本数量不足、模型选择困难等。为了解决这些问题，我们可以采用一些常用的统计学方法，比如重复抽样、方差分析、回归分析等。我们还可以利用一些统计软件工具，比如SPSS、R、Python等，来进行数据处理和分析，提高工作效率和准确性。

统计学是一门非常实用的学科，可以帮助我们更好地理解世界、做出明智的决策。通过实践，我深刻体会到了统计学的重要性和应用广泛性，我相信在未来的工作和学习中，我会继续努力学习和应用统计学知识，不断提升自己的能力和水平。希望通过这篇报告，能够给大家带来一些启发和帮助，共同探讨统计学的发展和应用前景。

[2] 统计学见习报告

美国热门专业之统计学和生物统计学差异有哪些

统计学和生物统计学的区别，首先看名字我们就能发现，生物统计学的范围要比统计学窄很多，也就是说，统计肯定比生物统计广泛。统计不仅仅应用在生物上，有些领域比如教育，也有教育统计这个分支。

生物统计学简单点说，就是用统计方法研究分析生物/医学上的数据。这个专业非常Interdisciplinary ，跟统计生物信息计算机 (尤其是 DATa mining) 等关系很密切。很多学校把生物统计设置在公共健康学院(SPH,School of Public Health ) 里面。biostatistics这个专业的主要去处是制药公司(PharmaceUTical industry/companies，俗称药厂)和biotech(生物技术公司)。

而统计的就业主要在制药类和金融/保险类两个大方向，其他的相比之下，都是小分支小规模比如coNSUlting, ACTUAry，marketing etc。众所周知，金融类现在一蹶不振，加上h1b的限制，光是这个限制就足以让很多人饮恨了，所以最近这1-2年找工作，可能把重心放在制药行业更稳妥。如果制药行业成了重点，统计和生物统计也就没太大区别了

非制药行业的职位一直都是有的，即使是金融/保险类公司，也不会彻底机会断绝，不过，对于绝大多数硕士毕业生来说，就业还是瞄准职位最多的行业和地区比较好。

所以总体上讲，统计学和生物统计学无论在专业课程或今后的`就业方向上，区别还是有的，所以大家一定要选好自己的职业方向，以便更好的选择专业。

[3] 统计学见习报告

南京财经大学是一所以经济管理类学科为主，经济学、管理学、法学、工学、理学、文学、艺术学等多学科支撑配套、协调发展的江苏省属重点建设大学。2011年，江苏省人民政府与国家粮食局签约共建南京财经大学。历经多年改革发展，南京财经大学的知名度迅速扩大，教育质量不断提高，综合实力明显增强，显现出发展的强劲势头和改革的崭新气象。

创建时间	学校类型	学科类型	隶属单位
1956年	公立	财经	江苏省人民政府

[4] 统计学见习报告

◆专业介绍

简单地说，进行统计学研究的目的就是寻求各种现象变动的规律性，预测未来。统计学主要分为一般统计和经济统计两类专业方向。一般统计主要是对统计学的基本理论和方法进行研究;经济统计则是提供科学地调查、搜集经济信息，以及描述、分析经济数据并对社会经济运行过程进行预测、监督的一门科学。统计学可以帮助生产者认识市场、认识自身，以求得生存和发展，也能帮助各级管理部门依据现行经济规律进行宏观决策、调控、监测，以实现社会经济良性运行。另外，你还可以运用统计学方法，进行医药卫生统计、生物统计、工业统计等等，总之，统计学已越来越深入地渗透到我们生活的各个方面，成为各行各业分析和解决问题的重要工具和手段。

　　◆培养目标

培养能在国家各级管理机构，各类企业事业单位从事计划、统计、经济信息的收集、整理、分析、市场调研预测等实际工作的专门管理人才以及在高校和研究单位从事教学和研究工作的德才兼备的高级专门人才。

统计学专业主要培养具有良好的教学或数学与经济学素养，掌握统计学的.基本理论和方法，具有较好的科学素养，能熟练地运用计算机分析数据，能在企事业单位和经济、金融和管理部门从事统计调查、统计信息管理、数量分析、市场研究、质量控制以及高新技术产品开发、研究、应用和管理工作，或在科研教育部门从事研究和教学工作的高级专门人才。

现在，中国的经济将和世界融合，随着社会经济的发展，要求统计提供更多的统计方法，社会科学本身不断地向细分化与定量化发展，也要求统计能提供更有效的调查整理、分析资料的方法。这样一来，社会对统计人才的要求就更多了，这种社会需求，促使统计学专业的教育发展已迫在眉捷。而且，由于国际化的产生，中国的统计学专业也要和国际接轨，以便于更好地为宏观和微观主体服务。就以上而言，统计学专业的发展趋势将会有三种。

第一、本专业要改进和完善国民经济的换算体系，逐步与联合国SNA接轨。随着数学的发展，本专业将越来越广泛地应用数学方法。本专业的新分支或以数理统计为基础的边缘学科将形成，新分支如抽样理论，非参数统计，多变量分析和时间序列分析等;边缘学科如经济计量学，工程统计学，天文统计学等等。今后尤其要借助电子计算机，促使本专业的教学逐步完善。

第二、本专业将进一步推进中国官方统计与国际接轨教育，首先是统计标准体系的接轨，其次是统计调查方法的国际化，再次是调查表设计的国际化，统计指标计算方法的国际化，再次是统计信息发布的国际化，最后是严格遵循为调查者保密的原则。

第三、本专业要着力于改进有关统计指标体系的教学。包括清理现行统计指标体系，规范统计指标的名称、定义、口径及计算方法，使之尽量与国际通用标准一致。计算一些派生指标，以反映我国经济，特别是服务业的现状。进一步加强三资统计，了解外资进入我国的情况，为宏观决策提供准确、可靠的依据。

中国经济发展的对外合作度明显增大，风险也随之增加，各个贸易、外资独资、合资伙伴出现得越多，风险就会越大，因而，统计学专业的教学，将加大力培养人才，尽快建立健全我国国民经济运作的安全预警监测系统，以保障国家的安全。

统计学专业毕业生，国内和国外主要从事的职业：

簿记员、会计和审计员

出纳员

证券、期货以及理财服务代理商

文职人员

精算师

福利管理员

预算分析

成本估算

数据库管理器

财务经理

投资分析师

数学家

[5] 统计学见习报告

统计学知识要点汇总2017

统计学知识要点有哪些你知道吗?你对统计学的知识要点了解吗?下面是.jinpinTjian ul li a小编为大家带来的统计学知识要点汇总的知识，欢迎阅读。

一、主成分和因子分析

1.(1)概念:在研究实际问题时，往往需要收集多个变量。但这样会使多个变量间存在较强的相关关系，即这些变量间存在较多的信息重复，直接利用它们进行分析，不但模型复杂，还会因为变量间存在多重共线性而引起较大的误差。为能够充分利用数据，通常希望用较少的新变量代替原来较多的旧变量，同时要求这些新变量尽可能反映原变量的信息。主成分分析和因子分子正是解决这类问题的有效方法。它们能够提取信息，使变量简化降维，从而使问题更加简单直观

(2)主成分分析：研究如何通过少数几个主成分(principal component)来解释多个变量间的内部结构。即从原始变量中导出少数几个主分量，使它们尽可能多地保留原始变量的信息，且彼此间互不相关

主成分分析的目的：数据的压缩;数据的解释。常被用来寻找判断事物或现象的综合指标，并对综合指标所包含的信息进行适当的解释。(主成分所代表的原始变量的信息用其方差来表示，一般要求所选主成分的方差总和占全部方差的80%以上就可以了。如果原来的变量之间的相关程度高，降维的效果就会好一些，所选的主成分就会少一些。特征根反映了主成分对原始变量的影响程度，表示引入该主成分后可以解释原始变量的信息。特征根又叫方差，某个特征根占总特征根的比例称为主成分方差贡献率。一般情况下，当特征根小于1时，就不再选作主成分了，因为该主成分的解释力度还不如直接用原始变量解的释力度大。)

(3)因子分析：与主成分分析类似，它们都是要找出少数几个新的变量来代替原始变量。

不同之处：主成分分析中的主成分个数与原始变量个数是一样的，即有几个变量就有几个主成分，只不过最后我们确定了少数几个主成分而已。而因子分析则需要事先确定要找几个成分，也称为因子(factor)，然后将原始变量综合为少数的几个因子，以再现原始变量与因子之间的关系，一般来说，因子的个数会远远少于原始变量的个数。

因子分析可以看作是主成分分析的推广和扩展，但它对问题的研究更深入、更细致一些。实际上，主成分分析可以看作是因子分析的一个特例

简言之，因子分析是通过对变量之间关系的研究，找出能综合原始变量的少数几个因子，使得少数因子能够反映原始变量的绝大部分信息，然后根据相关性的大小将原始变量分组，使得组内的变量之间相关性较高，而不同组的变量之间相关性较低。因此，因子分析属于多元统计中处理降维的一种统计方法，其目的就是要减少变量的个数，用少数因子代表多个原始变量

(4)因子数量的确定

用公因子方差贡献率提取：与主成分分析类似，一般累计方差贡献率达到80%以上的前几个因子可以作为最后的公因子

用特征根提取：一般要求因子对应的特征根要大于1，因为特征根小于1说明该共因子的解释力度太弱，还不如使用原始变量的解释力度大

实际应用中，因子的提取要结合具体问题而定，在某种程度上，取决于研究者自身的知识和经验

(5)主成分分析和因子分析都是多元分析中处理降维的两种统计方法。只有当原始数据中的变量之间具有较强的相关关系时，降维的效果才会明显，否则不适合进行主成分分析和因子分析

主成分和因子的选择标准应结合具体问题而定。在某种程度上取决于研究者的知识和经验，而不是方法本身

即使得到了满意的主成分或因子，在运用它们对实际问题进行评价、排序等分析时，仍然要保持谨慎，因为主成分和因子毕竟是高度抽象的量，无论如何，它们的含义都不如原始变量清晰

因子分析可以看作是主成分分析的推广和扩展，而主成分分析则可以看作是因子分析的一个特例。目前因子分析在实际中被广泛应用，而主成分分析通常只作为大型统计分析的中间步骤，几乎不再单独使用

二、多元回归

1.多重共线性

回归模型中两个或两个以上的自变量彼此相关

多重共线性带来的问题有

可能会使回归的结果造成混乱，甚至会把分析引入歧途

可能对参数估计值的正负号产生影响，特别是各回归系数的正负号有可能同我们预期的正负号相反

2.多重共线性的识别

检测多重共线性的最简单的一种办法是计算模型中各对自变量之间的相关系数，并对各相关系数进行显著性检验

若有一个或多个相关系数显著，就表示模型中所用的自变量之间相关，存在着多重共线性

如果出现下列情况，暗示存在多重共线性

模型中各对自变量之间显著相关。

当模型的线性关系检验(F检验)显著时，几乎所有回归系数的t检验却不显著

回归系数的正负号与预期的相反。

3.变量选则过程

在建立回归模型时，对自变量进行筛选

选择自变量的原则是对统计量进行显著性检验

将一个或一个以上的自变量引入到回归模型中时，是否使得残差平方和(SSE)有显著地减少。如果增加一个自变量使SSE的减少是显著的，则说明有必要将这个自变量引入回归模型，否则，就没有必要将这个自变量引入回归模型

确定引入自变量是否使SSE有显著减少的方法，就是使用F统计量的值作为一个标准，以此来确定是在模型中增加一个自变量，还是从模型中剔除一个自变量

变量选择的方法主要有：向前选择、向后剔除、逐步回归、最优子集等

4.向前选择

从模型中没有自变量开始

对k个自变量分别拟合对因变量的一元线性回归模型，共有k个，然后找出F统计量的值最高的模型及其自变量(P值最小的)，并将其首先引入模型

分别拟合引入模型外的k-1个自变量的线性回归模型

如此反复进行，直至模型外的自变量均无统计显著性为止

5.向后剔除

先对因变量拟合包括所有k个自变量的回归模型。然后考察p(p

考察p-1个再去掉一个自变量的模型(这些模型中每一个都有k-2个的自变量)，使模型的SSE值减小最少的自变量被挑选出来并从模型中剔除

如此反复进行，一直将自变量从模型中剔除，直至剔除一个自变量不会使SSE显著减小为止

6.逐步回归

将向前选择和向后剔除两种方法结合起来筛选自变量

在增加了一个自变量后，它会对模型中所有的变量进行考察，看看有没有可能剔除某个自变量。如果在增加了一个自变量后，前面增加的某个自变量对模型的贡献变得不显著，这个变量就会被剔除

按照方法不停地增加变量并考虑剔除以前增加的变量的可能性，直至增加变量已经不能导致SSE显著减少

在前面步骤中增加的自变量在后面的步骤中有可能被剔除，而在前面步骤中剔除的自变量在后面的步骤中也可能重新进入到模型中

7.虚拟自变量

用数字代码表示的定性自变量

虚拟自变量可有不同的水平

只有两个水平的虚拟自变量。比如，性别(男，女)

有两个以上水平的虚拟自变量，贷款企业的类型(家电，医药，其他)

虚拟变量的取值为0，1

回归模型中使用虚拟自变量时，称为虚拟自变量的回归

当虚拟自变量只有两个水平时，可在回归中引入一个虚拟变量，比如，性别

一般而言，如果定性自变量有k个水平，需要在回归中模型中引进k-1个虚拟变量

例：引进虚拟变量时，回归方程可写：

E(y) =b0+ b1x1+ b2x2

女( x2=0)：E(y|女性) =b0 +b1x1

男(x2=1)：E(y|男性) =(b0 + b2 ) +b1x1

b0的含义表示：女性职工的期望月工资收入

(b0+ b2)的含义表示：男性职工的期望月工资收入

b1含义表示：工作年限每增加1年，男性或女性工资的平均增加值

b2含义表示：男性职工的期望月工资收入与女性职工的期望月工资收入之间的差值 (b0+ b2) - b0= b2

三、简单回归

1.相关分析:对两个变量之间线性关系的描述与度量，它要解决的问题包括

§ 变量之间是否存在关系?

§ 如果存在关系，它们之间是什么样的关系?

§ 变量之间的强度如何?

§ 样本所反映的变量之间的关系能否代表总体变量之间的关系?

2.回归分析：从一组样本数据出发，确定变量之间的数学关系式;对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出哪些变量的影响显著，哪些不显著;利用所求的.关系式，根据一个或几个变量的取值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确程度

3.回归分析与相关分析的区别

相关分析中，变量 x 变量 y 处于平等的地位;回归分析中，变量 y 称为因变量，处在被解释的地位，x 称为自变量，用于预测因变量的变化

相关分析中所涉及的变量 x 和 y 都是随机变量;回归分析中，因变量 y 是随机变量，自变量 x 可以是随机变量，也可以是非随机的确定变量

相关分析主要是描述两个变量之间线性关系的密切程度;回归分析不仅可以揭示变量 x 对变量 y 的影响大小，还可以由回归方程进行预测和控制

4.一元线性回归模型

描述因变量 y 如何依赖于自变量 x 和误差项e 的方程称为回归模型

一元线性回归模型可表示为

y = b0 +b1 x + e

y 是 x 的线性函数(部分)加上误差项

线性部分反映了由于 x 的变化而引起的 y 的变化

误差项 e 是随机变量

l 反映了除 x 和 y 之间的线性关系之外的随机因素对 y 的影响

l 是不能由 x 和 y 之间的线性关系所解释的变异性

b0 和 b1 称为模型的参数

5.利用回归方程预测时应注意

1. 在利用回归方程进行估计或预测时，不要用样本数据之外的x值去预测相对应的y值

2. 因为在一元线性回归分析中，总是假定因变量y与自变量x之间的关系用线性模型表达是正确的。但实际应用中，它们之间的关系可能是某种曲线

3. 此时我们总是要假定这条曲线只有一小段位于x测量值的范围之内。如果x的取值范围是在xL和xU之间，那么可以用所求出的利用回归方程对处于xL和xU之间的值来估计E(y)和预测y。如果用xL和xU之间以外的值得出的估计值和预测值就会很差

6.离差平方和

总平方和(SST)

反映因变量的 n 个观察值与其均值的总离差

回归平方和(SSR)

反映自变量 x 的变化对因变量 y 取值变化的影响，或者说，是由于 x 与 y 之间的线性关系引起的 y 的取值变化，也称为可解释的平方和

残差平方和(SSE)

反映除 x 以外的其他因素对 y 取值的影响，也称为不可解释的平方和或剩余平方和

7.估计标准误差

实际观察值与回归估计值离差平方和的均方根(自由度n-2)

反映实际观察值在回归直线周围的分散状况

对误差项e的标准差s的估计，是在排除了x对y的线性影响后，y随机波动大小的一个估计量

反映用估计的回归方程预测y时预测误差的大小

四、方差分析

1. 通过分析数据的误差判断各总体均值是否相等;研究一个或多个分类型自变量对一个数值型因变量的影响

单因素方差分析：涉及一个分类的自变量

双因素方差分析：涉及两个分类的自变量

2.(1)仅从散点图上观察还不能提供充分的证据证明不同行业被投诉的次数之间有显著差异

这种差异也可能是由于抽样的随机性所造成的

需要有更准确的方法来检验这种差异是否显著，也就是进行方差分析

所以叫方差分析，因为虽然我们感兴趣的是均值，但在判断均值之间是否有差异时则需要借助于方差

这个名字也表示：它是通过对数据误差来源的分析判断不同总体的均值是否相等。因此，进行方差分析时，需要考察数据误差的来源

(2)随机误差

因素的同一水平(总体)下，样本各观察值之间的差异

比如，同一行业下不同企业被投诉次数是不同的

这种差异可以看成是随机因素的影响，称为随机误差

系统误差

因素的不同水平(不同总体)下，各观察值之间的差异

比如，不同行业之间的被投诉次数之间的差异

这种差异可能是由于抽样的随机性所造成的，也可能是由于行业本身所造成的，后者所形成的误差是由系统性因素造成的，称为系统误差

(3) 数据的误差用平方和(sum of squares)表示

组内平方和(within groups)

因素的同一水平(同一个总体)下样本数据的平方和

比如，零售业被投诉次数的误差平方和

组内平方和只包含随机误差

组间平方和(between groups)

因素的不同水平(不同总体)下各样本之间的平方和

比如，四个行业被投诉次数之间的误差平方和

组间平方和既包括随机误差，也包括系统误差

3.方差分析的基本假定

正态性：每个总体都应服从正态分布

对于因素的每一个水平，其观察值是来自服从正态分布总体的简单随机样本

比如，每个行业被投诉的次数必需服从正态分布

方差齐性：各个总体的方差必须相同

各组观察数据是从具有相同方差的总体中抽取的

比如，四个行业被投诉次数的方差都相等

独立性：观察值是独立的(该假定不满足对结果影响较大)

4.问题的一般提法：(1)设因素有k个水平，每个水平的均值分别用m1 , m2, ¼, mk 表示

(2)要检验k个水平(总体)的均值是否相等，需要提出如下假设：

H0 ： m1 = m2 = …= mk

H1 ： m1 , m2 , ¼，mk 不全相等

5.SST：全部观察值xij与总平均值的离差平方和，反映全部观察值的离散状况

SSA:各组平均值xi与总平均值xij的离差平方和;反映各总体的样本均值之间的差异程度，又称组间平方和;该平方和既包括随机误差，也包括系统误差

SSE:每个水平或组的各样本数据与其组平均值的离差平方和;反映每个样本各观察值的离散状况，又称组内平方和;该平方和反映的是随机误差的大小

总离差平方和(SST)、误差项离差平方和(SSE)、水平项离差平方和 (SSA) 之间的关系:

SST = SSA + SSE

如果原假设成立，则表明没有系统误差，组间平方和SSA除以自由度后的均方与组内平方和SSE和除以自由度后的均方差异就不会太大;如果组间均方显著地大于组内均方，说明各水平(总体)之间的差异不仅有随机误差，还有系统误差

判断因素的水平是否对其观察值有影响，实际上就是比较组间方差与组内方差之间差异的大小

6.均方

各误差平方和的大小与观察值的多少有关，为消除观察值多少对误差平方和大小的影响，需要将其平均，这就是均方，也称为方差

计算方法是用误差平方和除以相应的自由度

三个平方和对应的自由度分别是

SST 的自由度为n-1，其中n为全部观察值的个数

SSA的自由度为k-1，其中k为因素水平(总体)的个数

SSE 的自由度为n-k

7.构造检验统计量

将MSA和MSE进行对比，即得到所需要的检验统计量F

当H0为真时，二者的比值服从分子自由度为k-1、分母自由度为 n-k 的 F 分布

将统计量的值F与给定的显著性水平a的临界值Fa进行比较，作出对原假设H0的决策

² 根据给定的显著性水平a，在F分布表中查找与第一自由度df1=k-1、第二自由度df2=n-k 相应的临界值 Fa

² 若F>Fa ，则拒绝原假设H0 ，表明均值之间的差异是显著的，所检验的因素对观察值有显著影响

² 若F

8.关系强度

变量间关系的强度用自变量平方和(SSA)及残差平方和(SSE)占总平方和(SST)的比例大小来反映

自变量平方和占总平方和的比例记为R2 ,即

3、其平方根R就可以用来测量两个变量之间的关系强度

五、假设检验

(一)概念

先对总体的参数(或分布形式)提出某种假设，然后利用样本信息判断假设是否成立的过程

有参数检验和非参数检验

逻辑上运用反证法，统计上依据小概率原理

什么小概率?

1. 在一次试验中，一个几乎不可能发生的事件发生的概率

2. 在一次试验中小概率事件一旦发生，我们就有理由拒绝原假设

3. 小概率由研究者事先确定

怎样通过假设检验去掉偶然性

利用P值进行检验就可以去掉偶然性。因为P值告诉我们在某个总体的许多样本中，某一类数据出现的经常程度，P值是当原假设正确的情况下，得到所观测的数据的概率。如果原假设是正确的，P值若很小，则告诉我饿们得到这样的观测数据是多么的不可能，相当不可能得到的数据，就是原假设不对的合理证据，偶然性也就消除了。

(二)原假设

1. 研究者想收集证据予以反对的假设。是关于总体参数的表述，它是接受检验的假设。

2. 总是有符号 =, £ 或 ³

3. 表示为 H0

n H0 ： m = 某一数值

n 指定为符号 =，£ 或 ³

(三)备择假设

研究者想收集证据予以支持的假设。党员假设被否定时另一种可成立的假设。

总是有符号 ¹, < 或 >

表示为 H1

n H1 ： m <某一数值，或m >某一数值

(四)结论与总结

原假设和备择假设是一个完备事件组，而且相互对立

n 在一项假设检验中，原假设和备择假设必有一个成立，而且只有一个成立

先确定备择假设，再确定原假设

等号“=”总是放在原假设上

因研究目的不同，对同一问题可能提出不同的假设(也可能得出不同的结论)

(五)两类错误

1. 第Ⅰ类错误(弃真错误)

原假设为真时拒绝原假设

第Ⅰ类错误的概率记为a。被称为显著性水平。常用的 a 值有0.01, 0.05, 0.10

2. 第Ⅱ类错误(取伪错误)

原假设为假时未拒绝原假设

第Ⅱ类错误的概率记为b (Beta)

影响b错误的因素：1. 总体参数的真值。随着假设的总体参数的减少而增大

2. 显著性水平 a。当 a 减少时增大 3. 总体标准差 s。当 s 增大时增大 4.样本容量 n。当 n 减少时增大

控制：进行假设检验时总希望犯两类错误的可能性都很小，然而，在其他条件不变的情况下，a与b是此消彼长的关系，二者不可能同时减小。若要同时减小a与b，只能是增大样本量。一般总是控制a，是犯错误的概率不大于a，即a是允许犯弃真错误的最大概率值(而P值相当于根据样本计算的犯弃真错误的概率值，故P值又称为观测的显著性水平)。但确定a时必须注意，如果犯弃真错误的代价较大，a可取小些，相反，如果返取伪错误的代价较大，则a宜取大些(以使b较小)

(六)假设检验的结论表述

假设检验的目的就在于试图找到拒绝原假设，而不在于证明什么是正确的

拒绝原假设时结论是清楚的

例如，H0：m=10，拒绝H0时，我们可以说¹m10

当不拒绝原假设时

并未给出明确的结论

不能说原假设是正确的，也不能说它不是正确的

例如，当不拒绝H0：m=10，我们并未说它就是10，但也未说它不是10。我们只能说样本提供的证据还不足以推翻原假设

(七)统计上的显著与实际意义

1. 当拒绝原假设时，我们称样本结果是统计上显著的(statistically Significant)

2. 当不拒绝原假设时，我们称样本结果是统计上不显著的

3. 在“显著”和“不显著”之间没有清除的界限，只是在P值越来越小时，我们就有越来越强的证据，检验的结果也就越来越显著

4. “显著的”(Significant)一词的意义在这里并不是“重要的”，而是指“非偶然的”

5. 一项检验在统计上是“显著的”，意思是指：这样的(样本)结果不是偶然得到的，或者说，不是靠机遇能够得到的

6. 如果得到这样的样本概率(P)很小，则拒绝原假设

在这么小的概率下竟然得到了这样的一个样本，表明这样的样本经常出现，所以，样本结果是显著的

7. 在进行决策时,我们只能说P值越小,拒绝原假设的证据就越强,检验的结果也就越显著

8. 但P值很小而拒绝原假设时，并不一定意味着检验的结果就有实际意义

因为假设检验中所说的“显著”仅仅是“统计意义上的显著”

一个在统计上显著的结论在实际中却不见得就很重要，也不意味着就有实际意义

9. 因为值与样本的大小密切相关,样本量越大,检验统计量的P值也就越大,P值就越小,就越有可能拒绝原假设

10.如果你主观上要想拒绝原假设那就一定能拒绝它

这类似于我们通常所说的“欲加之罪，何患无词”

只要你无限制扩大样本量，几乎总能拒绝原假设

11.当样本量很大时，解释假设检验的结果需要小心

在大样本情况下，总能把与假设值的任何细微差别都能查出来，即使这种差别几乎没有任何实际意义

12.在实际检验中，不要刻意追求“统计上的”显著性，也不要把统计上的显著性与实际意义上的显著性混同起来

n一个在统计上显著的结论在实际中却不见得很重要，也不意为着就有实际意义

六、参数估计

(一)点估计

用样本的估计量直接作为总体参数的估计值

2. 缺点：没有给出估计值接近总体参数程度的信息，它与真挚的误差、估计可靠性怎么样无法知道。区间估计可以弥补这种不足。

点估计的方法有矩估计法、顺序统计量法、最大似然法、最小二乘法等

(二) 区间估计

在点估计的基础上，给出总体参数估计的一个区间范围，该区间由样本统计量加减抽样误差而得到的。

根据样本统计量的抽样分布能够对样本统计量与总体参数的接近程度给出一个概率度量。

(三)置信水平

将构造置信区间的步骤重复很多次，置信区间包含总体参数真值的次数所占的比例称为置信水平

表示为 (1 - a% )

常用的置信水平值有 99%, 95%, 90%;相应的 a 为0.01，0.05，0.10

(四)置信区间

ü 由样本统计量所构造的总体参数的估计区间称为置信区间;

ü 统计学家在某种程度上确信这个区间会包含真正的总体参数，所以给它取名为置信区间

ü 用一个具体的样本所构造的区间是一个特定的区间，我们无法知道这个样本所产生的区间是否包含总体参数的真值，我们只能是希望这个区间是大量包含总体参数真值的区间中的一个，但它也可能是少数几个不包含参数真值的区间中的一个

置信区间的表述：

总体参数的真值是固定的，而用样本构造的区间则是不固定的，因此置信区间是一个随机区间，它会因样本的不同而变化，而且不是所有的区间都包含总体参数

实际估计时往往只抽取一个样本，此时所构造的是与该样本相联系的一定置信水平(比如95%)下的置信区间。我们只能希望这个区间是大量包含总体参数真值的区间中的一个，但它也可能是少数几个不包含参数真值的区间中的一个

当抽取了一个具体的样本，用该样本所构造的区间是一个特定的常数区间，我们无法知道这个样本所产生的区间是否包含总体参数的真值，因为它可能是包含总体均值的区间中的一个，也可能是未包含总体均值的那一个

一个特定的区间总是“包含”或“绝对不包含”参数的真值，不存在“以多大的概率包含总体参数”的问题

置信水平只是告诉我们在多次估计得到的区间中大概有多少个区间包含了参数的真值，而不是针对所抽取的这个样本所构建的区间而言的

使用一个较大的置信水平会得到一个比较宽的置信区间，而使用一个较大的样本则会得到一个较准确(较窄)的区间。直观地说，较宽的区间会有更大的可能性包含参数

但实际应用中，过宽的区间往往没有实际意义

区间估计总是要给结论留点儿余地

影响置信区间宽度的因素：

1.总体数据的离散程度，用 s 来测度;2.样本容量;3. 置信水平 (1- a)，影响 zα/2 的大小

(五) 参数估计标准：

无偏性：估计量抽样分布的数学期望等于被估计的总体参数

有效性：对同一总体参数的两个无偏点估计量，有更小标准差的估计量更有效

一致性：随着样本容量的增大，估计量的值越来越接近被估计的总体参数

七、数据特征

(一)集中趋势：表明同类现象在一定时间、地点条件下，所达到的一般水平与大量单位的综合数量特征，有以下3个特点：

1. 用一个代表数值综合反映个体某种标志值的一般水平。

2. 将个体标志值之间的差异抽象掉了。

3. 计量单位与标志值的计量单位一致。

集中趋势

1. 一组数据向其中心值靠拢的倾向和程度

2. 测度集中趋势就是寻找数据水平的代表值或中心值

3. 不同类型的数据用不同的集中趋势测度值

4. 低层次数据的测度值适用于高层次的测量数据，但高层次数据的测度值并不适用于低层次的测量数据

集中趋势的作用：

比较若干总体的某种标志数值的平均水平

研究总体某种标志数值的平均水平在时间上的变化

分析社会经济现象的依存关系

研究和评价事物优劣的数量指标

计算和估算其他重要的经济指标

(二)离中趋势：

数据分布的另一个重要特征

反映各变量值远离其中心值的程度(离散程度)

从另一个侧面说明了集中趋势测度值的代表程度

不同类型的数据有不同的离散程度测度值

离中趋势度量的目的：

描述总体内部差异程度;衡量和比较均值指标的代表性高低;为抽选样本单位数提供依据

区别与联系：

区别：集中趋势是对频数分布资料的集中状况和平均水平的综合测度;是一组数据向其中心值靠拢的倾向和程度;测度集中趋势就是寻找数据水平的代表值或中心值。离中趋势是对频数分布资料的差异程度和离散程度的测度，用来衡量集中趋势所测数据的代表性，或者反应变量值的稳定性与均匀性;是用来描述总体内部差异程度及衡量和比较均值指标的代表性高低。偏度是用来反应变量数列分布偏斜程度的指标，有对称分布和非对称分布，非对称分布也即为偏态分布，包括左偏分布和右偏分布。峰度是用来反应变量数列曲线顶端尖峭或扁平程度的指标。

联系：为了反面描述研究对象的情况，仅仅用集中趋势方法来测度集中性和共性是不够的，还要用离散趋势方法来测度其离散性和差异性，因此，而这需要结合使用。集中趋势和离中趋势是变量数列分布的两个重要特征，但要全面了解变量数列分布的特点，还需要知道数列的形状是否对称、偏斜程度以及分布的扁平程度等。偏度和峰度就是从分布特征作进一步的描述。

八、数据质量

1. 数据的误差：(1)抽样误差;

a、在用样本数据进行统计推断时所产生的误差(样本统计量与相应总体参数之间的偏差)

b、由于抽样的随机性所带来的误差

c、影响抽样误差的大小的因素：抽样方法;样本量的大小;总体的变异性

(2) 非抽样误差(抽样框误差;回答误差;无回答误差;调查员误差)

a、调查过程中由于调查者和被调查者的人为因素所造成的误差(除抽样误差之外的，由于其他原因造成的样本观察结果与总体真值之间的差异)

b、理论上可以消除

c、存在于所有的调查之中：概率抽样，非概率抽样，全面性调查

(3) 误差的控制

a、抽样误差可计算和控制

b、非抽样误差的控制：调查员的挑选;调查员的培训;督导员的调查专业水平：调查过程控制(调查结果进行检验、评估;现场调查人员进行奖惩的制度)

(4)统计数据质量的要求;

1. 精度：最低的抽样误差或随机误差

2. 准确性：最小的非抽样误差或偏差

3. 关联性：满足用户决策、管理和研究的需要

4. 及时性：在最短的时间里取得并公布数据

5. 一致性：保持时间序列的可比性

6. 最低成本：以最经济的方式取得数据

九、统计数据

对现象进行测量的结果;不是指单个的数字，而是由多个数据构成的数据集;不仅仅是指数字，它可以是数字的，也可以是文字的

分类：按计量

分类数据(categorical data)

只能归于某一类别的非数字型数据

对事物进行分类的结果，数据表现为类别，用文字来表述

顺序数据(rank data)

只能归于某一有序类别的非数字型数据

对事物类别顺序的测度，数据表现为类别，用文字来表述

数值型数据(metric data)

按数字尺度测量的观察值

结果表现为具体的数值，对事物的精确测度

按收集方法

观测的数据(observational data) ：

在没有对事物人为控制的条件下而得到的，通过调查或观测而收集到的数据

试验的数据(experimental data) ：在试验中控制试验对象而收集到的数据

按时间状况

1. 时间序列数据(time series data)

在不同时间上收集到的数据

描述现象随时间变化的情况

2截面数据(cross-sectional data)

在相同或近似相同的时间点上收集的数据

描述现象在某一时刻的变化情况

wEi508.com必读精华:

统计员个人述职报告 | 小学报告册全国通用 | 员工通用辞职报告模板 | 见习通知 | 统计学见习报告 | 统计学见习报告

十、统计学性质

统计学：收集、分析、表述和解释数据的科学 1.数据搜集：取得数据;2.数据分析：分析数据;3.数据表述：图表展示数据;4.数据解释：结果的说明

(一)现代统计学的性质可归纳为如下几个方面：

1.统计学是方法论科学，而不是实质性科学

它研究的是事物普遍存在的数量关系的计量和数量分析的方法，并通过数量分析来认识特定事物的内在规律性，但不是研究规律本身。

2.统计学的应用范围不局限于社会科学,也不局限于自然科学。

由于其方法来自于社会科学也来自于自然科学，所以它可以用于社会现象也可以用于自然现象，即统计学是一种通用的方法论科学。同时统计学也不是依服于实质性科学而存在的方法论，它是独立的方法论科学。

3.统计学的研究对象既包括确定性现象的总体数量关系，也包括随机现象的总体数量关系，即统计学是研究各类事物总体数据的方法论科学。

统计学是为探索事物数量所反映的客观规律性，而对事物总体的大量数据进行收集、整理和分析研究的方法论科学。它以大量的客观事物的量化描述、特征推算及关系分析为其主要研究对象。

(二)描述统计学与推断统计学：

描述统计学(Descriptive Statistics)研究如何取得反映客观现象的数据，并通过图表形式对所收集的数据进行加工处理和显示，进而通过综合概括与分析得出反映客观现象的规律性数量特征。内容包括统计数据的收集方法、数据的加工处理方法、数据的显示方法、数据分布特征的概括与分析方法等。

推断统计学(1nferential Statistics)则是研究如何根据样本数据去推断总体数量特征的方法，它是在对样本数据进行描述的基础上，对统计总体的未知数量特征做出以概率形式表述的推断。

描述统计学和推断统计学的划分，一方面反映了统计方法发展的前后两个阶段，同时也反映了应用统计方法探索客观事物数量规律性的不同过程。

统计研究过程的起点是统计数据，终点是探索出客观现象内在的数量规律性。在这一过程中，如果搜集到的是总体数据(如普查数据)，则经过描述统计之后就可以达到认识总体数量规律性的目的了;如果所获得的只是研究总体的一部分数据(样本数据)，要找到总体的数量规律性，则必须应用概率论的理论并根据样本信息对总体进行科学的推断。

显然，描述统计和推断统计是统计方法的两个组成部分。描述统计是整个统计学的基础，推断统计则是现代统计学的主要内容。

[6] 统计学见习报告

学校位于山西太原，分坞城、迎泽和平阳三个校区办学，校园占地面积近1100亩，建筑面积近60万平方米。学校现有教职工1684人，其中专任教师1140人，教授、副教授457人，具有博士和硕士学位的教师926人。有国务院特殊津贴专家、教育部新世纪优秀人才、省级中青年学科学术带头人等43人，省级教学名师24人。

创建时间	学校类型	学科类型	隶属单位
1951年	公立	财经	山西省教育厅

[7] 统计学见习报告

排名校名等级二级学科一级学科学科门

1 厦门大学 A++ 020208统计学 0202应用经济学 02经济学

2 中国人民大学 A++ 020208统计学 0202应用经济学 02经济学

3 上海财经大学 A+ 020208统计学 0202应用经济学 02经济学

4 杭州商学院 A 020208统计学 0202应用经济学 02经济学

5 天津财经学院 A 020208统计学 0202应用经济学 02经济学

6 中南财经政法大学 B+ 020208统计学 0202应用经济学 02经济学

7 北京大学 B+ 020208统计学 0202应用经济学 02经济学

8 复旦大学 B+ 020208统计学 0202应用经济学 02经济学

9 南开大学 B+ 020208统计学 0202应用经济学 02经济学

10 东北财经大学 B+ 020208统计学 0202应用经济学 02经济学

暨南大学 B 020208统计学 0202应用经济学 02经济学

中央财经大学 B 020208统计学 0202应用经济学 02经济学

西南财经大学 B 020208统计学 0202应用经济学 02经济学

辽宁大学 B 020208统计学 0202应用经济学 02经济学

[8] 统计学见习报告

统计学专业描述

本专业主要包括一般统计和经济统计两类专业方向，培养具有良好的数学或数学与经济学素养，掌握统计学的基本理论和方法，能熟练地运用计算机分析数据，能在企业、事业单位和经济、管理部门从事统计调查、统计信息管理、数量分析等开发、应用和管理工作，或在科研、教育部门从事研究和教学工作的高级专门人才。

培养要求

本专业学生主要学习统计学的基本理论和方法，打好数学基础，具有较好的科学素养，受到理论研究、应用技能和使用计算机的基本训练，具有数据处理和统计分析的基本能力。

就业方向

1.具有扎实的数学基础，受到比较严格的科学思维训练;

基本知识、基本方法和计算机操作技能;具有采集数据、设计调查问卷和处理调查数据的基本能力;

医药卫生统计、生物统计或工业统计等有关的`自然科学、社会科学、工程技术某领域的基本知识，具有应用统计学理论分析、解决该领域实际问题的初步能力：

4.了解统计学理论与方法的发展动态及其应用前景;

政策和统计法律、法规，具有利用信息资料进行综合分析和管理的能力;

文献检索及运用现代信息技术获取相关信息的基本方法;具有一定的科学研究和实际工作能力。

[9] 统计学见习报告

一.实习目的

实习是统计学专业教学计划的重要组成部分，是对学生进行实际统计工作能力初步训练的基本形式，是培养学生职业技能与能力的重要环节，是全面检验和提高我校教育教学质量的必要措施。

实习的目的是使学生巩固和运用所学的基础知识和基本技能，建立统计意识和思想，运用收集数据的方法，并能够根据数据的特点选用恰当的统计方法进行分析和推断，获得相关经验，进一步理解统计的特点与规律，培养与提高学生独立从事统计工作的能力，并使学生接受深刻的专业思想教育。

二、认识实习的具体内容

第一天到市统计局报到时，一进门，就看到书柜上排列着奖章，先进单位、统计学会先进单位等等，都是国家统计局给予邯郸市统计服务处的表彰，也是对他们工作的肯定，我为自己能有幸到这里认识实习而感到骄傲。

梁处长和所内同事对我们的到来也表示了欢迎。梁处长对我们今后几天实习的具体工作做了安排，具体包括《统计》杂志的出版，统计论文出版的校对及统计学会的一些工作。在次，我也就这几个工作做汇报。

首先，是关于论文集的校对工作，也是此次实习中的重点工作，由于这本论文集的重要性，更要求我们校对工作的严格，在次之前，服务处的同事已经对该论文集校对过三遍，但为了确保论文集的正确无误，我们又进行了第四次校对工作。我也不得不为服务处里同事们认真负责的工作态度感到钦佩。首先我们学习了校对工作的基本常识，要求我们对哪怕是一个标点符号的错误也不能放过。在校对过程中，印象较深的是关于统计报表的校对，统计报表就严格的编制规则，如规定表号采用一位英文字母或罗马字母和三位数码表示。英文字母或罗马字母表示全局统计报表制度的排列顺序，三位数码分为两段，第一位数码为第一段表示统计报表的报告期别，或报表的性质，即是年报还是定报，是综合表还是基层表；是经常性调查还是一次性调查或是普查、试行表。第二、三位数码为第二段表示统计报表的顺序。还学习了统计报表的性质代码：1、基层年报；2、基层定报；3、综合年报；4、综合定报；5、一次性调查；6、普查。从中不仅学习了如何查找错误遗漏还懂得了如何制表。

其次，是关于服务处网站的建设，也是本次实习过程中工作时间较长的工作。我的主要工作是学会网站建设的一些基本知识，并单独处理网站的文章录入，信息搜集等任务。。

再次，在实习期间，利用服务处书籍多的优点，阅读了大量关于统计方面的书，如《中国统计》、《服务业统计》以及诸多统计专业论文，充实了自己的理论知识，收益非浅，还了解统计学会工作的大致流程。

三、认识实习的收获与感想

在此之先，我想向所有为我的实习提供帮助和指导的老师和服务处的领导和同事致谢，感谢你们为我的顺利实习所作的努力和帮助。

通过实习，我在统计学方面获得了一些实际的工作经验，巩固并检验了自己两年学习的知识水平。实习期间，我了解并参与了统计论文集的校对工作。在此期间，我进一步学习了统计学的理论知识体系，对统计有了更深的理解，将理论与实践有机结合起来。我的工作得到了实习单位充分的肯定和较好的评价。

[10] 统计学见习报告

现代社会越来越多的中学生已经有了属于自己的一部手机，但是专家认为：手机辐射不容忽视。今年4月7日，英国《星期日泰晤士报》发表的一份研究报告提醒人们，由于青少年的耳朵和颅骨比成年人更小、更薄，因此，孩子在使用手机时，大脑中吸收的辐射比成年人要高出50%。对一个5岁的孩子来说，辐射会渗入其大脑50%的区域；对10岁的孩子来说，辐射则会渗入其大脑30%的区域。而德国防辐射机构主席沃尔弗拉姆?柯尼希也对当地媒体《柏林日报》表示，为健康着想，人们尤其是儿童应该尽量减少手机的使用。

“一般来说，手机通话应尽可能短。父母应使子女尽可能远离这项高科技。”而一位从事职业病防治的教授也表示，青少年的免疫系统较成人脆弱，因而特别容易受到手机辐射的影响。手机辐射会对脑部神经造成损害，引起头痛、记忆力减退和睡眠失调。而手机游戏也有可能使孩子耳聋，一般来说，85分贝就有可能损害听力，当把手机放在耳边时，有些游戏的伴音比喷气式飞机发动机旁边的噪音还大，最差的'手机噪音达133分贝，大大超过120分贝的痛苦极限。

科技时代，即通讯极为发达的时代，而随着经济水平的提高，中学生带手机入校园的现象日益普遍。手机开发商们更是赋予了小巧玲珑的手机各项强大的功能，为人们的生活提供了便利。但是，有利即有弊，如何正确看待我们身边的手机及是否利用手机，成为当务之急。研究内容--

现在几乎每个中学生都有使用手机的现象。这些手机，部分来源于学生自己用零花钱购买，部分是家长为了激励把手机作为奖赏，部分是家长为了学生能方便沟通而买。这些手机，基本上拥有强大功能，有学习工具，娱乐工具，当然还有最基本的电话功能。从同学的采访与大部分现象看出，短信功能与娱乐功能是学生经常使用的，并且不加节制的使用。由于学生的不能良好利用手机。学校部分人员采访时表示：学校强制手机的使用，是为了学生学习风气与学习专心。

中学生使用手机的利处：方便通讯，能及时与父母、同学、老师交流。大部分手机功能多，如电子词典，网页浏览等等。这些功能如果同学们能够正确地利用，会有很大的帮助。发送信息也能更快捷，讯息方便传达。

而手机使用不当或是过度使用，必然是有弊处的。学生过分以来手机，时时处处不离。且多用于发短信闲谈，听音乐，玩游戏，浪费时光。在学校里，把手机当成娱乐工具，无心学习，上课玩手机，夜里不按时睡觉。没尽到学会是呢感的责任，违背手机原本的意义与作用。而且手机的长时间使用对青少年身体健康与发育有弊处，对大脑有坏的影响。

使用手机对于中学生有利有弊，是一把双刃剑。关键在于我们自身的把握，中学生面对游戏娱乐要有

现代社会，手机成为主要的通讯工具。逐渐地，手机也在中学生当中出现，出于攀比心

理或其它原因，越来越多的中学生开始在学校里使用手机。课堂上出现有人在发短信的现象，晚上很迟了却仍然还有人在打电话或者上网。很多学生白天都优美精神，神情疲惫不堪。于是学校制定了一些规定来组织学生带手机，但始终不奏效。我们研究这一课题是为了正确认识中学生带手机这一件事，也为了使同学们意识到手机并不只有利，也有弊。希望同学们能从我们这一次的课题研究中懂得一些东西，更全面看待这件事。

②利用抽样调查法，采取入户问卷访问的形式，对调查对象进行问卷的发放和回收。

③对本次问卷调查进行系统地研究、统计和分析。

小组任务分工：xx完成调查方案设计，XX、XX进行问卷的发放与回收，并完成调查报告的引言，排版及讨论分析部分。

主要调查了大学生使用自身所持有的手机状况，使用手机的原因和对于“手机对自身影响的认识”

附:

学生手机使用情况调查问卷同学：

您好，我们现在对大学生诚信考试状况作一个调查，请配合我们完成以下调查问卷，并十分感谢你的合作！谢谢！

1．目前为止你拥有过几部手机？

A. 目前还没有手机 B. 两部以内 C. 三到五部D. 五部以上

A.0~30 M B.30~150 M C.150M~1G D.1G以上

A.上课 B.课间 C.睡前 D.排队 E.学习F.吃饭 G.走路 H.失眠 I.上厕所 J.其他

6．除了必要信息通知电话联系，你经常使用手机干什么？（按重要程度排序）

A.浏览器查找资料 B.QQ，飞信，微信等与好友聊天 C.发微博，发人人状态 D.与父母，恋人，朋友漫无目的地聊天 E.玩游戏 F.没有经常使用

7．你上课玩手机吗？

A.觉得上课的内容很简单，不想听 B.上课听不懂，就不听了 C.不想学，上课是来打酱油的 D.玩手机是习惯

9．你觉得上课玩手机，对你的学习成绩有影响吗？

10．你了解频繁使用手机的危害吗？

A.眼疲劳，影响视力 B.影响学习效率 C.手机辐射，影响身体健康D.其他

[11] 统计学见习报告

一、两组或多组计量资料的比较

1 两组资料：

1.1大样本资料或服从正态分布的小样本资料

(1) 若方差齐性，则作成组t检验。

(2) 若方差不齐，则作 t’检验或用成组的Wilcoxon秩和检验。

1.2小样本偏态分布资料，则用成组的Wilcoxon秩和检验。

2 多组资料：

2.1若大样本资料或服从正态分布，并且方差齐性，则作完全随机的方差分析。如果方差分析的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法（如：LSD检验，Bonferroni检验等）进行两两比较。

2.2如果小样本的偏态分布资料或方差不齐，则作Kruskal Wallis的统计检验。如果Kruskal Wallis的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法（如：用成组的Wilcoxon秩和检验，但用Bonferroni方法校正P值等）进行两两比较。

二、分类资料的统计分析

1单样本资料与总体比较

1.1二分类资料：

(1)小样本时：用二项分布进行确切概率法检验；

(2)大样本时：用U检验。

1.2多分类资料：用Pearson c2检验（又称拟合优度检验）。

2 四格表资料

2.1 n>40并且所以理论数大于5，则用Pearson c2。

2.2 n>40并且所以理论数大于1并且至少存在一个理论数<5，则用校正 c2或用Fisher’s 确切概率法检验。

2.3 n￡40或存在理论数<1，则用Fisher’s 检验。

三、两个变量之间的关联性分析

1 两个变量均为连续型变量

1.1 小样本并且两个变量服从双正态分布，则用Pearson相关系数做统计分析。

1.2 大样本或两个变量不服从双正态分布，则用Spearman相关系数进行统计分析。

2 两个变量均为有序分类变量，可以用Spearman相关系数进行统计分析。

3 一个变量为有序分类变量，另一个变量为连续型变量，可以用Spearman相关系数进行统计分析。

四、回归分析

1 直线回归：如果回归分析中的残差服从正态分布（大样本时无需正态性），残差与自变量无趋势变化，则直线回归（单个自变量的线性回归，称为简单回归），否则应作适当的变换，使其满足上述条件。

2 多重线性回归：应变量（Y）为连续型变量（即计量资料），自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。如果回归分析中的残差服从正态分布（大样本时无需正态性），残差与自变量无趋势变化，可以作多重线性回归。

2.1观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素

2.2实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的.混杂因素变量，以校正这些混杂因素对结果的混杂作用

3 二分类的Logistic回归：应变量为二分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。

3.1 非配对的情况：用非条件Logistic回归

(1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素。

(2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用。

3.2配对的情况：用条件Logistic回归

(1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素。

(2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用。

4 有序多分类有序的Logistic回归：应变量为有序多分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。

(1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素。

(2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用。

5 无序多分类有序的Logistic回归：应变量为无序多分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。

(1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素。

(2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用。

五、生存分析资：要求资料记录结局和结局发生的时间（如；死亡和死亡发生的时间）

1.用Kaplan-Meier方法估计生存曲线。

2.大样本时，可以寿命表方法估计。

3.单因素可以用Log－rank比较两条或多条生存曲线。

4.多个因素时，可以作多重的Cox回归。

(1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素。

(2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用。

注：计量资料（连续变量）

例：年龄、血压值、得分等

计数资料（无序分类变量）

例：性别、职业、是/否

统计方法：卡方检验。

等级资料（有序分类变量）

例：学历，职称、满意度（不满意、满意、非常满意）

统计方法：秩和检验。

[12] 统计学见习报告

统计学的英文statistics最早源于现代拉丁文statisticum collegium(国会)、意大利文statista(国民或政治家)以及德文Statistik，最早是由Gottfried Achenwall于1749年使用，代表对国家的资料进行分析的学问，也就是“研究国家的科学”。十九世纪，统计学在广泛的数据以及资料中探究其意义，并且由John Sinclair引进到英语世界。

美国大学统计学专业排名：

1、Stanford University斯坦福大学

2、University of California—Berkeley加州大学伯克利分校

3、Harvard University哈佛大学

3、University of Washington华盛顿大学

5、Johns Hopkins University约翰霍普金斯大学

5、University of Chicago芝加哥大学

7、Harvard University哈佛大学

7、University of Washington华盛顿大学

9、Carnegie Mellon University卡耐基梅隆大学

10、Duke University杜克大学

10、University of Pennsylvania宾夕法尼亚大学

12、University of Michigan—Ann Arbor密歇根大学安娜堡分校

12、University of North Carolina—Chapel Hill北卡罗来纳大学教堂山分校

12、University of Wisconsin—Madison威斯康星大学麦迪逊分校

15、North Carolina State University北卡罗来纳州立大学

15、Texas A&M University—College Station德州农工大学卡城分校

15、University of California—Berkeley加州大学伯克利分校

15、University of Michigan—Ann Arbor密歇根大学安娜堡分校

19、Iowa State University爱荷华州立大学

20、Columbia University哥伦比亚大学

20、Pennsylvania State University宾州州立大学帕克分校

20、University of Minnesota—Twin Cities明尼苏达大学双城分校

20、University of North Carolina—Chapel Hill北卡罗来纳大学教堂山分校

[13] 统计学见习报告

第一，统计学是灵活的学科。

许多人认为统计是很枯燥的，学习了一大堆统计理论知识以及复杂公式，碰到实际数据却完全不知如何下手，有时候只能照搬以前的一些方法，很多时候难以解决问题。实际上，统计学本身是一个非常灵活的学科，真正符合“具体问题具体分析”这样的一个哲学理念。即使是同样的指标，在不同场合下所选用的方法也可能不同。单说一个简单的方差分析，就因不同的'设计类型需要采用不同的分析方法。甚至于同一批数据如果目的不同，其方法与结果也是不同的。认识了统计学的复杂多变性，在学习过程中运用不同思维，学习统计学将不会再是个枯燥的过程。

第二，工作中注重经验积累。

大多数人最头疼的问题应该是：对于一批数据，不知道到底应该选用什么方法。尽管各种方法应用的前提条件背了一堆，但好像每个都像，每个又都不像。对于这样的问题，确实没有什么好办法能解决。正像医学生刚毕业时判断不准疾病一样，只能靠经验积累。统计学分很多不同方向，统计师考试报考条件中的工作年限限制也表明工作经验对于统计师的重要性。积累统计工作经验，无论是在实际运用中还是统计师考试中，都有重要作用。

第三，不断探索应用新知识。

统计学是一门方法学，本身也在不断地发展，真正想要掌握统计，必须不断地学习新知识，同时不断地应用，只有在应用过程中才能真正地学会并理解。真正的统计高手，应该熟悉传统统计学理论，了解最新的统计学进展，经常应用统计学解决各种各样的问题。统计师考试网的学员在交流中普遍认为考取统计师证书是对专业技能的一个肯定。统计师考试分为初级、中级、高级，这是一个不断积累经验的过程，也是不断学习的过程。

综上所述，统计学是一门灵活的学科，需要不断的积累经验，同时需要学习探索新知识，有了这些认知在复习统计学的时候应当以良好的心态应对挑战