Skip to content

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」