外觀
Data Science › Statistics
統計 (Statistics)
從描述資料、機率、推論,到迴歸、無母數、貝氏、時間序列、多變量、實驗設計與存活分析。
統計不是一堆檢定的集合。好的流程是:理解資料 → 選擇合適的模型 → 檢查假設 → 在脈絡中解讀結果。很多錯誤來自直接套用熟悉的檢定,而好的分析幾乎都從資料品質檢查與視覺化開始。
找方法:不知道該用哪個檢定或模型時,先看 統計方法速查。
模組
| 模組 | 核心內容 | 回答的問題 |
|---|---|---|
| 敘述統計 | 資料品質、型態、摘要、圖 | 資料長什麼樣?有缺失或離群值嗎? |
| 機率與分配 | 機率規則、分配、CLT、MLE、模擬 | 隨機變數如何表現?該用哪個分配? |
| 推論統計 | CI、假設檢定、多重檢定、ANOVA | 樣本能告訴我們母體什麼? |
| 迴歸分析 | 線性、邏輯斯、GLM、混合效應 | Y 如何隨 X 改變? |
| 無母數方法 | 排名檢定、卡方、等級相關 | 常態或等變異假設不成立時怎麼辦? |
| 貝氏統計 | 先驗、後驗、MCMC | 如何結合先前知識與新證據? |
| 時間序列 | 趨勢、季節、自相關、ARIMA | 時間上有什麼規律?如何預測? |
| 多變量分析 | PCA、分群、正則化、LDA | 許多變數如何一起形成結構? |
| 實驗設計 | 隨機化、區集、偏誤、樣本數 | 如何蒐集能支持有效結論的資料? |
| 存活分析 | 設限、KM、Cox | 事件何時發生?什麼影響它的時間? |
建議路線
| 讀者 | 路線 |
|---|---|
| 初學 | 敘述統計 → 機率與分配 → 推論統計 → 迴歸分析 → 實驗設計 |
| 生物資訊 | 資料品質 → 多重檢定校正 → GLM 與計數模型 → 混合效應模型 → PCA / 分群 → 干擾與批次效應 → 存活分析;完整套用見 RNA-seq 分析 |
| 機器學習 | MLE 與損失函數 → 偏誤與變異 → 迴歸分析 → 正則化 → Bootstrap / 置換檢定 → 貝氏統計 |
三個貫穿全程的習慣
| 習慣 | 為什麼 |
|---|---|
| 先畫圖再檢定 | 圖比 p 值更快揭露結構、離群值、偏態與設計問題 |
| 配適後檢查假設 | 多數假設是關於殘差、相依性或模型形式,而不只是原始資料 |
| 報告效果量與不確定性 | 統計顯著很少能回答「這個結果重不重要」 |