横截面数据是在同一时间，不同统计单位相同统计指标组成的数据列。横截面数据不要求统计对象及其范围相同，但要求统计的时间相同。也就是说必须是同一时间截面上的数据。例如，为了研究某一行业各个企业的产出与投入的关系，我们需要关于同一时间截面上各个企业的产出Q和劳动L、资本投入K的横截面数据。这些数据的统计对象显然是不同的，因为是不同企业的数据。但是关于产出Q和投入L、K的解释、统计口径和计算方法仍然要求相
假设检验的目的是要根据样本信息作出决策。显然，研究者总是希望能作出正确的决定，也就是当原假设正确时没有拒绝他。但是由于决策是建立在样本信息的基础之上，而样本又是随机的，因而就有可能犯错误。假设检验过程中可能发生以下两类错误：当原假设为真时拒绝原假设，所犯的就称为第一类错误，又称弃真错误，即α错误；当原假设为假时没有拒绝原假设，所犯的就是第二类错误，又称取伪错误，即β错误。
#需要求加权平均值的数据列表elements = []#对应的权值列表weights = []使用numpy直接求：import numpy as np np.average(elements, weights=weights)附纯python写法：# 不使用numpy写法1round(sum([elements[i]*weights[i] for i in range(n)])/sum(weig
RMSE（Root Mean Squard Error）均方根误差，用来衡量观测值同真值之间的偏差
1. 在重复选取容量为n的样本时，由样本比例的所 有可能取值形成的相对频数分布 2. 一种理论概率分布 3. 当样本容量很大时，样本比例的抽样分布可用 正态分布近似4. 推断总体比例的理论基础
1. 在重复选取容量为n的样本时，由样本均值的所 有可能取值形成的相对频数分布2. 一种理论概率分布3. 推断总体均值的理论基础
F分布在方差分析、回归方程的显著性检验中有着重要的地位。
1. 样本统计量的概率分布，是一种理论分布 • 在重复选取容量为n的样本时，由该统计量的所有可 能取值形成的相对频数分布 2. 随机变量是 样本统计量 • 样本均值, 样本比例，样本方差等3. 结果来自容量相同的所有可能样本 4. 提供了样本统计量长远而稳定的信息，是进行推 断的理论基础，也是抽样推断科学性的重要依据
设总体X 的分布函数形式已知,但它的一个或 多个参数为未知,借助于总体X的一个样本来估计， 总体未知参数的值的问题称为点估计问题
1. 将构造置信区间的步骤重复很多次，置信区间包 含总体参数真值的次数所占的比例称为置信水平 2. 表示为 (1 - • 为是总体参数未在区间内的比例3. 常用的置信水平值有 99%, 95%, 90% • 相应的 为0.01，0.05，0.10
1. 估计量：用于估计总体参数的随机变量 • 如样本均值，样本比例, 样本方差等 • 例如: 样本均值就是总体均值 的一个估计量 2. 估计值：估计参数时计算出来的统计量的具体值 • 如果样本均值 x =80，则80就是的估计值
皮尔逊相关系数：一般用来计算两个连续型变量的相关系数。 肯德尔相关系数：一个连续一个分类（最好是定序变量） 斯皮尔曼相关系数：2个变量无论连续还是分类都可以，但斯皮尔曼是非参数的，会损失信息，尽量不用
t检验，亦称student t检验（Student's t test），主要用于样本含量较小（例如n < 30），总体标准差σ未知的正态分布。 t检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。
小概率事件发生的概率 α和弃真错误的概率 α两者不是一个概念。弃真错误就是指原本是对的，你判断错的概率，这个是弃真事件发生的概率。小概率事件，是指在一次事件中几乎不可能发生的事件。一般称之为“显著性水平”，用α表示。显著性水平一般取值为5%只能说弃真错误的概率α是小概率事件发生的概率。
百分比和百分点百分比：是相对数中的一种，它表示一个数是另一个数的百分之几，也称为百分率或百分数。百分比的分母是100，也就是用1%作为度量单位，因此便于比较。百分点：是指不同时期以百分数的形式表示的相对指标的变动幅度，1%等于1个百分点。
顾客细分&画像（Customer Segmentation & Profiling）根据现有的顾客数据，将特征、行为相似的顾客归类分组。描述和比较各组。
近似误差其实可以理解为模型估计值与实际值之间的差距。估计误差其实可以理解为模型的估计系数与实际系数之间的差距。
近似误差：可以理解为对现有训练集的训练误差。 估计误差：可以理解为对测试集的测试误差。近似误差关注训练集，如果近似误差小了会出现过拟合的现象，对现有的训练集能有很好的预测，但是对未知的测试样本将会出现较大偏差的预测。模型本身不是最接近最佳模型。估计误差关注测试集，估计误差小了说明对未知数据的预测能力好。模型本身最接近最佳模型。
1.RMS:均方根误差2.RMSE:均方根误差它是观测值与真值偏差的平方和观测次数n比值的平方根，在实际测量中，观测次数n总是有限的，真值只能用最可信赖（最佳）值来代替.方根误差对一组测量中的特大或特小误差反映非常敏感，所以，均方根误差能够很好地反映出测量的精密度。3.标准差（Standard Deviation）标准差是方差的算术平方根，也称均方差（mean square error），是各数据
白噪声检验(Ljung – Box 检验)即原假设为： 滞后m阶序列值相互独立，自相关函数均为零备择假设为：之后m期的序列之间存在相关性若p>=α,则不能拒绝原假设，序列为白噪声若p
关注
18192654262
18192654262
换一批
2371.6746