自学笔记，分享给对统计学原理不太清楚但需要在论文中用到的小伙伴，欢迎大佬们补充或绕道。ps：本文不涉及公式讲解（文科生小白友好体质）～

本文重点：参数检验和非参数检验的区别以及对应的常用统计学方法

                 （这是需要根据自己的数据类型搞清楚用哪种统计学方法的关键）

【1.参数检验】

【2.非参数检验】

【3.参数检验和非参数检验的区别】

【4.常用统计学方法】

在统计学中,参数(parameter)是用来描述总体特征的数值。与统计量(statistic)不同,统计量是根据样本数据计算得到的,而参数是总体固有的特性。通常情况下,研究者无法直接观测到总体参数,而是通过从总体中抽取样本,然后基于样本数据对总体参数进行估计和推断。

一些常见的总体参数包括:

在参数检验中,研究者通常关注一个或多个总体参数,并根据样本数据对这些参数进行估计和假设检验。例如,在两独立样本t检验中,研究者关注两个总体的均值是否存在显著差异;在回归分析中,研究者关注自变量和因变量之间的关系强度(回归系数)。

  全称参数假设检验，是指对参数平均值、方差进行的统计检验。参数检验是推断统计的重要组成部分。当总体分布已知（如总体为正态分布），根据样本数据对总体分布的统计参数进行推断。

通俗来讲：当总体数据庞大无法一一进行计算的时候，使用随机抽样的方法抽取部分数据来假设它们可以代表整体。根据部分数据构建统计量。但必须满足整体数据满足正态分布（可绘制线图更直观判断）

  非参数检验是在总体方差未知或知道甚少的情况下，利用样本数据对总体分布形态等进行推断的方法。由于非参数检验方法在推断过程中不涉及有关总体分布的参数，因而得名为“非参数”检验。

也就是说，非参数检验不依赖于总体分布的假设,通过利用样本数据的秩或其他无量纲量,构建对总体分布不敏感的统计量。当总体分布未知或样本量较小时,非参数检验仍然能够提供有效的推断结果。

非参数检验适用于以下几种类型的数据:

     2.样本量要求：

    3.统计量计算：

    4.统计功效：

    5.应用场景：

     2.方差分析(ANOVA)

     3.协方差分析(ANCOVA):在方差分析的基础上,引入协变量进行调整和控制。

     4.皮尔逊相关系数:用于度量两个连续变量之间的线性相关程度

     5.回归分析:

这只是一部分常用的统计学方法,实际应用中还有许多其他的参数检验和非参数检验方法,如McNemar检验、Cochran Q检验、Mantel-Haenszel检验等,可以根据具体的研究问题和数据特点进行选择。

▷之后会尝试满满更新每种方法所适合的数据以及python代码。