厦门大学统计学硕考研
厦门统计硕士考研 · 深度备考站
深耕厦大统计考情 · 从假设检验到方差分析 · 打造数据思维
我是统计学方向的研究生，就在厦门大学待着。这届的考情和二十年前比，真有点“不一样”。那会儿认定统计就是画个图、做个箱线图，目前感觉更像是在玩一场高难度的数字逻辑游戏，并且这游戏玩到最终，还得看数据的背后到底藏着啥故事。
咱们实际上不需求死记硬背那些公式，那些东西在书本里看的时候，看着像天书。但要是你真去考场上，面对一大叠数据表和一堆陌生的符号，这时候才认定这东西是实打实的实用工具。记得刷真题的时候，那种“我仿佛在哪见过”的熟悉感是 specialties，但那种"0 到 1 创立”的震撼感，实际上就是统计学的灵魂。它不像物理学那样有硬解的定律，更多时候是概率和规律的碰撞。
侧重描述统计、箱线图、手工计算，公式记忆为主。
开始引入R语言、SPSS输出解读，假设检验比重上升。
机器学习交叉、高维数据、方差分析与多重比较成必考。
大量人一听"P 值小于 0.05"就懵了。实际上这玩意儿说白了就是问：“我的结论有 5% 的可能性是碰巧形成的？”要是 P 值确实够小，那我们就敢拍拍胸口说，这事儿大约率是确实。举个例子，要是我要验证一个模型里某个系数的显著性，样本量大了点，算出来 P 值都小于 0.001，这时候别说 0.05 了，连 0.01 可能都不够格，你得直接把它剔除掉，剩下的才是核心。
这时候要是你还拿着教科书上的“显著性水平”去硬套，反而显得自己不懂行。
厦门大学统计学硕考研真题中频繁出现P值陷阱，2024年一道大题专门考查了多重比较下的FDR控制。
还有方差分析（ANOVA），时常会被用来解那些多组比对的难题。比如我想看看三种教学方式，哪种对学生成绩的提升效果最好。这时候要是直接拿 t 检验去比，那得把数据拆开一个个比对，工作量忒大。这时候有了方差分析，一下子就能把三组数据搞在一起对比，一眼就能看出哪种方式胜率最高。别看过程略微绕一点，但一旦搞懂了，处理一堆实验数据的时候，那种感觉就像是把乱成一团的线头全体理顺了一样，清楚又利落。
Tukey HSDBonferroniF值
实际上 Statistics 的精髓在于“理解背后的逻辑”，而不是“背诵公式”。大量同学在复习的时候，狂背公式的印象分攒到了爆表，做题的时候一遇到略微变个条件，脑子里就一片空白。为啥呢？出于公式背后代表的含义，有时候你得换个角度才能看懂。比如回归分析，有时候变量之间不是线性的关系，而是分段、二次，要么带有交互功能。这时候硬套线性回归公式，得出的模型再好看，彻底就是个笑话。你得自己琢磨：这个变量跟结局到底是个啥关系？是正相关？负相关？还是有个拐点？这种直觉上的把握，才是本科生和大牛之间最大的区别。
再讲讲分布难题，这也是考试的重灾区。正态分布那是大实话， KDE（直方图核密度估摸）和 QQ 图（分位数-分位数图）更是检验分布是否服从假设的利器。考试的时候，题会给你一堆数据，让你判断它是不是正态的。这时候不能光凭感觉，要用尺子量，看着 QQ 图的曲线是不是打了个完美的 S 型，KDE 的曲线是不是平滑得像没瑕疵。要是曲线歪来歪去，那就是提示你，这个数据可能带着偏态，要么分布本身就有难题，你得先别急着下结论，得多看看数据本身的形态特征。
关于具体如何用，咱们最头疼的就是假设检验。大量人一听"P 值小于 0.05"就懵了。实际上这玩意儿说白了就是问：“我的结论有 5% 的可能性是碰巧形成的？”
在厦门大学统计学硕考研真题中，有一道经典题：给出一组临床试验数据，要求检验新药是否有效。很多考生直接套用t检验，却忽略了多重比较的问题。实际上，当比较多个结局时，需要用Bonferroni校正。比如三个组两两比较，显著性水平应调整为0.05/3≈0.0167。
单样本t双样本t配对tWilcoxon
示例：某研究比较三种教学方法（传统、线上、混合）对厦门大学本科生成绩的影响。样本量n=90，方差分析F=5.21，p=0.007，事后检验显示混合教学显著优于传统（p=0.003），线上与传统无显著差异（p=0.21）。
还有方差分析，之前提过，但我认定还得细说一点。在做多重比较的时候，比如想看看三个组均值两两之间有没有显著差异，直接做 pairwise t-test 是不对的。这时候就得用 Tukey 要么 Bonferroni 这种校正方式。不然你挺好办犯 FDR 管住不严格的毛病，把本来概率挺高的假阳性，当成确实发现了效应。
这时候要是只看 p<0.05 就下结论，那整个实验的结论就是站不住脚的。统计学讲究的是严谨，哪怕结局显著，也得寻思到多重比较带来的扩张风险。
具体示例：厦门大学教育研究院用ANOVA比较三种学习平台的使用效果。事后Tukey HSD显示平台A与B差异不显著（p=0.08），但A与C差异显著（p=0.002）。
Tukey HSDBonferroniScheffe
关于模型的选择，有时候就连不是要有更复杂的模型。有时候，一个好办粗暴的线性回归，就连是一个常数模型，可能都管用。这就是实证研究的魅力：有时候答案是显而易见的，不用折腾那么复杂。
比如在分析某个行业的投入产出比时，有时候直接看人均产出和产值的关系就充足了，不需求非要引入那些 GDP 指数之类的复杂管住变量。这种“好办即真理”的时刻，往往是我们最好办忽略的。
厦门大学统计学硕考研曾考过一道简答题：什么情况下简单线性回归优于多元回归？答案就是当变量间存在严重共线性或样本量较小时，简约模型更稳健。
种教学方式（讲授、研讨、项目制）对学生成绩的影响。样本量各30，ANOVA F=4.87，p=0.01。事后Tukey显示项目制显著优于讲授（p=0.008），研讨与讲授无显著差异（p=0.15）。
厦门大学统计学硕考研类似题：要求写出检验步骤并解释P值。
基于厦门某区二手房数据，建立线性回归：价格 ~ 面积+房龄+距地铁距离。R²=0.67，但残差QQ图显示右偏，提示可能需要取对数或加入二次项。这正是统计思维的体现。
给定50个数据点，用KDE和QQ图判断是否正态。若QQ图呈S型，KDE双峰，则可能来自混合分布。此时不能直接用t检验，需用非参数方法。
最终想说的是，学习统计学不只是是为了通过考试，更是为了培养一种思维方式。你要学会在矛盾中找平衡，在不确定性中找规律。考试别看会考一些具体的题目，比如计算区间、描述分布、做假设检验，但更多时候是在考你的逻辑推理本事。比如面对一个复杂的统计软件输出结局，能不能一眼抓到本质？能不能从一堆数字里提炼出有价值的信息？这些本事，比记住几个公式关键得多。
总的来说，我认定咱们复习的时候，不要怕难。难点就在那些相对简洁的表达上，一旦你吃透了，会认定特别顺畅。还有那些数字游戏，实际上都是在测试你的直觉和反应。祝大家在考场上能从容应对，把数据背后的故事讲明白。毕竟，统计学不只是是算出来的东西，更是人脑里的一种智慧。
茆诗松《概率论与数理统计》、厦大自编教材、以及历年真题。重点理解假设检验和方差分析的推导逻辑。
厦大统计专硕更偏应用，学硕偏理论。但厦门统计硕士考研初试科目一致，复试侧重点不同。
推荐R或Python，重点练习t.test(), aov(), lm()等函数，会解读输出即可。
大概率会增加多重比较和非参数检验，P值校正必考。