2025年统计学期末考试题库：统计推断与检验在疾病流行病学研究中的试题

2025年统计学期末考试题库：统计推断与检验在疾病流行病学研究中的试题考试时间：______分钟总分：______分姓名：______一、选择题（本大题共20小题，每小题2分，共40分。在每小题列出的四个选项中，只有一项是最符合题目要求的。请将正确选项字母填在题后的括号内。）1.在疾病流行病学研究当中，当我们想要知道某个地区的人群中某种疾病的患病率的时候，我们通常会采用什么样的抽样方法呢？A.整群抽样B.分层抽样C.系统抽样D.简单随机抽样。我想告诉你啊，这题其实挺有意思的，你想啊，如果我们直接去随机抽人，那可能抽到的一些人刚好都得了这个病，或者都没得这个病，这样得到的数据肯定不太靠谱，对吧？所以啊，我们得用点脑子，比如把人群分成几块，然后每一块都抽一些人，这样能保证各个年龄段、各个性别的人都被抽到，对吧？这样得到的数据才更准确，更能代表整个地区的情况。2.假设我们通过抽样调查得到了某地500名成年人的血压数据，想要检验该地成年人的平均血压是否显著高于正常值140/90mmHg，那么这里面的原假设H0应该是怎样的呢？A.μ≥140mmHgB.μ≤140mmHgC.μ=140mmHgD.μ=90mmHg。你想想看，我们想要检验的是平均血压是否高于正常值，那如果真的是高于的话，那平均值应该等于140mmHg啊，对吧？所以原假设应该是μ=140mmHg，这样可以吧？3.在进行假设检验的时候，我们通常会设定一个显著性水平α，比如说α=0.05，那这个α代表的是什么意思呢？A.犯第一类错误的概率B.犯第二类错误的概率C.接受原假设的概率D.拒绝原假设的概率。哎，这题其实挺关键的，你想啊，我们做假设检验的时候，总是想找出一些证据来拒绝原假设，但是呢，我们永远无法百分之百确定原假设是不是真的不成立，对吧？所以啊，我们就会犯错误，一种错误就是我们本应该拒绝原假设，但是却没有拒绝，这就是所谓的犯第一类错误，它的概率就是α，明白了吗？4.假设我们通过抽样调查得到了某地成年人的身高数据，想要检验该地成年男性的平均身高是否显著高于成年女性，那么这里面的自变量是什么？A.性别B.身高C.年龄D.地区。这题其实挺简单的，你想啊，我们想要比较的是男性和女性的平均身高，那谁是我们在比较的对象呢？当然是性别，对吧？所以自变量就是性别，这样可以吧？5.在进行两样本t检验的时候，如果我们假设两组数据的方差相等，那么我们应该使用哪种检验方法呢？A.Sidak检验B.Bonferroni检验C.Fisher精确检验D.pooledvariancet-test。哎，这题其实挺重要的，你想啊，如果我们假设两组数据的方差相等，那我们就可以把两组数据的方差合并起来，然后用来计算t统计量，对吧？这样得到的t统计量更准确，检验结果也更可靠，明白了吗？所以应该使用pooledvariancet-test，这样可以吧？6.假设我们通过抽样调查得到了某地成年人的身高数据，想要检验该地成年人的身高是否服从正态分布，那么我们应该使用哪种检验方法呢？A.Kolmogorov-Smirnov检验B.Shapiro-Wilk检验C.Fisher精确检验D.Sidak检验。你想啊，我们想要检验的是身高是否服从正态分布，那正态分布是不是一种特定的分布呢？当然是啊，所以我们需要一种专门用来检验数据是否服从正态分布的方法，对吧？Kolmogorov-Smirnov检验和Shapiro-Wilk检验都是这样的方法，但是呢，Shapiro-Wilk检验更适合小样本数据，所以这里应该使用Shapiro-Wilk检验，明白了吗？7.在进行回归分析的时候，我们通常会计算决定系数R²，那R²代表的是什么意思呢？A.回归模型对因变量变差的解释程度B.回归模型对自变量变差的解释程度C.回归模型的预测精度D.回归模型的复杂程度。哎，这题其实挺关键的，你想啊，我们做回归分析的目的就是想要用一个模型来解释因变量的变化，那这个模型到底解释得好不好呢？R²就是用来衡量这个的，它代表了回归模型对因变量变差的解释程度，明白了吗？8.假设我们通过抽样调查得到了某地成年人的身高和体重数据，想要建立身高预测体重的回归模型，那么这里面的因变量是什么？A.身高B.体重C.年龄D.地区。你想啊，我们想要用身高来预测体重，那谁是我们要预测的变量呢？当然是体重，对吧？所以因变量就是体重，这样可以吧？9.在进行回归分析的时候，我们通常会检验回归系数的显著性，那检验回归系数显著性的方法是什么？A.t检验B.F检验C.χ²检验D.Z检验。哎，这题其实挺重要的，你想啊，我们做回归分析的时候，总是想要知道自变量对因变量到底有没有影响，那怎么知道呢？就需要检验回归系数的显著性，而检验回归系数显著性的方法就是t检验，明白了吗？10.假设我们通过抽样调查得到了某地成年人的身高和体重数据，想要建立身高预测体重的回归模型，那么这里面的自变量是什么？A.身高B.体重C.年龄D.地区。你想啊，我们想要用身高来预测体重，那谁是我们在预测的依据呢？当然是身高，对吧？所以自变量就是身高，这样可以吧？11.在进行方差分析的时候，我们通常会计算F统计量，那F统计量代表的是什么意思呢？A.组间方差与组内方差的比值B.组内方差与组间方差的比值C.回归模型对因变量变差的解释程度D.回归模型对自变量变差的解释程度。你想啊，我们做方差分析的目的就是想要知道不同组的均值是否存在差异，那怎么知道呢？就需要比较组间方差和组内方差，而F统计量就是组间方差与组内方差的比值，明白了吗？12.假设我们通过抽样调查得到了某地三种不同药物对某种疾病的治疗效果数据，想要检验这三种药物的治疗效果是否存在显著差异，那么我们应该使用哪种检验方法呢？A.Sidak检验B.Bonferroni检验C.Fisher精确检验D.One-wayANOVA。你想啊，我们想要比较的是三种药物的治疗效果，那这就是一个多组比较的问题，而多组比较就应该使用方差分析，明白了吗？所以应该使用One-wayANOVA，这样可以吧？13.在进行非参数检验的时候，我们通常会使用哪些检验方法呢？A.Kolmogorov-Smirnov检验B.Mann-WhitneyU检验C.Sidak检验D.χ²检验。你想啊，我们做非参数检验的时候，总是想要知道数据之间是否存在某种关系，但是呢，我们不知道数据的分布情况，所以就需要使用一些不依赖于数据分布的检验方法，而Kolmogorov-Smirnov检验和Mann-WhitneyU检验就是这样的检验方法，明白了吗？14.假设我们通过抽样调查得到了某地两种不同疗法对某种疾病的治疗效果数据，想要检验这两种疗法的治疗效果是否存在显著差异，但是呢，我们不知道数据的分布情况，那么我们应该使用哪种检验方法呢？A.Kolmogorov-Smirnov检验B.Mann-WhitneyU检验C.Sidak检验D.χ²检验。哎，这题其实挺重要的，你想啊，如果我们不知道数据的分布情况，那使用参数检验方法就可能会得到错误的结论，所以就需要使用非参数检验方法，而Mann-WhitneyU检验就是这样的一种方法，它可以用来比较两组数据的分布位置，明白了吗？15.在进行生存分析的时候，我们通常会使用哪些方法来处理删失数据呢？A.Kaplan-Meier估计B.Cox比例风险模型C.Log-rank检验D.Weibull回归。你想啊，我们做生存分析的时候，总是想要知道某个事件发生的时间，但是呢，有些人的事件时间我们并没有观察到，这就是所谓的删失数据，而Kaplan-Meier估计和Log-rank检验都是用来处理删失数据的，明白了吗？16.假设我们通过抽样调查得到了某地一组患者的生存时间数据，想要估计这组患者的生存函数，但是呢，有些患者的生存时间我们并没有观察到，那么我们应该使用哪种方法来估计生存函数呢？A.Kaplan-Meier估计B.Cox比例风险模型C.Log-rank检验D.Weibull回归。哎，这题其实挺关键的，你想啊，生存分析中经常会遇到删失数据，而Kaplan-Meier估计是专门用来估计生存函数的方法，它可以处理删失数据，明白了吗？17.在进行logistic回归分析的时候，我们通常会使用哪些方法来检验回归系数的显著性呢？A.Z检验B.Wald检验C.Laplace近似D.Fisher精确检验。你想啊，我们做logistic回归分析的时候，总是想要知道自变量对因变量到底有没有影响，那怎么知道呢？就需要检验回归系数的显著性，而Z检验和Wald检验都是用来检验回归系数显著性的方法，明白了吗？18.假设我们通过抽样调查得到了某地成年人的吸烟状况和某种疾病患病状况数据，想要建立logistic回归模型来预测某人是否患有某种疾病，那么这里面的因变量是什么？A.吸烟状况B.疾病患病状况C.年龄D.地区。你想啊，我们想要用吸烟状况来预测是否患有某种疾病，那谁是我们要预测的变量呢？当然是疾病患病状况，对吧？所以因变量就是疾病患病状况，这样可以吧？19.在进行Meta分析的时候，我们通常会使用哪些方法来合并多个研究的结果呢？A.Mantel-Haenszel法B.Fisher精确检验C.Random-effects模型D.Fixed-effects模型。你想啊，我们做Meta分析的时候，总是想要把多个研究的结果合并起来，以得到更可靠的结论，而合并多个研究的结果可以使用Mantel-Haenszel法、Random-effects模型和Fixed-effects模型，明白了吗？20.假设我们通过Meta分析得到了多个研究关于某种疾病治疗效果的结果，想要合并这些研究的结果，那么我们应该使用哪种方法来合并这些结果呢？A.Mantel-Haenszel法B.Fisher精确检验C.Random-effects模型D.Fixed-effects模型。哎，这题其实挺重要的，你想啊，Meta分析的核心就是合并多个研究的结果，而合并多个研究的结果可以使用不同的方法，比如Mantel-Haenszel法、Random-effects模型和Fixed-effects模型，选择哪种方法取决于研究之间的异质性，明白了吗？二、填空题（本大题共10小题，每小题2分，共20分。请将答案填写在题中的横线上。）1.假设我们想要检验某地成年男性的平均身高是否显著高于成年女性，那么这里面的零假设H0应该是______。2.在进行假设检验的时候，如果备择假设为H1:μ>μ0，那么我们称这种检验为______检验。3.在进行两样本t检验的时候，如果我们假设两组数据的方差不相等，那么我们应该使用哪种检验方法呢？答案是______。4.在进行回归分析的时候，我们通常会计算决定系数R²，那R²的取值范围是多少？答案是______。5.在进行方差分析的时候，我们通常会计算F统计量，那F统计量的计算公式是什么？答案是______。6.在进行非参数检验的时候，我们通常会使用哪些检验方法呢？请至少列举两种，答案是______和______。7.在进行生存分析的时候，我们通常会使用哪些方法来处理删失数据呢？请至少列举两种，答案是______和______。8.在进行logistic回归分析的时候，我们通常会使用哪些方法来检验回归系数的显著性呢？请至少列举两种，答案是______和______。9.在进行Meta分析的时候，我们通常会使用哪些方法来合并多个研究的结果呢？请至少列举两种，答案是______和______。10.假设我们通过抽样调查得到了某地成年人的身高和体重数据，想要建立身高预测体重的回归模型，那么这里面的自变量是什么？答案是______。三、简答题（本大题共5小题，每小题4分，共20分。请将答案写在题中的横线上。）1.简述假设检验中犯第一类错误和犯第二类错误的含义。犯第一类错误啊，说白了就是咱们想拒绝一个本来就不对的假设，结果没忍住，给拒绝了，这就像咱们放了一个好人，这事儿挺严重的，对吧？犯第二类错误呢，就是咱们想拒绝一个本来就不对的假设，结果没敢拒绝，这就像咱们放了一个坏人，也挺严重的，你想啊，如果我们本应该发现一个问题，结果却没有发现，那后果可能更严重，明白了吗？2.简述t检验和z检验的区别。t检验和z检验啊，其实都是用来检验均值差异的，但是它们适用的条件不一样。z检验要求咱们知道总体方差，而且样本量要比较大，一般来说，样本量超过30，咱们就可以用z检验了。t检验呢，是咱们不知道总体方差，或者样本量比较小的时候用的，它需要估计一个标准误，所以会有一个t分布，t分布和z分布不一样，样本量越小，t分布的形状越像正态分布，明白了吗？3.简述回归分析中多重共线性问题的影响。多重共线性问题啊，说白了就是咱们自变量之间相关性太强了，这会导致咱们很难区分每个自变量对因变量的独立影响，结果呢，可能会导致回归系数的估计值不稳定，甚至符号错误，这样咱们就得出来的结论就不太靠谱了，对吧？所以啊，咱们在做回归分析的时候，一定要注意检查多重共线性问题，如果发现了，得想办法处理，比如可以删除一些自变量，或者使用岭回归等方法。4.简述生存分析中删失数据的含义。删失数据啊，说白了就是咱们有些人的事件时间我们并没有观察到，这通常发生在随访研究当中，比如有些人在随访结束的时候还没有发生事件，或者失访了，这样咱们就不知道他们的确切事件时间，这些数据就是删失数据，明白了吗？删失数据挺常见的，尤其是在临床研究中，所以咱们需要学会处理删失数据，比如可以使用Kaplan-Meier估计等方法。5.简述Meta分析的基本步骤。Meta分析啊，说白了就是把多个研究的结果合并起来，以得到更可靠的结论，它通常包括以下几个步骤：首先，咱们得根据研究的问题，制定一个检索策略，然后去检索相关的文献，接下来，咱们得筛选文献，把符合咱们要求的文献选出来，然后对纳入的文献进行质量评价，最后，咱们得使用合适的统计方法，比如Mantel-Haenszel法、Random-effects模型或Fixed-effects模型，把多个研究的结果合并起来，得到一个综合的结论，明白了吗？四、论述题（本大题共3小题，每小题10分，共30分。请将答案写在题中的横线上。）1.论述假设检验中显著性水平和功效的关系。显著性水平和功效啊，这两个东西其实是相互影响的，显著性水平咱们通常用α表示，它代表咱们愿意犯第一类错误的概率，一般来说，咱们会设定一个α值，比如0.05，功效咱们用1-β表示，它代表咱们能发现真实差异的能力，β代表咱们犯第二类错误的概率，你想啊，如果我们把显著性水平α减小了，那咱们犯第一类错误的概率就变小了，但是呢，咱们犯第二类错误的概率β可能会变大，这样咱们发现真实差异的能力就会下降，也就是功效下降了，明白了吗？所以啊，咱们在选择显著性水平的时候，需要综合考虑犯两类错误的后果，不能只考虑一个方面。2.论述回归分析中如何处理多重共线性问题。多重共线性问题啊，确实挺烦人的，但它也不是没办法解决，咱们可以尝试以下几种方法来处理多重共线性问题：首先，咱们可以删除一些自变量，特别是那些和别的自变量相关性很强的自变量；其次，咱们可以使用岭回归等方法，这些方法可以对回归系数进行收缩，从而降低多重共线性的影响；另外，咱们还可以使用主成分回归等方法，这些方法可以将多个自变量合并成几个主成分，然后使用主成分来进行回归分析，这样也可以降低多重共线性的影响，明白了吗？具体使用哪种方法，需要根据实际情况来决定。3.论述生存分析中Kaplan-Meier估计的原理和特点。Kaplan-Meier估计啊，是生存分析中一种常用的估计生存函数的方法，它的原理是这样的：咱们先把所有的研究对象按照事件发生时间进行排序，然后依次计算每个时间点的生存概率，生存概率的计算方法是：当前时间点之前没有发生事件的对象数，除以当前时间点之前总的对象数，然后把这个比值乘以上一个时间点的生存概率，这样就能得到当前时间点的生存概率，最后把所有时间点的生存概率连乘起来，就能得到生存函数，Kaplan-Meier估计的特点是：它可以处理删失数据，而且它是一个非参数方法，不需要假设生存时间的分布，但是呢，它对样本量的要求比较高，样本量越小，估计的误差就越大，明白了吗？五、应用题（本大题共2小题，每小题25分，共50分。请将答案写在题中的横线上。）1.假设我们通过抽样调查得到了某地100名成年人的血压数据，想要检验该地成年人的平均血压是否显著高于正常值140/90mmHg，其中收缩压数据如下：（请将以下血压数据补充完整，以便进行计算和分析，这里假设收缩压数据如下：120,125,130,135,140,145,150,155,160,165,170,175,180,185,190,195,200,205,210,215,220,225,230,235,240,245,250,255,260,265,270,275,280,285,290,295,300,305,310,315,320,325,330,335,340,345,350,355,360,365,370,375,380,385,390,395,400,405,410,415,420,425,430,435,440,445,450,455,460,465,470,475,480,485,490,495,500,505,510,515,520,525,530,535,540,545,550,555,560,565,570,575,580,585,590,595,600），舒张压数据如下：（请将以下血压数据补充完整，以便进行计算和分析，这里假设舒张压数据如下：80,82,84,86,88,90,92,94,96,98,100,102,104,106,108,110,112,114,116,118,120,122,124,126,128,130,132,134,136,138,140,142,144,146,148,150,152,154,156,158,160,162,164,166,168,170,172,174,176,178,180,182,184,186,188,190,192,194,196,198,200,202,204,206,208,210,212,214,216,218,220,222,224,226,228,230,232,234,236,238,240,242,244,246,248,250,252,254,256,258,260,262,264,266,268,270,272,274,276,278,280,282,284,286,288,290,292,294,296,298,300,302,304,306,308,310）要求：（1）分别计算该地成年人的收缩压和舒张压的平均值、标准差、中位数和四分位数。（2）分别对收缩压和舒张压进行正态性检验，说明检验结果。（3）分别对收缩压和舒张压进行单样本t检验，检验该地成年人的血压是否显著高于正常值140/90mmHg，说明检验结果。（4）根据检验结果，说明该地成年人的血压状况。好的，让我们来一步步分析这些血压数据。首先，我们需要计算收缩压和舒张压的平均值、标准差、中位数和四分位数。计算这些统计量，我们可以使用统计软件，比如SPSS、R或者Excel，这里为了方便，我就手算一些结果，其他结果可以用软件计算。（这里假设计算结果如下：收缩压平均值=325，标准差=45，中位数=320，四分位数Q1=300，Q3=350；舒张压平均值=95，标准差=15，中位数=94，四分位数Q1=88，Q3=102）接下来，我们需要对收缩压和舒张压进行正态性检验。正态性检验常用的方法有Kolmogorov-Smirnov检验、Shapiro-Wilk检验等。这里我们使用Kolmogorov-Smirnov检验进行检验。（这里假设检验结果如下：收缩压K-S检验的P值=0.05，舒张压K-S检验的P值=0.01）根据统计学的惯例，如果P值小于0.05，我们就认为数据不符合正态分布；如果P值大于0.05，我们就认为数据符合正态分布。所以，根据检验结果，收缩压数据可能符合正态分布，而舒张压数据不符合正态分布。然后，我们需要对收缩压和舒张压进行单样本t检验。单样本t检验是检验样本均值和已知总体均值之间是否存在显著差异的检验方法。这里我们检验该地成年人的血压是否显著高于正常值140/90mmHg，所以零假设H0是收缩压均值等于140，舒张压均值等于90；备择假设H1是收缩压均值大于140，舒张压均值大于90。（这里假设检验结果如下：收缩压t检验的P值=0.01，舒张压t检验的P值=0.001）根据统计学的惯例，如果P值小于0.05，我们就拒绝零假设；如果P值大于0.05，我们就不能拒绝零假设。所以，根据检验结果，收缩压和舒张压都显著高于正常值140/90mmHg。最后，根据检验结果，我们可以得出结论：该地成年人的收缩压和舒张压都显著高于正常值140/90mmHg，血压状况不容乐观，需要引起重视。2.假设我们通过抽样调查得到了某地三种不同药物A、B、C对某种疾病的治疗效果数据，想要检验这三种药物的治疗效果是否存在显著差异，数据如下：（请将以下治疗效果数据补充完整，以便进行计算和分析，这里假设治疗效果数据如下：药物A：85,90,95,100,105,110,115,120,125,130；药物B：80,85,90,95,100,105,110,115,120,125；药物C：75,80,85,90,95,100,105,110,115,120）要求：（1）计算三种药物的治疗效果的均值和标准差。（2）对三种药物的治疗效果进行单因素方差分析，说明检验结果。（3）如果方差分析结果显示存在显著差异，进行多重比较，说明哪种药物的治疗效果最好。（4）根据检验结果，说明三种药物的治疗效果。好的，让我们来一步步分析这些治疗效果数据。首先，我们需要计算三种药物的治疗效果的均值和标准差。（这里假设计算结果如下：药物A平均值=112.5，标准差=17.32；药物B平均值=102.5，标准差=17.32；药物C平均值=92.5，标准差=17.32）接下来，我们需要对三种药物的治疗效果进行单因素方差分析。单因素方差分析是检验多个总体均值之间是否存在显著差异的检验方法。这里我们检验三种药物的治疗效果是否存在显著差异，所以零假设H0是三种药物的疗效均值相等；备择假设H1是至少有两种药物的疗效均值不相等。（这里假设方差分析结果如下：F统计量=10.5，P值=0.01）根据统计学的惯例，如果P值小于0.05，我们就拒绝零假设；如果P值大于0.05，我们就不能拒绝零假设。所以，根据检验结果，三种药物的治疗效果存在显著差异。然后，如果方差分析结果显示存在显著差异，我们需要进行多重比较，以确定哪种药物的治疗效果最好。多重比较常用的方法有TukeyHSD检验、Bonferroni检验等。这里我们使用TukeyHSD检验进行多重比较。（这里假设检验结果如下：药物A和药物B之间存在显著差异，药物A和药物C之间存在显著差异，药物B和药物C之间存在显著差异，且药物A的治疗效果最好）最后，根据检验结果，我们可以得出结论：三种药物的治疗效果存在显著差异，其中药物A的治疗效果最好，药物B次之，药物C最差。本次试卷答案如下一、选择题答案及解析1.B解析：在疾病流行病学研究当中，当我们想要知道某个地区的人群中某种疾病的患病率的时候，我们通常会采用分层抽样方法。分层抽样能够确保各个年龄段、各个性别的人都被抽到，从而保证样本能够代表整个地区的情况，得到的数据也更准确。整群抽样、系统抽样和简单随机抽样都可能导致样本不能很好地代表总体，比如简单随机抽样可能抽到的一些人刚好都得了这个病，或者都没得这个病，这样得到的数据肯定不太靠谱。2.C解析：假设我们通过抽样调查得到了某地500名成年人的血压数据，想要检验该地成年人的平均血压是否显著高于正常值140/90mmHg，那么这里面的原假设H0应该是μ=140mmHg。因为我们要检验的是平均血压是否高于正常值，如果真的是高于的话，那平均值应该等于140mmHg，所以原假设应该是μ=140mmHg。如果假设是μ≥140mmHg或者μ≤140mmHg，那就不能说明是否高于140mmHg了。3.A解析：在进行假设检验的时候，我们通常会设定一个显著性水平α，比如说α=0.05，这个α代表的是犯第一类错误的概率。犯第一类错误就是我们本应该拒绝原假设，但是却没有拒绝，这就像咱们放了一个好人，这事儿挺严重的。咱们永远无法百分之百确定原假设是不是真的不成立，所以就会犯错误，而α就是咱们愿意犯这种错误的概率。4.A解析：假设我们通过抽样调查得到了某地成年人的身高数据，想要检验该地成年男性的平均身高是否显著高于成年女性，那么这里面的自变量是性别。因为咱们是在比较男性和女性的平均身高，所以谁是咱们在比较的对象呢？当然是性别，对吧？身高是因变量，年龄和地区在这里不是咱们要比较的变量。5.D解析：在进行两样本t检验的时候，如果我们假设两组数据的方差相等，那么我们应该使用pooledvariancet-test。这种检验方法可以合并两组数据的方差来计算t统计量，从而得到更准确的检验结果。如果咱们假设两组数据的方差不相等，那就需要使用Welch'st-test等其他方法。6.B解析：假设我们通过抽样调查得到了某地成年人的身高数据，想要检验该地成年人的身高是否服从正态分布，那么我们应该使用Shapiro-Wilk检验。Shapiro-Wilk检验是专门用来检验数据是否服从正态分布的方法，它对正态分布的检验效果比较好，尤其是在小样本数据中。Kolmogorov-Smirnov检验也可以用来检验正态性，但是它对正态分布的检验效果不如Shapiro-Wilk检验。7.A解析：在进行回归分析的时候，我们通常会计算决定系数R²，那R²代表的是回归模型对因变量变差的解释程度。R²的取值范围是0到1，R²越接近1，说明回归模型对因变量变差的解释程度越高，模型拟合得越好。R²越接近0，说明回归模型对因变量变差的解释程度越低，模型拟合得越差。8.B解析：假设我们通过抽样调查得到了某地成年人的身高和体重数据，想要建立身高预测体重的回归模型，那么这里面的因变量是体重。因为咱们想要用身高来预测体重，那谁是我们要预测的变量呢？当然是体重，对吧？身高是自变量，年龄和地区在这里不是咱们要预测的变量。9.A解析：在进行回归分析的时候，我们通常会检验回归系数的显著性，那检验回归系数显著性的方法是t检验。t检验可以用来检验回归系数是否显著异于0，如果t检验的P值小于显著性水平，就说明回归系数显著异于0，即自变量对因变量有显著影响。F检验通常用于检验整个回归模型的显著性，而χ²检验和Z检验在这里不适用。10.A解析：假设我们通过抽样调查得到了某地成年人的身高和体重数据，想要建立身高预测体重的回归模型，那么这里面的自变量是身高。因为咱们想要用身高来预测体重，那谁是咱们在预测的依据呢？当然是身高，对吧？体重是因变量，年龄和地区在这里不是咱们要预测的变量。11.A解析：在进行方差分析的时候，我们通常会计算F统计量，那F统计量代表的是组间方差与组内方差的比值。如果F统计量显著大于1，就说明组间方差显著大于组内方差，即不同组的均值之间存在显著差异。如果F统计量不显著大于1，就说明组间方差和组内方差没有显著差异，即不同组的均值之间没有显著差异。12.D解析：假设我们通过抽样调查得到了某地三种不同药物对某种疾病的治疗效果数据，想要检验这三种药物的治疗效果是否存在显著差异，那么我们应该使用One-wayANOVA。One-wayANOVA是检验多个总体均值之间是否存在显著差异的检验方法，这里我们检验三种药物的治疗效果是否存在显著差异，所以应该使用One-wayANOVA。Sidak检验、Bonferroni检验和Fisher精确检验在这里不适用。13.A和B解析：在进行非参数检验的时候，我们通常会使用Kolmogorov-Smirnov检验和Mann-WhitneyU检验。Kolmogorov-Smirnov检验可以用来检验数据是否服从某个特定的分布，比如正态分布。Mann-WhitneyU检验可以用来比较两个独立样本的分布位置，它不依赖于数据的分布情况。Sidak检验和χ²检验在这里不适用。14.B解析：假设我们通过抽样调查得到了某地两种不同疗法对某种疾病的治疗效果数据，想要检验这两种疗法的治疗效果是否存在显著差异，但是呢，我们不知道数据的分布情况，那么我们应该使用Mann-WhitneyU检验。Mann-WhitneyU检验是一种非参数检验方法，它不依赖于数据的分布情况，可以用来比较两个独立样本的分布位置。Kolmogorov-Smirnov检验需要知道数据的分布情况，Sidak检验和χ²检验在这里不适用。15.A和C解析：在进行生存分析的时候，我们通常会使用Kaplan-Meier估计和Log-rank检验来处理删失数据。Kaplan-Meier估计可以用来估计生存函数，它能够处理删失数据，即那些没有观察到事件时间的数据。Log-rank检验可以用来比较多个生存分布，它也能够处理删失数据。Cox比例风险模型和Weibull回归在这里不适用。16.A解析：假设我们通过抽样调查得到了某地一组患者的生存时间数据，想要估计这组患者的生存函数，但是呢，有些患者的生存时间我们并没有观察到，那么我们应该使用Kaplan-Meier估计来估计生存函数。Kaplan-Meier估计是专门用来估计生存函数的方法，它可以处理删失数据，即那些没有观察到事件时间的数据。Cox比例风险模型和Log-rank检验在这里不适用。17.A和B解析：在进行logistic回归分析的时候，我们通常会使用Z检验和Wald检验来检验回归系数的显著性。Z检验可以用来检验回归系数是否显著异于0，如果Z检验的P值小于显著性水平，就说明回归系数显著异于0，即自变量对因变量有显著影响。Wald检验也可以用来检验回归系数的显著性，它通常在样本量较大的时候使用。Laplace近似和Fisher精确检验在这里不适用。18.B解析：假设我们通过抽样调查得到了某地成年人的吸烟状况和某种疾病患病状况数据，想要建立logistic回归模型来预测某人是否患有某种疾病，那么这里面的因变量是疾病患病状况。因为咱们想要用吸烟状况来预测是否患有某种疾病，那谁是我们要预测的变量呢？当然是疾病患病状况，对吧？吸烟状况是自变量，年龄和地区在这里不是咱们要预测的变量。19.A、C和D解析：在进行Meta分析的时候，我们通常会使用Mantel-Haenszel法、Random-effects模型和Fixed-effects模型来合并多个研究的结果。Mantel-Haenszel法可以用来合并多个二分类变量的结果，它假设各个研究之间的效应量是相同的。Random-effects模型可以用来合并多个研究的结果，它假设各个研究之间的效应量存在随机差异。Fixed-effects模型也可以用来合并多个研究的结果，它假设各个研究之间的效应量是相同的。χ²检验在这里不适用。20.B解析：假设我们通过Meta分析得到了多个研究关于某种疾病治疗效果的结果，想要合并这些研究的结果，那么我们应该使用Fisher精确检验来合并这些结果。Fisher精确检验是一种非参数检验方法，它不依赖于数据的分布情况，可以用来合并多个研究的结果。Mantel-Haenszel法、Random-effects模型和Fixed-effects模型在这里不适用。二、填空题答案及解析1.μ=140解析：简述假设检验中犯第一类错误和犯第二类错误的含义。犯第一类错误就是咱们想拒绝一个本来就不对的假设，结果没忍住，给拒绝了，这就像咱们放了一个好人，这事儿挺严重的，对吧？犯第二类错误呢，就是咱们想拒绝一个本来就不对的假设，结果没敢拒绝，这就像咱们放了一个坏人，也挺严重的，你想啊，如果我们本应该发现一个问题，结果却没有发现，那后果可能更严重，明白了吗？2.右侧解析：简述假设检验中显著性水平和功效的关系。显著性水平和功效啊，这两个东西其实是相互影响的，显著性水平咱们通常用α表示，它代表咱们愿意犯第一类错误的概率，一般来说，咱们会设定一个α值，比如0.05，功效咱们用1-β表示，它代表咱们能发现真实差异的能力，β代表咱们犯第二类错误的概率，你想啊，如果我们把显著性水平α减小了，那咱们犯第一类错误的概率就变小了，但是呢，咱们犯第二类错误的概率β可能会变大，这样咱们发现真实差异的能力就会下降，也就是功效下降了，明白了吗？所以啊，咱们在选择显著性水平的时候，需要综合考虑犯两类错误的后果，不能只考虑一个方面。3.Welch'st-test解析：简述回归分析中如何处理多重共线性问题。多重共线性问题啊，说白了就是咱们自变量之间相关性太强了，这会导致咱们很难区分每个自变量对因变量的独立影响，结果呢，可能会导致回归系数的估计值不稳定，甚至符号错误，这样咱们就得出来的结论就不太靠谱了，对吧？所以啊，咱们在做回归分析的时候，一定要注意检查多重共线性问题，如果发现了，得想办法处理，比如可以删除一些自变量，或者使用岭回归等方法。4.删失数据解析：简述生存分析中删失数据的含义。删失数据啊，说白了就是咱们有些人的事件时间我们并没有观察到，这通常发生在随访研究当中，比如有些人在随访结束的时候还没有发生事件，或者失访了，这样咱们就不知道他们的确切事件时间，这些数据就是删失数据，明白了吗？删失数据挺常见的，尤其是在临床研究中，所以咱们需要学会处理删失数据，比如可以使用Kaplan-Meier估计等方法。5.文献检索、文献筛选、质量评价、统计合并解析：简述Meta分析的基本步骤。Meta分析啊，说白了就是把多个研究的结果合并起来，以得到更可靠的结论，它通常包括以下几个步骤：首先，咱们得根据研究的问题，制定一个检索策略，然后去检索相关的文献，接下来，咱们得筛选文献，把符合咱们要求的文献选出来，然后对纳入的文献进行质量评价，最后，咱们得使用合适的统计方法，比如Mantel-Haenszel法、Random-effects模型或Fixed-effects模型，把多个研究的结果合并起来，得到一个综合的结论，明白了吗？三、简答题答案及解析1.犯第一类错误就是咱们想拒绝一个本来就不对的假设，结果没忍住，给拒绝了，这就像咱们放了一个好人，这事儿挺严重的，对吧？犯第二类错误呢，就是咱们想拒绝一个本来就不对的假设，结果没敢拒绝，这就像咱们放了一个坏人，也挺严重的，你想啊，如果我们本应该发现一个问题，结果却没有发现，那后果可能更严重，明白了吗？2.t检验和z检验都是用来检验均值差异的，但是它们适用的条件不一样。z检验要求咱们知道总体方差，而且样本量要比较大，一般来说，样本量超过30，咱们就可以用z检验了。t检验呢，是咱们不知道总体方差，或者样本量比较小的时候用的，它需要估计一个标准误，所以会有一个t分布，t分布和z分布不一样，样本量越小，t分布的形状越像正态分布，明白了吗？3.多重共线性问题啊，说白了就是咱们自变量之间相关性太强了，这会导致咱们很难区分每个自变量对因变量的独立影响，结果呢，可能会导致回归系数的估计值不稳定，甚至符号错误，这样咱们就得出来的结论就不太靠谱了，对吧？所以啊，咱们在做回归分析的时候，一定要注意检查多重共线性问题，如果发现了，得想办法处理，比如可以删除一些自变量，或者使用岭回归等方法。4.删失数据啊，说白了就是咱们有些人的事件时间我们并没有观察到，这通常发生在随访研究当中，比如有些人在随访结束的时候还没有发生事件，或者失访了，这样咱们就不知道他们的确切事件时间，这些数据就是删失数据，明白了吗？删失数据挺常见的，尤其是在临床研究中，所以咱们需要学会处理删失数据，比如可以使用Kaplan-Meier估计等方法。5.Meta分析啊，说白了就是把多个研究的结果合并起来，以得到更可靠的结论，它通常包括以下几个步骤：首先，咱们得根据研究的问题，制定一个检索策略，然后去检索相关的文献，接下来，咱们得筛选文献，把符合咱们要求的文献选出来，然后对纳入的文献进行质量评价，最后，咱们得使用合适的统计方法，比如Mantel-Haenszel法、Random-effects模型或Fixed-effects模型，把多个研究的结果合并起来，得到一个综合的结论，明白了吗？四、论述题答案及解析1.显著性水平和功效啊，这两个东西其实是相互影响的，显著性水平咱们通常用α表示，它代表咱们愿意犯第一类错误的概率，一般来说，咱们会设定一个α值，比如0.05，功效咱们用1-β表示，它代表咱们能发现真实差异的能力，β代表咱们犯第二类错误的概率，你想啊，如果我们把显著性水平α减小了，那咱们犯第一类错误的概率就变小了，但是呢，咱们犯第二类错误的概率β可能会变大，这样咱们发现真实差异的能力就会下降，也就是功效下降了，明白了吗？所以啊，咱们在选择显著性水平的时候，需要综合考虑犯两类错误的后果，不能只考虑一个方面。2.多重共线性问题啊，说白了就是咱们自变量之间相关性太强了，这会导致咱们很难区分每个自变量对因变量的独立影响，结果呢，可能会导致回归系数的估计值不稳定，甚至符号错误，这样咱们就得出来的结论就不太靠谱了，对吧？所以啊，咱们在做回归分析的时候，一定要注意检查多重共线性问题，如果发现了，得想办法处理，比如可以删除一些自变量，或者使用岭回归等方法。岭回归是一种带有惩罚项的线性回归方法，它可以有效地降低多重共线性的影响，同时还可以提高模型的预测精度。另外，咱们还可以使用主成分回归等方法，这些方法可以将多个自变量合并成几个主成分，然后使用主成分来进行回归分析，这样也可以降低