Build your ultimate AI agent
课程介绍
统计分析的核心之一是推断，也就是根据一个数据样本对更大总体作出结论。虽然看起来有悖直觉，但标准做法是尝试反证一个并非研究重点的主张。例如，若要证明一种医疗方案优于另一种，我们可以先假设两种方案导致的生存率相同，再用数据加以否定。此外，我们会介绍 p 值这一概念，即数据与假设之间不一致的程度。我们还将讨论置信区间，用于度量关注效应的大小（例如，一种治疗相比另一种究竟好多少）。
先修要求
课程大纲
课程大纲
1
推断思想导论
在本章中，您将考察从同一总体反复抽样时，样本之间如何变化。正是这种样本的变异性，使您能够对目标总体提出主张。请牢记，研究结论关注的是总体，而您可用的信息仅来自样本数据。
2
完成一次随机化检验：性别歧视
在本章中，您将掌握完成一次完整假设检验的工具与方法。也就是说，给定一个数据集，您将能够判断是否应当拒绝原假设，转而支持所关注的研究主张。
3
假设检验错误：机会成本
您将用一个新例子，沿用随机化检验的框架，继续学习假设检验。本章将重点讨论不同类型的错误（I 类与 II 类）、它们是如何产生的、在何种情形下一种错误比另一种更严重，以及样本量与效应量等因素如何影响错误率。
4
置信区间
作为假设检验的补充，置信区间可用于估计总体参数。请记住，您的兴趣始终在总体的某个特征，但您只能用不完全的样本信息来估计该参数。这里，参数是总体中真实的成功比例。我们将使用自助法（bootstrapping）来估计构造置信区间所需的变异性。
R
R 推断基础
课程完成
