本书为2022年度上海高等学校一流本科课程的核心配套教材。本书主要面向高等院校本科生讲述基于Python语言的统计分析的基础概念与实践案例，包含统计分析的预备知识与数据可视化、描述性统计、统计推断方法、均值的比较、比例数据的比较、相关性分析、线性模型，等等。并配有Python代码、案例和课后习题。适合各学科本科生使用。作者童善保为上海交通大学生物医学工程学院长聘教授，博士生导师，Med-X研究院特别研究员。
封面
目录
第1章 预备知识与数据可视化
1.0 引言
1.1 基本概念
1.2 描述性统计与推断性统计
1.3 常见数据类型和分布函数
1.4 大数定理和中心极限定理
1.5 Python及函数库安装
1.6 基于Python的数据可视化基础
1.7 本章总结
本章练习题
第2章 描述性统计
2.0 引言
2.1 数据中心趋势
2.2 数据离散程度
2.3 数据的分布特征
2.4 本章总结
附录A 样本方差是总体方差的无偏估计的证明
本章练习题
第3章 统计推断方法
3.0 引言
3.1 置信区间
3.2 零假设显著性检验
3.3 Ⅰ类错误与Ⅱ类错误
3.4 常见问题和注意点
3.5 参数推断与非参数推断
3.6 本章总结
本章练习题
第4章 均值的置信区间
4.0 引言
4.1 单个样本均值的置信区间
4.2 两个关联(配对)样本均值差异的置信区间
4.3 两个独立样本均值差异的置信区间
4.4 本章总结
本章练习题
第5章 均值的零假设显著性检验：z检验和t检验
5.0 引言
5.1 单个均值的零假设显著性检验
5.2 两个相关(配对)样本均值差异的零假设显著性检验
5.3 两个独立样本均值差异的零假设显著性检验
5.4 本章总结
本章练习题
第6章 单因素方差分析
6.0 引言
6.1 案例
6.2 原理和方法
6.3 重复测量单因素ANOVA
6.4 单因素ANOVA的非参数检验方法
6.5 本章总结
附录A 单因素方差分析SST = SSB + SSE的推导
附录B 单因素重复测量ANOVA SST = SSB + SSS + SSE_inter
附录C 雅各布·科恩(Jacob Cohen)推荐的ANOVA效应量大小解释
本章练习题
第7章 两因素方差分析
7.0 引言
7.1 应用案例
7.2 原理与方法
7.3 两因素重复测量方差分析、两因素混合方差分析
7.4 两因素混合方差分析案例
7.5 ANOVA常见问题
7.6 本章总结
附录A 两因素方差分析的离差平方和的分解
附录B 不平衡样本ANOVA离差平方和的分解
本章练习题
第8章 比例的置信区间和检验
8.0 引言
8.1 单个比例的统计推断
8.2 两个独立比例差异的推断
8.3 常见问题和注意事项
8.4 本章总结
附录A Wilson区间的连续性校正公式
本章练习题
第9章 卡方检验：RC联立表
9.0 引言
9.1 案例
9.2 RC联立表卡方检验的原理和步骤
9.3 Python演示
9.4 卡方检验的效应量Cramer's V
9.5 卡方检验的结果报告与解释
9.6 卡方检验的适用条件
9.7 常见错误和注意点
9.8 本章总结
本章练习题
第10章 拟合优度检验
10.0 引言
10.1 案例
10.2 原理与方法
10.3 Python演示一
10.4 较复杂的案例
10.5 Python演示二
10.6 结果报告和注释事项
10.7 常见问题和注意事项
10.8 本章总结
本章练习题
第11章 相关系数
11.0 引言
11.1 皮尔逊(Pearson)相关系数r
11.2 斯皮尔曼(Spearman)相关系数ρ
11.3 肯德尔(Kendall)相关系数τ
11.4 相关系数的置信区间估计和假设检验
11.5 相关系数的显著性检验
11.6 Python演示和常见问题
11.7 结果报告和常见错误
11.8 本章总结
本章练习题
第12章 简单线性回归模型
12.0 引言
12.1 简单线性模型、多元线性模型、一般线性模型案例
12.2 简单线性回归模型的最小二乘估计
12.3 Python演示
12.4 线性模型决定系数(R²)
12.5 线性回归模型结果报告
12.6 模型性能评价
12.7 简单线性模型的适用条件
12.8 模型的解读
12.9 简单线性模型系数的解释
12.10 本章总结
附录A TSS分解的数学推导
附录B 线性模型的符号表(第12、13章)
附录C 练习用统计符号
本章练习题
第13章 多元线性回归
13.0 引言
13.1 案例
13.2 一般线性回归模型参数估计方法
13.3 Python演示
13.4 模型性能评价
13.5 模型系数的报告与解释
13.6 常见问题
13.7 本章总结
附录A 线性模型性能评价指标
附录B 练习题
参考文献
封面
目录
第1章 预备知识与数据可视化
1.0 引言
1.1 基本概念
1.2 描述性统计与推断性统计
1.3 常见数据类型和分布函数
1.4 大数定理和中心极限定理
1.5 Python及函数库安装
1.6 基于Python的数据可视化基础
1.7 本章总结
本章练习题
第2章 描述性统计
2.0 引言
2.1 数据中心趋势
2.2 数据离散程度
2.3 数据的分布特征
2.4 本章总结
附录A 样本方差是总体方差的无偏估计的证明
本章练习题
第3章 统计推断方法
3.0 引言
3.1 置信区间
3.2 零假设显著性检验
3.3 Ⅰ类错误与Ⅱ类错误
3.4 常见问题和注意点
3.5 参数推断与非参数推断
3.6 本章总结
本章练习题
第4章 均值的置信区间
4.0 引言
4.1 单个样本均值的置信区间
4.2 两个关联(配对)样本均值差异的置信区间
4.3 两个独立样本均值差异的置信区间
4.4 本章总结
本章练习题
第5章 均值的零假设显著性检验：z检验和t检验
5.0 引言
5.1 单个均值的零假设显著性检验
5.2 两个相关(配对)样本均值差异的零假设显著性检验
5.3 两个独立样本均值差异的零假设显著性检验
5.4 本章总结
本章练习题
第6章 单因素方差分析
6.0 引言
6.1 案例
6.2 原理和方法
6.3 重复测量单因素ANOVA
6.4 单因素ANOVA的非参数检验方法
6.5 本章总结
附录A 单因素方差分析SST = SSB + SSE的推导
附录B 单因素重复测量ANOVA SST = SSB + SSS + SSE_inter
附录C 雅各布·科恩(Jacob Cohen)推荐的ANOVA效应量大小解释
本章练习题
第7章 两因素方差分析
7.0 引言
7.1 应用案例
7.2 原理与方法
7.3 两因素重复测量方差分析、两因素混合方差分析
7.4 两因素混合方差分析案例
7.5 ANOVA常见问题
7.6 本章总结
附录A 两因素方差分析的离差平方和的分解
附录B 不平衡样本ANOVA离差平方和的分解
本章练习题
第8章 比例的置信区间和检验
8.0 引言
8.1 单个比例的统计推断
8.2 两个独立比例差异的推断
8.3 常见问题和注意事项
8.4 本章总结
附录A Wilson区间的连续性校正公式
本章练习题
第9章 卡方检验：RC联立表
9.0 引言
9.1 案例
9.2 RC联立表卡方检验的原理和步骤
9.3 Python演示
9.4 卡方检验的效应量Cramer's V
9.5 卡方检验的结果报告与解释
9.6 卡方检验的适用条件
9.7 常见错误和注意点
9.8 本章总结
本章练习题
第10章 拟合优度检验
10.0 引言
10.1 案例
10.2 原理与方法
10.3 Python演示一
10.4 较复杂的案例
10.5 Python演示二
10.6 结果报告和注释事项
10.7 常见问题和注意事项
10.8 本章总结
本章练习题
第11章 相关系数
11.0 引言
11.1 皮尔逊(Pearson)相关系数r
11.2 斯皮尔曼(Spearman)相关系数ρ
11.3 肯德尔(Kendall)相关系数τ
11.4 相关系数的置信区间估计和假设检验
11.5 相关系数的显著性检验
11.6 Python演示和常见问题
11.7 结果报告和常见错误
11.8 本章总结
本章练习题
第12章 简单线性回归模型
12.0 引言
12.1 简单线性模型、多元线性模型、一般线性模型案例
12.2 简单线性回归模型的最小二乘估计
12.3 Python演示
12.4 线性模型决定系数(R²)
12.5 线性回归模型结果报告
12.6 模型性能评价
12.7 简单线性模型的适用条件
12.8 模型的解读
12.9 简单线性模型系数的解释
12.10 本章总结
附录A TSS分解的数学推导
附录B 线性模型的符号表(第12、13章)
附录C 练习用统计符号
本章练习题
第13章 多元线性回归
13.0 引言
13.1 案例
13.2 一般线性回归模型参数估计方法
13.3 Python演示
13.4 模型性能评价
13.5 模型系数的报告与解释
13.6 常见问题
13.7 本章总结
附录A 线性模型性能评价指标
附录B 练习题
参考文献
点击下载