SPSS 被称为全球领先的统计分析与数据挖掘大牛，因其精湛的统计产品与服务解决方案而执业界牛耳，是世界上应用最广泛的专业统计和数据模型软件。2009年 IBM 全资收购 SPSS 公司，正式更名为“IBM SPSS”。SPSS 提供了执行全程分析所需的核心功能，易于使用，分析结果清晰、直观，可以直接读取EXCEL及DBF数据文件，它和SAS、BMDP并称为国际上最有影响的三大统计软件。在国际学术界有条不成文的规定，即在国际学术交流中，凡是用SPSS软件完成的计算和统计分析，可以不必说明算法，可见其影响之大和信誉之高。

SPSS 具有完整的数据输入、编辑、统计分析、报表、图形制作等功能。仅SPSS Base模块就提供了从简单的统计描述到复杂的多因素统计分析方法，如数据的探索性分析、统计描述、列联表分析、二维相关、秩相关、偏相关、一元方差分析、非参数检验、多元回归、生存分析、协方差分析、判别分析、因子分析、聚类分析等常见的分析方法。SPSS 能够读取及输出多种格式的文件。比如由dBASE、FoxBASE、FoxPRO产生的*.dbf文件，文本编辑器软件生成的ASCⅡ数据文件，Excel的*.xls文件等均可转换成可供分析的SPSS数据文件。能够把SPSS的图形转换为7种图形文件。结果可保存为*.txt, word, PPT及html格式的文件。

SPSS 对初学者、熟练者及精通者都比较适用。界面友好，易于操作，您只需适当的练习，就能够掌握简单的操作分析，因此SPSS特别受专业和非统计专业数据分析人员的青睐。

大数据时代背景下对应用统计学专业的思考

一、概述 众所周知，统计学自古至今就是一门以研究数据为主的学科，至今已经形成了较为成熟的数据研究体系与框架。统计学专业的学生的主要就业方向是银行、会计师事务所、市场调查公司或其它企事业单位。因此目前统计学教育的主要目的是能够培养出独立完成问卷设计、数据收集、应用模型进行数据分析的高级统计人才，其主要专业课程包括：高等概率论与数理统计、应用回归、多元统计、市场调查实务、时间序列分析、金融计算等，这些课程仍然是传统的课程设置，并不符合大数据时代数据科学家的专业知识构成。因此，在大数据时代背景下对应用型本科院校应用统计学专业的培养模式和教学改革的思考是非常有必要的。 　　2012年3月29日，美国在倡议书中指出，美国将应用收集巨大、复杂数据的挖掘能力，加速科学与工程学科的创新脚步，改革学生培养模式。北京师范大学邱东教授探讨了面对大数据潮流人们应持有的科学态度，从大数据的概念功能、统计学与数据科學的关系、大数据潮流对统计学产生的影响等4个方面论述了大数据对统计学的挑战[1]。英国学者维克托·迈尔·舍恩伯格认为大数据的精髓在于分析信息时的3个转变：一是可以分析和处理更多甚至是全部的数据，不再依赖随机抽样；二是研究数据如此之多，以至于人们不再追求精确度；三是人们不再热衷于寻找因果关系[2]。为适应大数据时代对数据处理人才更高综合素质的要求，统计学科教师与专业教育应在知识结构、教育内容、教育方式和人才培养模式等方面，主动进行与时俱进的充实、调整及变革[3]。文章拟从数据挖掘与统计分析的联系与区别、大数据对统计教育及统计人才的机遇与挑战的新形势下从政府、企业和人才等多个角度进行展开调查，对于应用型本科院校培养顺应时代发展的应用统计学专业的高层次人才提供相应的建议。 　

二、统计分析与数据挖掘的区别与联系 　　统计分析是指运用统计收集整理方法及与分析对象有关的知识，从定量与定性的结合上进行的研究活动。 　　统计分析过程：描述要分析的数据的性质，研究基础群体的数据关系，创建一个模型，总结数据与基础群体的联系，证明（或否定）该模型的有效性，采用预测分析来预测将来的趋势。 　　统计分析方法：（1）描述统计：将研究中所得的数据加以整理、归类、简化或绘制成图表，以此描述和归纳数据的特征及变量之间的关系的方法。集中趋势、离散程度、相关强度等、指标有平均数、标准差、相关系数等；（2）推断统计：用概率形式来决断数据之间是否存在某种关系及用样本统计值来推测总体特征的一种重要的统计方法。总体参数估计、假设检验、Z检验、T检验、卡方检验等数据挖掘是从庞大的数据中分析出有目标数据群，筛选出利于决策的有效信息。数据挖掘的数据量极大，注重数据查询分析的可行性。数据挖掘是着眼于预测未来，从大量的数据中寻找某些规律。

数据挖掘过程：（1）定义问题：分析业务需求、定义问题的范围、定义计算模型所使用的度量、定义数据挖掘项目的特定目标等；（2）准备数据：删除错误数据或插入缺失值、查找数据中的隐含相关性、标识最准确的数据源、确定哪些列最适合用于分析；（3）浏览数据：计算最小值和最大值、计算平均偏差和标准偏差、查看数据的分布；（4）部署和更新模型：根据实际数据部署、更新模型；（5）浏览和验证模型：测试模型的性能、需要使用不同配置创建多个模型，并对所有这些模型进行测试，查看哪个模型为最佳；（6）生成模型：通过创建挖掘结构定义要使用的数据列、将挖掘结构链接到数据源，但只有对挖掘结构进行处理后，该结构才会实际包含数据。 从上可以看出大数据虽与统计学密切相关，但二者也在研究目的、数据处理对象和技术工具上有着诸多差异。大数据的兴起不仅在分析手段、工作重心和价值理念上给统计学带来了重大影响，而且也使担负着培养现代统计工作和数据分析之人才的统计教育面临严峻挑战。 　

三、大数据对统计人才及统计教育的机遇与挑战 　　根据2014年大数据应用现状和趋势展开的调研分析，被调查者最关注的大数据技术中，排在前三位的分别是数据分析（统计分析与数据挖掘等）（25.5%）、数据采集（19.9%）、数据处理 （18.5%）。企业数据管理面临的挑战：缺乏专业的大数据人才（26.95%）成为企业面临的最大挑战，其次是非结构化数据的分析和处理（26.65%）、传统技术难以处理大数据（25.27%）以及新技术门槛过高（21.13%）。根据2015年2月Forrest报告，很多企业都在努力挖掘其拥有的大量数据，包括结构化、非结构化、半结构化数据等，探索对数据的深入利用。从国内企业大数据应用的现状和规划来看，已经部署大数据应用的企业所占比例达到21.89%，计划1年内部署的企业占27.92%，计划2年内部署的企业占14.34%，没有相关计划和不确定的企业分别占11.32%和24.53%。大数据相关人才的欠缺将会成为影响大数据市场发展的一个重要因素。据Gartner预测，到2016年，全球将新增440万个与大数据相关的工作岗位，且会有25%的组织设立首席数据官职位。大数据的相关职位需要的是复合型人才，能够对数学、统计学、数据分析、机器学习和自然语言处理等多方面知识综合掌控。 　　根据学院统计学不同方向等专业的学生、老师、专家以及政府范围工作人员等进行访问调查的结果，然后结合现如今大数据时代企业和政府对人才的需求，最终制定应用型人才培养方案分别如下： 　　（一）深化课程教学内容改革 　　1. 更新教学内容，紧跟时代发展——大数据、互联网金融、国民经济统计、货币银行、经济预测与决策；2. 强化统计基础，提高实践操作——统计方法、软件实现、贝叶斯统计、非参数估计、统计软件、数据挖掘；3. 强调专业导向，拓宽就业方向-选修、考证；金融类、经济类、管理类、会计类；统计从业资格证书。 　　最终根据学院不同方向统计学专业设置专业核心课如下： 　　（1）应用统计学：主要专业课 调整为：概率论、数理统计、统计学、回归分析、时间序列分析、多元统计分析，抽样技术、数据挖掘、贝叶斯统计、计量经济学、统计软件、非参数统计、统计调查等；（2）应用统计学（金融统计）：主要专业课 调整為：概率论、数理统计、统计学、回归分析、时间序列分析、多元统计分析，抽样技术、数据挖掘、金融计量学、风险管理、保险学、非寿险精算、统计软件、国民经济核算、统计调查等；（3）经济统计学：主要专业课 调整为：概率论、数理统计、统计学、回归分析、时间序列分析、多元统计分析，抽样技术、数据挖掘、国民经济核算、风险管理、保险学、非寿险精算、统计软件、金融计量学、统计调查等。 　

（二）重视教学方法改革 　　1. 教师教学理念——单向灌输式转向引导探究式、教学案例能贴近实际问题（体测数据、大学生婚恋、手机）；2. 鼓励学生参与各类项目——科研、调研、方案设计、抽样调查、统计调查、学科竞赛、教师课题（分解子课题）；3. 注重综合能力提升——表达、协作、创新、研究报告、PPT展示等。 　　（三）建立完善的实践教学系统 　　1. 基本知识技能实验——理论教学的课内实验，大一、二：数学类；大二、大三（上）：专业基础；2. 综合性实践教学——综合性数据的采集、处理、分析，大三（下）、四（上）：数据挖掘、统计软件、统计调查；3. 探索性实践教学——社会调查、毕业实习、毕业论文，大四（下）。 　　（四）改革课程考试方式 　　1. 基本知识（理论）+实验报告（平时）+综合实验（期末）数学类；专业基础课程；2. 方案设计、调研报告、抽样调查、统计调查；3. 综合实验，数据挖掘、统计软件。 　　四、结束语 　　最终学院统计系下设两个教研室和一个研究中心，即基础统计教研室、专业统计教研室和大数据统计科学应用研究中心。秉承和依托母体学校——上海财经大学的办学宗旨和学术底蕴。在全校统计学公共课教学方面，针对学生的特点，课程教学采用课堂教学、调查实践与统计调查大赛相结合的教学方式与形式。也采取和校外企业、单位等合作项目老师指导学生参与的形式，这样既提高学生的实践能力又加强了师生之间的交流。在这样边学理论边实践的过程中也让学生足够了解现在企业所需人才的类型、找到自己的不足再补充理论方面的知识，然后学生还可以向学校反馈信息，这样最终形成一个学院专业始终跟得上经济的发展形势，不断地改革和完善教学内容，争取培养出在各级政府机关、银行、证券以及上市公司、企业集团、跨国公司等企事业单位和经营管理机构从事统计、市场调研、市场预测与决策、信息咨询、可行性研究和综合评价等实际工作以及科研单位从事研究工作的应用型人才。

统计学方法在数据挖掘中的应用探究

数据挖掘就是指从众多实际应用数据中获取批量大、有噪声、且随机性强的数据，将潜在的信息与数据提取出来，就是从数据中挖掘有价值的知识，而大多数原始数据具有一定的结构化特征，比如，关系数据库中的数据；也可以通过文本、图形、图像等半结构化发掘有用知识，这些知识可以是数学的也可以是非数学形式的；数据挖掘能以归纳形式存在，能够被广泛应用到信息查询、信息管理、信息决策控制中，方便数据的维护与管理。由此可见，数据挖掘是一门交叉性强的学科，加强对其的研究非常有意义，下面将对统计方法在数据挖掘中的具体应用进行分析。　

　一、数据挖掘与统计学的关系　　（一）数据挖掘的内涵　　通常来说，数据挖掘的定义较为模糊，没有明确界定，大部分对其的定义只是停留在其背景与观点的内容上。通过对不同观点的统一整理，人们最终将其描述为：从大量多样化的信息中发现隐晦性、规律性等潜在信息，并对这些信息进行创造、加工的过程。数据挖掘作为一门重要的交叉学科，能够将数据库、人工智能、机器学习、统计学等众多的科学融入到一起，从而实现技术与理论的创新与发展[1]。其中，数据库、人工智能与统计学是数据挖掘当中的三大支柱理论。数据挖掘的目的是从数据库当中发掘各种隐含的知识与信息，此过程的方法非常多，有统计学知识、遗传算法、粗集方法、决策法、模糊逻辑法等，还可以应用向邻近的可视技术、模式识别技术等，在以上所有技术的支持上能够使数据挖掘更为科学、有序。　　（二）数据挖掘与统计学间的关系　　通常来说，统计学的主要功能是对统计原理与统计方法进行研究的科学。具体来说就是指对数字资料进行的收集、整理、排序、分析、利用的过程，数字资料是各种信息的归纳与总结，可以将其作为特性原理的认知、推理方法[2]。而统计学则表示的是使用专业的统计学、概率理论原理等对各种属性关系的统计与分析过程，通过分析成功找到属性间的关联与发展的规律。在此过程中，统计分析方法是数据挖掘最为重要的手段之一。

　　在数据挖掘这一课题被提出来之前，统计分析技术对于人们来说更熟悉，也是人们日常开展工作、寻找数据间规律最常使用的收集整理方法。但是不能简单的将数据挖掘作为统计学的延伸与替代工具，而是要将两者的区别认识到位，再结合两者间的不同特点分析其应用特点[3]。大部分的统计学分析技术都是建立在数学理论与技巧上的，预测通常较为准确，效果能够让大部分人满意。数据挖掘能够充分借鉴并吸收统计学技术，在融入到自身特点以后成为一种数据挖掘技术。　　统计学与数据挖掘存在的目标都是一致的，就是不断对数据结构进行发掘。鉴于统计学与数据挖掘在目标上的一致性，致使很多研究学者与专家将数据挖掘作为了统计学的一个分支机构[4]。但是这种认知非常不正确，因为数据挖掘不仅体现在与统计学的关系上还体现在思想、工具与方法上，尤其是在计算机科学领域对数据挖掘起到的作用非常大。比如，通过借助数据库技术与人工智能的学习，能够关注到更多统计学与数据挖掘上的共通点，但是两者存在的差异依然非常大。数据挖掘就是指对大量的数据信息不断挖掘的过程，DM能够对数据模式内的数据关系进行充分挖掘，并对观测到的数据库处理有着极高的关注度。　　二、数据挖掘的主要过程　　从数据本身出发探讨数据挖掘过程，数据挖掘的过程分为信息的收集、数据集成、数据处理、数据变换、数据挖掘实施等过程。

　首先，要将业务对象确定下来，明确不同业务定义，并认清数据挖掘的目的，这是做好数据挖掘最关键的一步，也是最重要的一步，虽然挖掘的结果不能被准确预测到，但却需要对问题的可预见性进行探索[5]。其次，还要做好数据准备工作，包含数据清理、数据变换等工作，数据清理的实际意义是将噪声与空缺值补全，针对这一问题，可以使用平滑技术，而空缺值的处理则是属性中最常见的，可以将统计中最可能出现的值作为一个空缺值[6]。　　信息收集指的是按照特定的数据分析对象，可以将分析中需要的特征信息抽象出来，并在此基础上选择出较为科学、适合的信息收集方法，将全部的信息全部录入到特定的数据库中。如果数据量较大，则可以选择一个专门的管理数据的仓库，实现对信息的有效保护与管理；数据集成就是指将来源不同、格式不同、性质不同、特点不同的数据集成到一起，进而为企业提供更为全面、系统的数据共享平台；数据变换就是通过聚集、概化、规范化等方式对数据进行挖掘，对于一些实用数据，则可以通过分层与分离方式实现对数据的转换；数据挖掘就是结合数据仓库中的数据信息点，并选择正确的分析方法实现对有价值数据的挖掘，事例推理、规则推理、遗传算法等都是应用较多的方法[7]。　　三、统计学方法中的聚类分析　　在统计学聚类方法基础上能够构建出潜在的概率分布假设，可以使用试图优化的方法构建数据与统计模型的拟合效果。基于统计学聚类方法当中，Cobweb方法是在1987年由Fisher提出的，能够以分类树作为层次聚类创建的方法，在分类树上，每一个节点都能代表着一个概念，该方法就是对节点概率描述的过程。Cobweb方法还使用了启发式估算方式，使用分类效用对分类树的构建进行指导，从而实现对最高分类的划分目的，能够将不同分类对象全部归类到一个类别中，并依据这些内容创建出一个新的类别。但是这种方法也存在一定局限性，局限性在于假设的属性概率分布都是独立的，并不能始终处于成立状态中。

身处互联网时代，用户需求差异化越来越大，要想解决用户痛点，就必须根据用户行为数据，制定行之有效的运营策略。然而在庞大的用户数据中，我们怎样才能高效的获取我们需要的数据呢？获取后又该怎样处理、分析呢？这就需要借助一些数据分析工具，比如Excel、SPSS、Python等等。其中SPSS具有五大特点：操作简便、功能强大、数据兼容、扩展便利、模块组合。

正因为它具备这五大特点，让大部分都是文科出生的运营喵们都爱不释手。在实际应用过程中，SPSS可以在零售领域用来刻画用户画像，在互联网领域通过用户浏览、消费行为进行聚类，研究总结用户特征等。

其实，SPSS就是一个傻瓜似的操作软件，你只需熟悉基本界面和常用功能，然后将你需要处理分析的数据导入进去，根据分析目的选择相应的分析功能，软件就会自动得到分析结果。

从上述可知，在数据分析的整个过程中有三点尤为重要：1）数据准备；2）选择合适的分析功能；3）对SPSS处理后的结果进行解读分析、验证。

对于数据准备，其实这并不在我们操心的范畴，因为一般都会有专门的数据分析同事给你提供数据，前提是你要明确你需要那些数据，比如一个电商要从目前的用户中找到高价值用户，那么可能需要用户的ID、交易日期、交易金额等数据。如果没有人为你准备数据，也不要担心，因为你可以通过python爬虫获得需要的数据，千万不要被爬虫吓到哦，因为只要动动手指就可以在网上找到各种爬虫开源代码，我们只要理解，应用就可以啦。

在数据准备好了以后，就需要根据分析目的选择合适的分析功能了。SPSS的功能非常强大，比如描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响应等几大类，每个大类中又分为很多小类。继续以上面举例中得到的数据为例，那么可以选择RFM分析来处理、分析上面得到的数据，最终可以得到下图所示结果，每个用户都贴了一个标签。

从下图可以看到，分析结果表相比较原始数据表多了几列新的数据，这些数据都是在分析过程产生的。

最后就是对SPSS处理后的结果进行解读分析、验证，该过程会遇到很多不清楚的变量名、图表，但是不要害怕，只要你明确了上面的分析功能之后，就可以凭借百度、谷歌得到相应的解释，你只需进行简单的判断就可以，比如x>0.5则代表模型拟合效果好，则可以采纳该分析结果；x<0.5则代表模型拟合效果不好，则不能采纳该分析结果。

没错，SPSS就是这样一个傻瓜式数据分析工具（这里忽略统计学理论），只要我们花点心思都可以掌握，从而利用它来探寻数据背后的意义，为我们的运营工作提供指导性意见。

干货分享：区分T检验与F检验

1. T 检验和 F 检验的由来

一般而言，为了确定从样本 (sample) 统计结果推论至总体时所犯错的概率，我们会利用统计学家所开发的一些统计方法，进行统计检定。

通过把所得到的统计检定值，与统计学家建立了一些随机变量的概率分布 (probability distribution) 进行比较，我们可以知道在多少 % 的机会下会得到目前的结果。倘若经比较后发现，出现这结果的机率很少，亦即是说，是在机会很 少、很罕有的情况下才出现；那我们便可以有信心的说，这不是巧合，是具有统计学上的意义的 (用统计学的话讲，就是能够拒绝虚无假设 null hypothesis,Ho)。相反，若比较后发现，出现的机率很高，并不罕见；那我们便不能很有信心的直指这不是巧合，也许是巧合，也许不是，但我们没 能确定。

F 值和 t 值就是这些统计检定值，与它们相对应的概率分布，就是 F 分布和 t 分布。统计显著性（sig）就是出现目前样本这结果的机率。

2.统计学意义（P 值或 sig 值）

结果的统计学意义，是结果真实程度（能够代表总体）的一种估计方法。专业上，p 值为结果可信程度的一个递减指标，p 值越大，我们越不能认为样本中变量的关联是 总体中各变量关联的可靠指标。p 值是将观察结果认为有效即具有总体代表性的犯错概率。如 p=0.05 提示样本中变量关联有 5% 的可能是由于偶然性造成的。 即假设总体中任意变量间均无关联，我们重复类似实验，会发现约 20 个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如 果变量间存在关联，我们可得到 5% 或 95% 次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领 域，0.05 的 p 值通常被认为是可接受错误的边界水平。

3. T 检验和 F 检验

至於具体要检定的内容，须看你是在做哪一个统计程序。举一个例子，比如，你要检验两独立样本均数差异是否能推论至总体，而行的 t 检验。

两样本 (如某班男生和女生) 某变量 (如身高) 的均数并不相同，但这差别是否能推论至总体，代表总体的情况也是存在著差异呢？ 会不会总体中男女生根本没有差别，只不过是你那麼巧抽到这 2 样本的数值不同？

为此，我们进行 t 检定，算出一个 t 检定值。与统计学家建立的以「总体中没差别」作基础的随机变量 t 分布进行比较，看看在多少% 的机会 (亦即显著性 sig 值) 下会得到目前的结果。

若显著性 sig 值很少，比如 <0.05 (少於5% 机率)，亦即是说，「如果」总体「真的」没有差别，那麼就只有在机会很少(5%)、很罕有的情况下， 才会出现目前这样本的情况。虽然还是有5% 机会出错(1-0.05=5%)，但我们还是可以「比较有信心」的说：目前样本中这情况(男女生出现差异的情 况)不是巧合，是具统计学意义的，「总体中男女生不存差异」的虚无假设应予拒绝，简言之，总体应该存在著差异。

每一种统计方法的检定的内容都不相同，同样是t-检定，可能是上述的检定总体中是否存在差异，也同能是检定总体中的单一值是否等於0或者等於某一个数值。

至於F-检定，方差分析(或译变异数分析，Analysis of Variance)，它的原理大致也是上面说的，但它是透过检视变量的方差而进行的。它主要用于：均数差别的显著性检验、分离各有关因素并估计其对总变异 的作用、分析因素间的交互作用、方差齐性(Equality of Variances)检验等情况。

4. T 检验和 F 检验的关系

t 检验过程，是对两样本均数(mean)差别的显著性进行检验。惟 t 检验须知道两个总体的方差(Variances)是否相等；t 检验值的计算会因方差是否相等而有所不同。也就是说，t 检验须视乎方差齐性(Equality of Variances)结果。所以，SPSS在进行t-test for Equality of Means的同时，也要做Levene”s Test for Equality of Variances 。

1.在Levene”s Test for Equality of Variances一栏中 F值为2.36, Sig. 为.128，表示方差齐性检验「没有显著差异」，即两方差齐(Equal Variances)，故下面 t 检验的结果表中要看第一排的数据，亦即方差齐的情况下的t检验的结果。

2. 在t-test for Equality of Means中，第一排(Variances=Equal)的情况：t=8.892, df=84, 2-Tail Sig=.000, Mean Difference=22.99 既然Sig=.000，亦即，两样本均数差别有显著性意义！

3.到底看哪个Levene”s Test for Equality of Variances一栏中sig, 还是看t-test for Equality of Means中那个Sig. (2-tailed)啊?

答案是：两个都要看。

先看Levene”s Test for Equality of Variances，如果方差齐性检验「没有显著差异」，即两方差齐(Equal Variances)，故接著的t检验的结果表中要看第一排的数据，亦即方差齐的情况下的t检验的结果。

反之，如果方差齐性检验「有显著差异」，即两方差不齐(Unequal Variances)，故接著的t检验的结果表中要看第二排的数据，亦即方差不齐的情况下的t检验的结果。

你做的是T检验，为什么会有F值呢?

就是因为要评估两个总体的方差(Variances)是否相等，要做Levene”s Test for Equality of Variances，要检验方差，故所以就有F值。

另一种解释：

t检验有单样本t检验，配对t检验和两样本t检验。

单样本t检验：是用样本均数代表的未知总体均数和已知总体均数进行比较，来观察此组样本与总体的差异性。

配对t检验：是采用配对设计方法观察以下几种情形，1，两个同质受试对象分别接受两种不同的处理；2, 同一受试对象接受两种不同的处理；3，同一受试对象处理前后。

F检验又叫方差齐性检验。在两样本t检验中要用到F检验。

从两研究总体中随机抽取样本，要对这两个样本进行比较的时候，首先要判断两总体方差是否相同，即方差齐性。若两总体方差相等，则直接用t检验，若不等，可采用t”检验或变量变换或秩和检验等方法。

其中要判断两总体方差是否相等，就可以用F检验。若是单组设计，必须给出一个标准值或总体均值，同时，提供一组定量的观测结果，应用t检验的前提条件就是该组资料必须服从正态分布；若是配对设计，每对数据 的差值必须服从正态分布；

若是成组设计，个体之间相互独立，两组资料均取自正态分布的总体，并满足方差齐性。之所以需要这些前提条件，是因为必须在这样的 前提下所计算出的t统计量才服从t分布，而t检验正是以t分布作为其理论依据的检验方法。

简单来说就是实用T检验是有条件的，其中之一就是要符合方差齐次性，这点需要F检验来验证

统计学意义（p值）

结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是 总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5% 的可能是由于偶然性造成的。 即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如 果变量间存在关联，我们可得到5% 或95% 次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领 域，0.05的p值通常被认为是可接受错误的边界水平。

如何判定结果具有真实的显著性

在最后结论中判断什么 样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集 比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通 常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果 0.05≥p>0.01 被认为是具有统计学意义，而 0.01≥p≥0.001 被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的 判断常规。

所有的检验统计都是正态分布的吗?

并不完全如此，但大多数检验都直接或间接与之有关，可 以从正态分布中推导出来，如 t检验、f 检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈 正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方 差分析的正态性检验）。

这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计 效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的， 该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。

End.

作者：小遥yao/路上的你

来源：浅谈数据分析工具-SPSS/SPSS干货分享：区分T检验与F检验

浅谈大数据对统计学的挑战和机遇

引言　　国际数据公司的相关研究指出，2011年全球数据生产量达1.8ZB，且全球信息总量每隔两年增长一倍[1]。在大数据时代下，对于统计学发展而言，挑战与机遇并存，挑战指的是现阶段传统统计学相关方法难以适用大数据，机遇指的是基于统计学，大数据展开数据处理、分析，促使大数据具备可视化特性。由此可见，研究大数据对统计学的挑战和机遇有着十分重要的现实意义。　　1.大数据及其目的　　现阶段，关于大数据仍旧没有一个十分明确的界定，大数据起初是源自于技术领域。在信息量不断扩大的情况下，使得常规电脑原有存储空间已不能对新处理数据进行承载，新兴数据处理技术得以产生，好比雅虎的Hadoop平台、谷歌的MapReduce等。此类技术能够对僵化层次结构、一致性予以消除，促进数据无需通过常规数据库表格进行排列，极大程度地提升了人们可处理的数据量[1]。　

　2.大数据与统计学的对比　　2.1样本统计与全样本统计的区别　　样本统计属于统计学不可或缺的依赖，样本指的是结合相应的概率自总体中随机筛选并视作总体代表的集合内容，值得一提的是随机抽样是需要成本的，包括社会关系、资金成本或者时间成本等。基于样本数量提升有限前提下，样本估计误差会随着总体数量增多而增大，这亦是样本统计无法避免的不足。大数据时代下，收集整理庞大的数据信息应运而生，数据信息发展表现出总体即是样本的态势，该属性很好的消除了样本统计这一不足。大数据时代下的全样本统计，通常情况下可对完全总体进行覆盖，然而受大部分数据属于半结构、半结构数据影响，使得概率论应用遭受一定的制约[2]。鉴于此，将全样本统计应用到统计学中，应当就总体数据展开相应的归纳、筛选，即好比在样本统计中展开数据预处理。　　2.2预测分析与非预测分析的区别　　统计学的创立，是为了对变量相互相关关系展开分析，因此获取数据是发生于变量确定之后的，数据分析价值是能够被预测的。相较于统计学的预测分析，庞大数据将互联网、传感器作为载体，存在于分析需求之前，因此构建于大数据上的分析多为非预测性分析。在统计学中，出现大数据无法有效应用局面，这是由于不具备非预测分析所需的庞大数据，庞大数据产生与数据中心、存储系统存在紧密的联系，并非短期产生。也就是说，统计学中大数据的应用发展，说明了非预测分析正逐步取代传统统计学预测分析，数据多次利用正逐步取代传统数据一次性利用的。　　3.大数据对统计学的挑战与机遇　　3.1数据生产、处理与应用的转变　

　相关统计部门经开展严格的统计设计工作，获得相关的统计数据，数据的预处理分别有数据清洗、非全面数据填补以及数据矫正等。大数据时代下的统计手段尚不十分明确，自大数据流环境而言，要不断探索新型抽样方法，并确保抽样方法的实时、连贯及可行性。除去传统的统计分析方法，还应当开发大数据动态分析、数据流算法等[3]。　　3.2大数据时代对市场营销的机遇　　3.2.1大数据营销的特点与价值　　大数据营销的特点：I.数据采集多平台化特点，即大数据时代下，大数据的数据大多来源于不同的领域、不同的渠道。II.时效性特点，随着信息技术的急速发展，互联网用户消费、购物行为方式往往会瞬间出现转变。国际先进大数据营销企业AdTime基于此大数据营销特点，采取了时间营销措施，即采取相应的技术方式全面获悉用户所需，于第一时间对用户当下的需求进行回应，以使用户在下决心购买的最佳时间及时看到对应的产品广告。III.个性化特点，在大数据时代下，广告商传统媒体导向的营销理念逐步由受众导向取代，现如今，广告商可应用大数据了解用户的地理方位，需求内容等信息，达到对用户个性化营销的目的。　　大数据营销的价值：I.升级营销与用户的匹配度，大数据营销不仅可提供给企业了解用户有效的途径，还能够与网络环境下，选取相关技术方法达到对用户精确定位的目的，从而开展好营销工作，升级营销与用户的匹配度。II.改善用户体验，大数据营销促使企业真正意义上认识到用户及其所使用企业产品情况，以给予用户最人性化的提醒。　　3.2.2大数据营销的应用　　（1）与消费者建立紧密关系　　现如今，我国一些企业营销行为仍旧处于个性化定位信息、创意设计阶段，而无法对不同消费者展开个性化的营销活动。大数据时代下，经采用相关数据分析技术方法，基于对消费群体喜好、传媒接触习惯等展开有效的分析，达到特定营销活动明确开展的目的，实现企业精心开展的营销活动精准的辐射至目标消费群体处，与消费者建立紧密关系，极大的改善营销效率、质量[4]。　　（2）掌握竞争对手数据　　企业通过对竞争对手数据的有效掌握，获悉竞争对手发展状况，基于此帮助企业制定科学合理的产品价格，提升企业产品市场竞争优势。与此同时，企业务必要全面实施以事实为前提的决策手段，广泛地应用数据分析方式对企业每一个发展运营步骤进行优化，经对企业一系列数据的充分优化、对接，促使业务环节中潜在的价值得以被有效挖掘，降低生产成本，知己知彼，促使企业在日趋白热化的市场竞争中占据有利位置。　　（3）挖掘企业内部数据　　“市场未动，数据先行”俨然转变为国际上企业有效运营发展的一致认识，为了提升企业管理效率，要求企业要充分挖掘企业内部数据，并展开有效的整合、分析，以为企业相关人员做决策提供有利的参考依据，提升决策准确性，促进企业可持续发展。

3.2.4 企业的应用案例——以亚马逊为例　　在应用大数据开展市场营销方面，美国亚马逊公司一直处于领先地位。亚马逊研发出“用户未下单，先发货”功能，即结合用户的购物需求数据信息，分析用户想要购买的产品，达到用户未下单，提前发货的目的。此外，亚马逊通过对用户检索信息的分析，评估流感的传播，但这仅仅为海量检索数据中的一项用途，相同的数据能够应用于预测大选结果、预测某类产品市场行情等等，极大地降低了统计成本[5]。　　3.3大数据时代对市场营销的挑战　　3.3.1信息收集　　大数据并非就是对数据信息展开盲目的收集，即便收集了再多的数据，倘若这些数据并非是市场营销所需要的，如此便会导致前期收集来的数据信息，变成一堆“数据垃圾”。鉴于此，为了避免这一情况发生，务必要充分分析业务需求，再对自身存在价值的数据展开收集、归纳，如此方可实现大数据的有效收集应用。　　3.3.2经验与数据　　数据采集完毕后，面对参差不齐的数据，还应当做好数据评估工作，评估对何种目标受众开展市场营销工作。鉴于此，要求采取科学合理的手段，将这些参差不齐的数据整合成可被市场营销实践应用的，经结合过去的经验，与采集数据进行有机融合，实现对目标受众的有效分析确定。　　3.3.3分析与优化　　数据分析，一方面是实现数据优化，一方面是进行决策层面上的调整、转变。此环节对于专业人才的需求提出了严苛的挑战。数据分析、数据优化对于专业人才的知识框架要求大不相同，这要求相关企业不仅要培养专业的数据分析人才，还要打造数据优化人才队伍。　

　3.4大数据营销的未来发展趋势　　信息技术不断发展，单一媒体导向的“消费者碎片化”俨然无法达到企业对于数据多样性的需求。大数据时代下，媒体的跨界融合实现对“碎片化”受众的充分聚合。在科学技术技术不断进步的背景下，跨媒介、跨平台、跨终端的多途径将不断被开拓，将使庞大的数据信息获取多维度的整合，并且在多样化网络环境下，消费者主观信息与客观数据有机融合，构筑全面用户数据库环节，将成为未来大数据营销发展的必然趋势[6]。　　4.结束语　　总而言之，大数据为传统统计学带来了严峻的考验，也为传统统计学有效发展创造了良好的契机。在大数据时代发展潮流中，我们应当充分的认识到大数据对于传统统计学而言，是补充而不是更替，构建于样本统计、预测分析内容上的传统统计学，仍旧于社会统计、经济分析中占据着主导位置。大数据时代下，为了实现企业市场营销的有效开展，相关人员务必要不断专研研究、总结经验，全面分析大数据与统计学的对比，充分认识大数据对统计学的挑战和机遇，“与消费者建立紧密关系”、“掌握竞争对手数据”、“挖掘企业内部数据”等，积极促进企业市场营销的科学合理化。

1.SAS

是目前国际上最为流行的一种大型统计分析系统，被誉为统计分析的标准软件。尽管价格不菲，SAS已被广泛应用于政府行政管理，科研，教育，生产和金融等不同领域，并且发挥着愈来愈重要的作用。目前SAS已在全球100多个国家和地区拥有29000多个客户群，直接用户超过300万人。在我国，国家信息中心，国家统计局，卫生部，中国科学院等都是SAS系统的大用户。尽管现在已经尽量“傻瓜化”，但是仍然需要一定的训练才可以使用。因此,该统计软件主要适合于统计工作者和科研工作者使用。

2.SPSS

SPSS作为仅次于SAS的统计软件工具包，在社会科学领域有着广泛的应用。SPSS是世界上最早的统计分析软件，由美国斯坦福大学的三位研究生于20世纪60年代末研制。由于SPSS容易操作，输出漂亮，功能齐全，价格合理,所以很快地应用于自然科学、技术科学、社会科学的各个领域，世界上许多有影响的报刊杂志纷纷就SPSS的自动统计绘图、数据的深入分析、使用方便、功能齐全等方面给予了高度的评价与称赞。迄今SPSS软件已有30余年的成长历史。全球约有25万家产品用户，它们分布于通讯、医疗、银行、证券、保险、制造、商业、市场研究、科研教育等多个领域和行业，是世界上应用最广泛的专业统计软件。在国际学术界有条不成文的规定，即在国际学术交流中，凡是用SPSS软件完成的计算和统计分析，可以不必说明算法，由此可见其影响之大和信誉之高。因此,对于非统计工作者是很好的选择。

3.Excel

它严格说来并不是统计软件，但作为数据表格软件，必然有一定统计计算功能。而且凡是有Microsoft Office的计算机，基本上都装有Excel。但要注意，有时在装 Office时没有装数据分析的功能，那就必须装了才行。当然，画图功能是都具备的。对于简单分析，Excel还算方便，但随着问题的深入，Excel就不那么“傻瓜”，需要使用函数，甚至根本没有相应的方法了。多数专门一些的统计推断问题还需要其他专门的统计软件来处理。

4.S-plus

这是统计学家喜爱的软件。不仅由于其功能齐全，而且由于其强大的编程功能，使得研究人员可以编制自己的程序来实现自己的理论和方法。它也在进行“傻瓜化”,以争取顾客。但仍然以编程方便为顾客所青睐。

5.Minitab

这个软件是很方便的功能强大而又齐全的软件，也已经“傻瓜化”，在我国用的不如SPSS与SAS那么普遍。

6.Statistica

也是功能强大而齐全的“傻瓜化”的软件，在我国用的也不如SAS与SPSS那么普遍。

7.Eviews

这是一个主要处理回归和时间序列的软件。

（本文内容由百度知道网友了不起的小芳儿贡献）

   好的App数据分析工具是运营推广人员手中必备的神兵利器。

   从前期数据调研和中期方案策划执行到后期的策略调整总结，一款好的App数据扮演着举足轻重的角色。

   早期的免费模式的数据分析平台，也会逐步走向书费模式，下面就推荐下国内主流的App数据分析工具：

一、友盟 

http://umeng/

支持iOS、Android应用数据统计分析，APP所需要的数据分析功能基本覆盖了了。2016年1月26日友盟、全球中文网站统计分析平台“CNZZ”、国内互联网数据服务平台缔元信网络数据这三家阿里巴巴共同投资的公司宣布合并为“友盟＋”，“友盟 +”每天可以触达全球超过 9 亿的独立互联网活跃用户。

二、Cobub Razor

http://cobub/

开源版的友盟。支持iOS、Android应用数据统计分析。主要提供渠道、版本、使用频率、使用时长、页面访问路径、用户留存、终端与网络、运营商分布、事件与转化率、错误分析和自动更新等多项数据统计，并提供按区域查看和按时间段的查看方式。

三、清源火眼(huoyanapp)

http://huoyanapp/

可以查看任一APP用户的日活跃、周活跃、月活跃。另外，还能进行应用对比。其功能主要分三大块，分别是渠道监测、用户分析、人群分析。用户分析主要包括新增用户、活跃用户、时段分析、使用频率。

四、AYL爱盈利App榜单监控

http://rank.aiyingli/

监控自己的应用在国内各大应用市场的排名情况和下载量变化情况，iOS和Android皆覆盖。

一直以来的，iOS的工具很多，Android的很少。之前统计Android下载量数据，统计搜索排名，总榜，分类排名都是很人肉的方法，有了这个好很多了。据说，很多产品转让交易、融资、CPT统计都会参考他们家的数据.

五、应用雷达

http://ann9/

仅针对iOS，查看App Store总榜和分类排名。查看产品在App Store 里的搜索度得分，评判ASO效果的标准之一。

六、诸葛iO

https://zhugeio/

特色是可以通过属性筛选-选择条件-选择时间筛选条来对用户行为进行洞察分析，根据用户的每一步操作更直观的对用户进行画像，可将不同的消息推送给不同的用户!而且推送过后，还有效果监测。

七、TalkingData

http://talkingdata/

统计类别有用户与使用(新增、活跃、地区分布、设备机型等)、渠道统计、事件与转化、分析工具这四大类，咱可以通过渠道数据查看用户的来源，以此来评估推广的效果。　　

八、百度移动统计

http://mtj.baidu

支持ios和android平台。另外，开发者在嵌入统计SDK后，可以对自家产品进行较为全面的监控，包括用户行为、用户属性、地域分布、终端分析等。安卓渠道多的吓人，不可能全方位的去维护每一个渠道，所以就要靠分析了，咱能通过百度移动统计对不同渠道的推广效果进行监测，从而淘汰劣质渠道。

九、ASOU

http://asou/

通过热门搜索可以分析出用户在某个时间段内的搜索行为，但考虑到现在刷子很厉害，这一块的数据已无多大参考价值了，可以重点查看其中是否有行为词，另外有iPad业务的开发者们也是可以使用asou工具进行分析。

十、微拓ASO（德普优化）

http://vtool.cc/

可以帮助开发者们进行ASO关键词分享、关键词还原、关键词扩展、关键词24小时排名、下载量预估等针对在关键词的分析统计。

 十一、APPDUU

http://appduu/

仅支持ios.可以查看APP权重、ASO关键词覆盖等情况，不过这是一款付费APP统计工具，普通用户的限制较多，升级VIP后可以看到较为全面的数据。关键词分析还有个亮点是有分词工具。

十二、ASO100

http://aso100/

支持苹果总榜和分榜前1500名的查询，开发者可以随时查看自己的应用排名。可搜索关键词指数排行，查询每个分类榜单每个关键词的排名。还可进行竞品分析功能。开发者可借鉴竞品在用哪些关键词，为自己的App查漏补缺。

十三、酷传

http://coolchuan/

仅支持android平台应用监控。开发者可以查看应用在主流市场下载量、排名、评分评论、关键词排名等数据，还能系统地与同类竞品进行数据对比。

十四、Play Data

http://playdata

支持iOS、Android、WP主流平台应用数据统计分析。功能包括运营分析、用户使用、渠道分析、用户终端、事件及转化、错误分析、广告位监测。

十五、海度云分析

https://m.hiido/

支持主流智能手机平台，标榜永久免费，可帮助APP创业者统计和分析活跃设备、用户来源、用户属性、渠道数据和留存率等。

十六、蝉大师

http://ddashi/

支持iOS、Android应用数据统计分析，可跟踪应用在各个市场渠道的表现。同时提供ASO关键字诊断工具、拓展工具以及智能推荐工具。

其他人也看了：

【百度推广今日已整改，“推广”变为“商业推广” 】 想看戳这里戳这里~ http://dwz/3XMez3【网站运营必读：解决网站跳出率的30个意见    】        想看戳这里戳这里~  http://dwz/3XMdCP【“央视315产品大会”莫名启发的“互联网致富”之路】想看戳这里戳这里~ http://dwz/3XMgxc

统计学教学中存在的问题与对策

目前统计学已在各行各业得到了广泛的应用，特别是在大数据时代，人们的生产生活已越来越离不开统计学。由于统计学如此重要，教育部将统计学规定为经济类和工商管理类本科专业的专业核心课程。但是，当前统计学的教学还存在诸多问题，从而使统计学的教学效果大打折扣。本文将结合笔者的教学实践，对统计学教学中存在的主要问题进行分析，并提出相应的对策，期望对统计学的教学改革工作提供一点思路。　　一、统计学教学中存在的主要问题　

　1、在教学过程中忽视对数学知识的复习　　当我们在统计学的讲授过程中涉及到概率分布、假设检验以及矩阵运算等知识点的时候，很大一部分学生表现出茫然的神情，表明学生在学习统计学的时候，已经对过去所学的数学知识有所遗忘。《计量经济学》教材一般都会有一个数学附录，可以帮助学生用较短的时间对关键的数学知识进行复习。《统计学》教材一般没有这样的数学附录，统计学教师也不会专门给学生复习相关的数学知识，而这些数学障碍恰好是导致学生学习效率低下的主要原因。中国有句俗语“磨刀不误砍柴工”，因此笔者认为在进行统计学这门课程的教学时，有必要专门安排时间对学好统计学必需的数学基础知识进行复习。　　2、在教学过程中忽视案例的运用　　统计学是一门实践性很强的学科。统计学中的每一个知识点都是与实践相联系的，比如均值、标志变异度这些看似简单的知识，都包含了丰富的实践意义。而有些教师在上课的时候，主要教学生如何去计算相关的统计指标，把统计学当作一门数学课程来教，学生也把统计学当作数学来学。教师在教学中忽视了对实践收集整理案例的运用，导致学生不能真正理解相关知识点的真正含义，从而觉得统计学又枯燥、又难学，并失去了学习的兴趣。　　3、理论讲解与统计软件教学脱节　　统计学是一门实践性很强的学科，即学生从统计学中学到的知识是完全可以应用到工作实践的。与教科书中的例题不一样，在工作中所得到的数据的样本容量一般都很大，这就需要通过相应的统计软件来进行处理。据笔者了解，许多高校在安排统计学这门课程的时候，一般安排十六周左右的理论教学，另外安排两周实践教学，在实践教学环节主要是学习SPSS软件。我们认为，这种教学安排并不能很好地促进统计学的教学，其理由主要有两点：其一，理论讲解与统计软件的教学完全脱节。由于是在理论学习完全结束之后才开始教学生进行软件操作，学生可能对学过的理论知识已经遗忘，在学习软件操作时，只是进行机械性的操作，而不明白每一步操作的真实含义。其二，学习软件操作的目的并不是为了简单地进行数据处理和数据分析，事实上通过软件的学习还能促进对理论知识的理解。而像这种教学安排，是先学完理论之后，再学习软件操作，就不能很好地起到通过软件操作促进理论知识学习的目的。　　二、提高统计学教学效果的对策

　　1、注重案例的讲解　　由于统计学的实践性很强，我们可以从生产生活中找到许多案例来帮助提高统计学的教学效果。通过合理地运用案例，既可以增进学生对统计理论的理解，同时又能提高学生学习统计学的兴趣。下面将具体介绍笔者在讲授假设检验时是如何通过案例的讲解来增加学生对统计学知识的理解以及提高学习统计学的兴趣的。假设检验是统计学教学中的重点和难点。假设检验是利用样本提供的数据资料来检验事先对总体某些数量特征所作的假设是否可信的一种统计方法。当对总体参数的真实性感到怀疑，需要通过样本来考察其正确与否时，往往借助于假设检验作判断，从而决定接受或拒绝这一假设。　　笔者在讲授这部分内容时，引用了吴喜之在其《统计学：从数据到结论》一书中的一个案例。其内容是：如果一个人要证明他从来没有骂过人。他能够证明吗？要证明他没有骂过人，他必须出示他从小到大每一时刻的录音录像，所有书写的东西等等，还要证明这些物证是完全的、真实的、没有间断的，这显然是不可能的。　　反过来，如果要证明这个人骂过人很容易，只要有一次被抓住就足够了。这就相当于假设检验中的反证法。在假设检验中，一般要设立一个原假设，比如可将“从来没有骂过人”设为原假设，设立该假设的动机主要是企图利用人们掌握的反映现实世界的数据来找出假设与现实之间的矛盾，从而否定这个假设。如否定不了，说明证据不足，无法否定原假设。许多学生说他们在学习《概率论与数理统计》这门课程时，虽然也学过假设检验，但是从来没有真正明白假设检验的含义，而通过对这个案例的学习，他们对假设检验有一种豁然开朗的感觉，并且觉得统计学原来这么有趣。　　另外，对于假设检验中的一类错误和二类错误，学生也很难理解，在讲授这部分内容时，笔者又列举了另外一个案例来帮助学生理解。当一个人被控告为罪犯时，他将面临审讯。控告方提出控诉后，法官必须根据证据做出裁决。事实上，法官就需要进行假设检验。这里有两个假设需要被证明。第一个假设为原假设H0：被告无罪；第二个假设为备择假设H1：被告有罪。事先法官并不知道哪个假设是正确的，他们将根据控辩双方所提供的证据进行判断，最终的结果只有两种可能：判定被告有罪或无罪释放。在统计应用中，判定被告有罪就相当于拒绝原假设，授受备择假设；而判定被告无罪也就相当于不能拒绝原假设，但我们并不能接受原假设。　

　当我们进行假设检验时，存在两种可能的错误。第一类错误是当原假设正确时，我们却拒绝了它。第二类错误当原假设有错误时，我们却没有拒绝。在上面这个法官审案的例子中，第一类错误就是一个无罪的人被判定有罪。第二类错误就是一个有罪的被告被判定无罪。我们把发生第一类错误的概率记为α，通常它也被称为显著性水平。第二类错误发生的概率为β。发生错误的概率α和β是相反的关系，这就意味着任何尝试减少某一类错误的方法都会使另外一类错误发生的概率增加。根据检验的一般原则，首先要保证犯第一类错误的概率α要足够的小。因为司法审判中，第一类错误被认为是更加严重的。通过对这个案例的学习，学生就能很好地理解，为什么我们会将显著性水平规定为0.01或0.05，最大一般不会超过0.1。 　

2、强化统计软件的教学　　在统计学教学中加强统计软件的教学，并不仅仅是为了教会学生用统计软件去整理数据和分析数据，另外一个目的就是通过操作统计软件帮助学生理解统计理论。目前大多数学校为了合理利用比较紧缺的实验教学资源，往往对理论教学和实践教学环节进行分开安排，而这样做的弊端就是不利于上述目标的实现。事实上现在许多大学生都有自己的个人电脑，对一些统计软件的学习并不一定要去实验室，教师可以在课堂上进行简单的演示，让学生在课后多练习操作。我们认为在统计学教学中使用Stata统计分析软件将更加方便，因为Stata是世界上最权威的三大统计软件之一，具有占用内存小、功能非常强大、运算速度快和不需要安装等优点。　　我们在前面的分析中曾谈到为了提高学生学习统计学的效率，很有必要对学好统计学必须具备的数学基础知识进行专门的复习。如果我们用Stata软件来帮助学生复习数学知识，其效率会更高。下面将列举用如何用Stata的矩阵命令帮助学生复习矩阵运算的相关知识。　　用Stata录入一个新矩阵的方法非常简单。在Stata的命令窗口输入以下命令：matrix A=（1，0，1＼2，1，0＼-3，2，-5），就得到了一个3行3列的矩阵。　　如果要得到矩阵A的转置矩阵，只需要输入以下命令：matrix A1=A’。A1=（1，2，-3＼0，1，2＼1，0，-5）即为A的转置矩阵。　　如果要得到矩阵A的迹，只需要输入以下命令：scalar a=trace（A）；如果要得到矩阵A的逆，只需要输入以下命令：matrix B=inv（A），B=（-2.5，1，-0.5＼5，-1，1＼3.5，-1，0.5）即为A的逆矩阵。　　事实上，在指导学生复习矩阵的相关知识时，并不需要详细地为学生讲解具体的运算过程，比如求矩阵的逆，其运算过程比较复杂，如果详细地讲解运算过程，将花费大量的时间，甚至有本末倒置之嫌。只需要简单讲解一下矩阵逆的概念，其运算过程可以完全交给软件去做。　　当然学习统计软件最根本的目的是对搜集到的大量数据进行整理和分析。当学生在学习相应的统计整理和统计分析的理论知识的时候，也必须能运用软件去得到相应的结果。比如当学生学完平均指标和标志变异度指标之后，要学会如何用软件来得到相应的指标。用Stata软件来得到这些指标的方法非常简单的。如果想得到某个变量a的平均数、标准差、极大值、极小值以及25%分位数、75%分位数等，只需要输入命令“sum a，detail”就可以了。　　3、加强实践能力的训练　　由于统计学的实践性很强，因此必须要注重学生实践能力的训练，在目前的统计学教学中有一个误区，认为教会学生操作相应的统计软件，就是在进行实践能力的训练。事实并不是这样，学生学习统计学的目的主要是为了解决实际问题，因此在教学中要根据相应的教学内容设计不同的课题和任务，让学生实实在在地从搜集数据、整理数据、分析数据到得出统计结论进行完整的训练。通过加强实践能力训练，可以让学生真正明白统计学的实用性，从而产生更大的学习兴趣，并在实践中清楚地知道自己在哪些方面还存在不足，以增加学习统计学的动力。 　　

浅谈统计学在生活中的应用

统计学并不是一门独立存在的学科，它是以数学知识和数理统计作为基础，将数理统计方法和其他学科专业知识交叉融合形成的具有极强推断性的一种分析方法。现阶段，随着科学技术的快速发展，为了加强对自然社会各个领域现象的判断和整理能力，将统计学应用在生活各个方面已经成为现阶段的数理统计的一种便捷方法。

一、统计学的概念 　　统计学指的是调研人员通过一些列的手段对整理出来的数据信息进行整理分析，从而推断出调研对象本质，甚至可以对未来的类似事情进行预判的一门综合性学科。在进行统计学整体分析的过程中需要用到大量的数学知识以及其他相关学科的专业知识，统计学由于其自身独特的性质，在社会科学和自然科学的各个领域几乎都可以使用。 　　二、统计学在生活中的应用分析 　　（一）统计学在经济学中的重要应用 　　运用统计学对生活中的数据信息进行整理分析，首先要学习统计学的基础知识以及数据统计个分析等学科，这些基础知识和方法都是在开展统计学应用活动之前调研人员所必须掌握的。统计学课程的学习作为经济学学科当中的重要分支，在经济学课程中经常被应用，例如，经济学的计量统计就需要根据统计学在金融里面的重要意义和地位作为基础，将金融知识和统计学知识相结合，将金融计量和时间的序列进行结合，对收集到的金融数据进行整理分析，最后得出金融计量和时间序列的一定关系。 　　统计学在金融经济学中有着十分重要的工具性作用，主要包括两个方面，分别是：在思想上而言，统计学是对数据统计分析结果进行研究，最后得出研究对象的判断结果，为了保证研究结果的准确可靠性，统计学在进行数据整理分析过程中必须是带着严谨的科学态度，这种严谨的科学态度对于经济学的相关理论分析具有十分重要的指导地位，这是由于研究人员在对金融量进行数学分析的过程中，为了保证金融数学分析结果的准确可靠性就必须保证金融量数据收集分析等预处理过程是科学合理的；其本收集整理次，统计学是经济学进行科学试验研究最优化的选择，经济试验研究活动的多样性以及研究对象之间错综复杂的关系导致经济学的试验研究活动受到诸多限制，运用统计学进行经济学试验研究活动，使得经济学实验研究的对象变得简洁明了，降低试验研究的成本支出。从统计学在经济学中的应用我们可以看出，经济学当中的统计学应用主要是运用了统计学当中经济必然性的思想，使得经济学当中的统计结论不具备复杂的思想成本。 　　

（二）统计学在医学中的重要应用 　　统计学在医学中应用的主要原因就是生物医学中存在的不确定性和变异性。生物医学主要的研究目标就是与人体健康相关的不确定因素，也就是通常所说的医学变异现象，变异现象在生物体当中是普遍存在的，例如，对于外在条件基本相同的两个病人，在相同的条件下进行治疗时，却有可能出现有的病人被治愈，有的病人治疗效果不明显，甚至还会出现死亡的现象。造成这些外在条件相同的生命体却出现不同程度治愈的主要原因就是生物医学中存在的不确定性或者是人体中存在的错综复杂的随机因素，客观差异存在的原因是因为某种偶然性的潜在的揭露必然性的发现。 　　在医学临床统计中发现，对于同一种病因的客观性规律进行调查，对于健康人的共同作用的交织与疗效的考查的病人很少。在医学当中运用统计学最主要的就是通过观察不同疗效病人的医疗诊断效果，将实际的医学诊断治疗效果与医学理论和假设进行验证，运用概率论以及数学方法对对比结果进行分析、判断，运用电子计算机等相关软件设备对研究对象的指标进行记录，并绘制相应的图表等，通过综合运用多种数理统计方法，得出与研究对象相关的研究结果。将统计学应用到医学当中，可以促进统计方法和多变量分析法在医学试验研究中的应用，对未知病因所造成的医疗诊断事故进行分析，可以促进医疗诊治手段的不断创新發展。

（三）统计学在体育比赛中竞技指标的应用。 　　统计学在体育比赛中的应用主要是用统计的职业联赛的数字反应比赛队伍能否成为世界顶级，这是因为在体育比赛中应用统计学可以对比赛中的胜率进行分析，主要是将每个队员在每个赛季比赛的分数和常规赛场上的分数进行统计，通过一系列的数学计算分析，制定出每个队员得分平均值和标准差之间的正态分布图，通过正态分布图的稳定性来判断队员的技术稳定性。以众所周的NBA篮球比赛为例，NBA比赛中由于明星球员众多，在运用统计学进行数据整体分析时，需要依据本质上的规律进行数据统计，而不是随意的选择数据进行统计，例如在进行篮球比赛发球这一项双方队员的进攻和防守的概率时，在进行指标选择时就涉及到随机事件的发生概率，因此，可以运用统计学统计球员在每一场比赛上的均得分，通过这些数据指标的正态分布图来确定球员的技术稳定性。 　　三、结束语 　　在日常生活中应用统计学对数据进行管理分析，可以极大提高生产生活中对研究对象的管理效率，使得研究对象变得明确，降低管理成本。在实际的生产生活中应用统计学时，调研人员需要通过多次的试验和随机概率对比来确定事件发生的概率，通过定量定性的数理统计分析工作，充分发挥统计学对生产生活的促进作用。

1.百度统计

地址：

百度统计是百度推出的一款免费的专业网站流量分析工具，能够告诉用户访客是如何找到并浏览用户的网站，在网站上做了些什么，有了这些信息，可以帮助用户改善访客在用户的网站上的使用体验，不断提升网站的投资回报率。目前主要提供趋势分析、来源分析、页面分析、访客分析、定制分析等多种统计分析服功能。

2.LeanCloud统计

地址：

LeanCloud统计内置稳定实时的数据统计分析服务，从用户量，用户行为，渠道效果，自定义事件等多个维度，帮助您更清楚的了解用户习惯，提高用户黏性和活跃度。(原名AVOS Cloud，现更名为LeanCloud)。主要亮点是AVOS Cloud 提供一流的 web 管理后台，可以通过它看到各个维度的统计结果。

3.Appsee

地址：https://

Appsee是一个简单而强大的视觉应用分析平台,在我们的移动应用程序中，使我们能够测试,了解和改善用户体验。通过Appsee平台，我们将能够准确了解用户如何与移动应用程序进行交互。

4.Segment.io

地址：

Segment.io允许我们将数据一键分送给多家数据分析服务提供商，我们只需部署一次，即可随意开关各个平台的数据通道。

5.有数

地址：

有数简称data.u，是一种可以灵活内置于手机应用运行过程的简单、透明的分析手段。data.u实现了高效采集分析数据，并初步整理减少冗余数据，压缩封装数据，利用智能策略传输数据，不挤占用户的网速。开发者可基于此开发包分析应用程序的运行情况，包括页面停留时长、页面跳转率、按时间或地理位置分析用户量、用户的发展情况等信息，同时为用户提供了在线配置参数获取等实用功能。