時間：2023-08-24 09:27:56
緒論：在尋找寫作靈感嗎？愛發表網為您精選了8篇統計學的方法，愿這些內容能夠啟迪您的思維，激發您的創作熱情，歡迎您的閱讀與分享！
【關鍵詞】教學方法；存在問題；統計學
一、統計課程教學存在的問題
1.學生對統計學的重視不夠
一提到統計，很多學生會想到統計局、大量統計數據和統計報表等，覺得枯燥無味，并且認為統計學在工作和生活實際中作用不大，因此重視程度也僅停留在獲得學習內容的表面上，使教師難以在學生不夠重視的情況下，把統計學的知識講清、講透。另外，統計學的知識涉及范圍廣，知識面比較廣，而中專學生的基礎薄弱，統計課程與現實生活緊密聯系，其中的知識點很豐富，而學生在沒有接觸經濟、金融學、高中數學的相關課程的前提下進行學習，會感到迷茫，無從下手。
2.課程內容的規范性不強
目前使用的統計學專用教材，在教學內容上，多是以統計工作過程為主線，先后介紹統計調查、統計整理、統計指標、時間數列、指數、相關與回歸、抽樣推斷等內容，不同的教材側重點也不相同。不同的教師在教學內容上側重點也不相同，有的教師重視數理統計方法，在抽樣推斷上花大量的時間，而有的教師又側重于傳統統計方法，統計學所涉及的基本知識點很多，重要部分需要精講，教師不同的處理方法有時會造成重點知識的落實不到位。
3.教學方法的單一
教學方法是教學質量種中至關重要的環節，但從目前來看，統計學的教學方式仍然是以傳統的教師講授為主，學生接受知識比較被動，教學方法的多元化應用還不夠，而且師生之間的互動和交流也比較缺乏。這種教學方法在教學內容上重視理論傳授，輕視實踐能力的培養，忽視知識在實踐中的應用。在這種傳統的統計教學模式下，學生只能學會書本中的理論知識，但不利于學生的統計實際應用能力地的提高，而且在學習過程中很容易使學生產生厭學的情緒。在教學中必須改變陳舊的教學方法，更新教學理念了。
二、統計學教學方法的創新與探索
1.加強理論知識學習，增強自身素質
統計學相關教學理論是優秀教師必須要熟練掌握和運用的。教師本身必須嚴格要求自己，端正學習態度，加強理論知識的學習。學習相關的經濟學知識，查閱一些相關的資料，多瀏覽一些相關書籍、報紙、雜志、網頁，多關注金融社會經濟動態，有目的的地把教材中理論知識融入到對經濟現象的分析中加深對教材理論知識的理解，增強自身的專業素養和分析能力。
2.結合生活實際進行課堂教學
教師在授課之前可結合教材相關內容查找一些與教學內容密切相關的案例，在教學過程中讓學生根據所學知識對案例進行分析，結合老師的講解，使學生變被動接受知識為主動地閱讀、思考、分析、判斷；教師通過對案例的歸納、整理，引導學生在實踐中掌握具體的統計分析方法。這樣的課堂模式實際上是統計實踐過程的一種模擬，既能激發學生學習的興趣，又能夠有效地將理論知識轉化為專業技能，教會了學生如何在實踐中探究學習方法。
3.改變教師角色，活躍課堂氣氛
調動學生的積極性才能更好地搞好教師可以采用多媒體教學等新興的教學手段激發學生學習的興趣，調動學生學習的積極性。對于理論部分內容，教師的講授會令學生覺得很枯燥，在這種情況下，教師可以穿插一些學生熟知的內容或者結合我國的實際來講解，這樣可以轉變課堂沉悶的氣氛，使課堂活躍起來，在輕松愉悅的氣氛下氛圍里學習，可以加深學生對所講述內容的理解，提高學習效率，加強教學效果。
4.將課堂知識與社會實踐結合
枯燥的課堂知識必須和社會實踐結合，這樣才有生命力。在教學中，應適當結合課程內容安排學生進行社會實踐。比如可以組織學生對相關專業的課題做市場調查，比如中專生的就業問題、網絡應用的利與弊、學生厭學現象等學生們感興趣的問題進行具體的抽樣調查，從調查對象的確定、問卷的發放、回收與審核，數據輸入與資料整理，估計與分析到調查報告的編寫，調查或體會的形成等全部過程，都有由學生獨立完成。這樣，在整個社會實踐過程中，學生通過親力親為參與了統計調查、統計整理和統計分析的整個過程，鞏固了基礎知識的同時又學會了理論的應用。
教師在教學過程中要時刻明確學生是課堂的主體，教師要結合學生狀況，靈活設計課堂模式，激發學生學習興趣，了解和貫徹課程內容對學生能力和學生個性發展的要求，把學生放在教學的主導地位，引導學生發揮其主觀能動性，培養學生的信息學習的積極性、創造性。建立起能促進學生全面發展的教育教學模式。
參考文獻：
[1]高選.體育教學風格的研究[J].安徽體育科技，2004（01）
[2]陳婷，鄭慶全.關于課程改革中確立新型師生關系的思考[J].安徽教育學院學報，2004（03）
關鍵詞：小學數學；統計；教學方法
《義務教育數學課程標準》強調，要讓學生經歷運用數據繪圖、制表，發展學生統計觀念，使學生養成數據觀念，學習判斷分析的能力，要求學生從收集的信息中提煉信息，找尋規律。使學生在具體的實踐活動中體驗收集、整理、表述和分析的環節，學會最為基本的統計方法。
一、引導學生全身心地投入到統計的過程中
教學中，教師關注到學生，將學生放于主動地位上，充分展現課程標準中所要求的學生是數學學習的主人這一教學理念。我們師者要成為統計教學中的倡導者、指引者、交流者、合作者，引導學生積極參與，充分體驗統計教學的那種自主、交流、探究的氛圍。在學生自主參與下觀察、操作、交流中學習探究統計知識，理解掌握比較簡單的統計方法，充分感受到統計知識在生活中的應用，從統計角度去思考問題，親身經歷數據的收集、整理及分析的過程，再進行進一步的提煉，使學生掌握統計知識。
二、關注學生已有的生活經驗，充分調動學生學習數學的情感
統計教學中，教師應該密切關注學生自身的生活經驗，選擇與學生密切相關的日常活動，讓學生感覺數學就在我們的身邊，充分調動學生對統計學習的那份情感，激發學生學習探究統計知識的積極性，增強學生學好統計知識的那份自信，使學生打心眼里去喜歡學習數學。
例如，在元旦聯歡會班級準備買什么樣的水果時，調查班級同學最喜歡吃的水果，制定在規定的數額之內的購買計劃。教學時，先讓學生先做一些實際調查，而后再去思考具體的統計方法，較為詳細地咨詢班級同學中每一個人的喜愛，統計每一種水果的人數。最后再對統計的結果做進一步的表達與交流，解決課堂上教師提出的問題。
三、引導學生將統計知識運用于現實生活情境中
1、大量觀察法：指從社會現象的總體出發，對其全部單位或足夠多數單位進行數量觀察的統計方法。
2、統計分組法：指根據統計研究的任務，將所研究的社會經濟現象總體按照一定標志劃分為若干組的方法。
3、綜合指標法：指運用各種統計綜合指標來反映社會經濟現象總體的一般數量特征和數量關系的研究方法。
關鍵詞：統計學興趣；趣味性教學；案例教學；實踐活動
中圖分類號：G712 文獻標識碼：A 文章編號：1002-7661（2012）10-021-02
《統計學》作為財經專業中職學生的一門必修的專業課程，是一門適用性很強的科學，是對客觀實際進行調查、分析和研究，找出事物的發展規律，并在此基礎上做出預測或決策的學科。這門課程涉及的內容既有概念和原理也有一些數據的計算，不僅要掌握理論知識，更重要的是要懂實際操作，重在實際動手能力的培養。而大部分中職生基礎太薄弱，理解能力不強，學習目標不明確，缺乏學習興趣，所以學習起來比較枯燥。如何提高學生學習《統計學》的興趣呢？下面談幾點提高學習興趣的方法：
一、教學中突出趣味性，提高學生的學習興趣
1、創設趣味性的情景，提高學生的注意力
學生的學習興趣之一是對書本知識發生興趣，所以在教學中要以學生的興趣為出發點，將統計問題融于學生喜聞樂見的情境中，以此激發學生求知欲及探求新知識的積極性，促使他們全身心的投入到新知識的學習中。例如，在講解抽樣調查中重復抽樣和不重復抽樣的概念及兩種方式下的抽樣誤差時，可事先將該班所有學生的統計成績分別做成簽，并放入一個盒子里。上課時教師先請一名學生從盒子里抽取一個簽，并登記分數后，再放入盒中進行下次抽取，如此進行10次，抽取10個簽，即10名同學的成績。然后再請一名同學從盒中抽取一個簽，登記分數后不放回盒中，再進行下次抽取，如此進行10次，抽取10名同學的成績。教師提問：兩名同學都抽取了10名同學的成績，但抽取的方法有什么不一樣，由該問題引入重復抽樣和不重復抽樣的概念。接下來教師分別讓同學們計算所有同學的平均成績；第一名同學抽取的10名同學的平均成績；第二名同學抽取的10名同學的平均成績。并通過結果分析如用10名同學的平均成績估計全班學生的平均成績，哪個誤差大，哪個誤差小。從而得出重復抽樣方式下的抽樣誤差大于不重復抽樣方式下的抽樣誤差。這比傳統的教師講述兩者的概念及兩種方式下的誤差大小更容易理解，學生更感興趣。
2、運用趣味性的事例，提高學生的理解力
在講解《統計學》中的概念性問題時，如果不舉一些事例，學生不僅感覺枯燥無味而且難以理解，教師舉出一些有趣的事例講解，既可以幫助學生理解又能激發學生的學習興趣。例如，在講解抽樣調查的用途時教師可舉出：通過品嘗一勺湯來推斷一鍋湯的味道；通過抽取少量的血液來檢驗我們的身體健康情況；通過調查市場上食品色素含量來檢驗食品是否符合國家標準等等，這些都需采用抽樣調查。通過這些有趣的例子讓學生能夠體會到抽樣調查在生活中運用較廣，并能快速的記住它的用途，增強學習興趣。
3、使用趣味性的語言，提高學生的領悟力
作為一個教師，課堂語言僅具規范性和形象性也是不夠的，中職學生每天一堂接一堂45分鐘的課，一輪又一輪的不斷被“轟炸”，學生也是會乏味和走神的，好動并好奇才是學生的天性，枯燥的教學語言只可能成為一種難耐的“煎熬”。針對這種現象，教師應利用具有趣味性的課堂語言來激發學生學習的興趣，切忌平鋪直敘，平淡無奇，采用生動、有趣的課堂語言，才能使教學內容、教學過程也變得生動有趣起來，使學生能從原以為可能無趣的課堂中得到意想不到的樂趣。
二、案例導入教學，培養學生的學習興趣
在《統計學》教學過程中使用案例教學法，首先，要做好預備工作，精心選擇適當的案例。其次，要組織好案例教學的課堂教學。它是以學生為教學的主體，教師是組織者和引導者，引導所有學生積極參與在討論中。學生會積極思考，相互啟發、討論，他們會覺得這一學習過程很有趣，會主動積極地參與到這一過程中，對抽象的理論知識能有更直觀、透徹的理解。在《統計學》授課中正確運用案例教學法，能得到比較好的教學效果。例如，在講解標志變異指標的作用時，可列舉案例：
現請比較兩個企業的供貨均衡性，并說明理由。同學之間相互討論，然后讓學生們各自說出自己的方法、理由。最后師生共同總結歸納出供貨均衡的企業，也就是供貨的差異大小來評判，得出甲企業的供貨情況較均衡，也就得出標志變異指標可衡量社會經濟現象的均衡性這一作用。
起源于上世紀七十年代的層次分析法(簡稱AHP)是由美國運籌學家T.L.Sattyti提出的，主要是對多指標系統方案給出一種層次化、結構化的決策方法。該方法綜合考慮了定性與定量兩種決策分析方法，在決策分析問題中有著廣泛的應用。
層次分析法主要是一個模型化、數量化的過程，通過對復雜系統的分解，將其轉化為若干因素，在各因素之間通過比較和計算，從而得出不同方案的權重，該權重可為最佳方案的選擇提供依據。在處理實際問題的過程中，經常會遇到諸如目標準則層次較多以及非基本結構的復雜決策問題，此時如何能夠將該問題簡化主要取決于如何從少量的定量信息入手，深入探究問題的本質及其內在關系，將思維的過程數字化，從數學的角度思考，用數字說話，達到準確計量的目的。
層次分析法中各層次的結構反映了各因素之間的關系，如何確定該結構是關鍵所在。通常準則層中的各準則在目標衡量中所占的比重并不一定相同，處理的關鍵在于如何較為準確的將這些比重進行量化。很多時候，對某個因素有影響的因子比較多，如若直接給出各個因子的比重，難免出現偏差，主要原因有：問題考慮不全面、首尾數據顧此失彼、所有數據可能不符合整體性為1的隱含條件等。
比如我們有這樣的生活常識：假如有若干個大小不一的西瓜，每個人都能按照自己的感覺給出每個西瓜所占總體重量的大致比重，但是由于不知道每個西瓜具體的重量，每個人給出的數據都不盡相同，而且由于只是估計值，可能所有的比值會出現相互矛盾的情況，也容易出現比值和不等于1的情形。因此，當影響某因素的因子較多時，通常將眾多專家研判的均值作為各因子的比重，但這些比重只是初始值，通常要在初始值的基礎上經過一系列嚴格的轉化、換算，才能最終得出各準則層的相對權重。
各準則層相對權重求解的過程大致可以分為三個步驟：1.構造判斷矩陣——分析系統中各因素間的關系，對同一層次各元素關于上一層次中某一準則的重要性進行兩兩比較，從而構造得出兩兩比較的判斷矩陣;2.構造判斷轉化矩陣——由上一步中的判斷矩陣中數據計算各比較元素所在準則的相對權重，并進行一致性檢驗。通常由判斷矩陣到判斷轉化矩陣的轉化方式不唯一，不同的轉化構造方式往往對應不同的適用和使用效果;3.計算各層次對于系統的總排序權重，并進行排序。以上三個步驟中，第二步是關鍵，最終可以得到各方案對于總目標的總排序。
在用層次分析法解決某些具體問題時，可能會出現相對權重明顯集中，權重差距較大的現象。因此，需要對層次分析法相對權重進行改進計算，努力提升層次分析法實際應用效果。本文主要介紹確定相對權數的一種新算法—方程法，并且通過實例檢驗其使用效果。1層次分析法中相對權重的算法新思路
1.1建立判斷矩陣
判斷矩陣是在對每一層次中的所有因素進行相對重要性的兩兩比較的基礎上而建立的矩陣，即：
R=r111…1R1n
1
rn11…1rnn，其中r11。，r22，…，rnn=0.5，rij表示第i個元素相對于第j個元素的重要程度關系，采用0.05-0.95標度給予數量表示，且rij+rji=1。江蘇理工學院學報第20卷第6期孫丹丹：確定統計權數的新方法——方程法
rij的取值不應由個別人來確定，應由眾多專家共同研判，最終取其均值。專家研判的取值是第i個元素相對于第j個元素的重要程度確定：特別重要(0.85-0.95)、重要(0.75-0.85)、相對重要(0.65-0.75)、稍重要(0.55-0.65)、重要程度相當(0.5)。
1.2判斷轉化矩陣
判斷轉化矩陣：A=a111…1a1n
1
an11…1ann，其中a11，a22，…，ann=1。
判斷轉化矩陣，需要將rij轉化為aij。
判斷轉化矩陣中aij和aji必須滿足兩個條件：①aij*aji=1;②aij-aji=rij-rji(其中i為i和j兩個元素中較重要者，否則條件②改為aij-aji=rij-rji)。
將以上兩個條件進行變換，即aij-11aij=rij-rji或aji-11aji=rji-rij，求解可以得aij或aji(取正數解)。
1.3準則層的相對權重的計算
①計算判斷矩陣中各行元素乘積：Mi=∏N1j=1aij=ai1·ai2…ain(i=1，2，....n)。
②計算Mi的n-1次方根：Wli=n-11Mi。
判斷轉化矩陣中涉及元素是n個，反映元素間的關系應是n-1個關系。事實上，由于判斷轉化矩陣中a11，a12，…，ann=1，因此對角線上的元素對計算判斷轉化矩陣中各行元素之乘積是沒有影響的。基于以上考慮，應該計算Mi的n-1次方根。
③對Wli進行正則化處理：Wi=Wli/∑n1i=1Wli，其中Wli為判斷矩陣中各行元素乘積的n-1次方根。正則化處理后，∑n1i=1Wi=1。
從上述過程可以看出，新方法中準則層的相對權重計算過程與傳統層次分析法相比，區別主要在于第二步，即判斷轉化矩陣的計算。在判斷轉化矩陣中，aij保留了最初判斷矩陣中rij之間的差異性，并進一步將最初判斷矩陣的對角線相應因素和為1轉化為了判斷轉化矩陣中的對角線相應因素積為1，這在一定程度上解決了相對權重明顯集中，權重差距較大的現象。下面將通過實例，來驗證該方法在處理權重差距較大問題時的可行性和優越性。2層次分析法中相對權重的改進算法實際應用
全部國有及規模以上非國有工業企業主要經濟效益指標：工業增加值率、總資產貢獻率、資產負債率、流動資產周轉次數、成本費用利潤率、全員勞動生產率、產品銷售率，記這7個指標分別為1、2、3、4、5、6、7。
2.1判斷矩陣：11121314151617110.510.2510.8010.5510.7010.8010.75210.7510.510.9010.8010.8510.9510.90310.2010.1010.510.3510.3510.8010.40410.4510.2010.6510.510.5510.8510.60510.3010.1510.6510.4510.510.7510.60610.2010.0510.2010.1510.2510.510.25710.2510.1010.6010.4010.4010.7510.52.2判斷轉化矩陣
由上述矩陣結合算法新思路中判斷轉化矩陣的求法，不妨以a12與a21為例。
由r12=0.25，r21=0.75可知：a21·a12=1，
a21-a12=r21-r12，即a21·a12=1，
a21-a12=0.5。
解方程組可得：a12=0.780 8;a21=1.280 2。
同理，可求得所有a1ij，i，j=1，2，…，7。
匯總整理后可得如下判斷轉化矩陣：1112131415161711110.780 811.34411.051 211.219 811.34411.280 8211.280 81111.47711.34411.409 511.546 611.477310.74410.6771110.861 210.861 211.34410.905410.951 310.74411.161 21111.051 211.409 511.105510.819 810.709 511.161 210.951 31111.280 811.105610.74410.646 610.74410.709 510.780 81110.780 8710.780 810.67711.10510.90510.90511.280 8112.3準則層的相對權重的計算
由上述矩陣結合算法新思路中準則層的相對權重的計算方法可得：Mi分別為：2.316 294，8.186 244，0.454 378，1.345 582，0.909 344，0.154 815，0.612 73。Mi的n-1次方根分別為：1.150 268，1.419 648，0.876 805，1.050 715，0.984 286，0.732 772，0.921 605。
從而可以求得每個Mi相對權重，匯總整理如下：
%11121314151617統計局公布權重116120112115114110113新算法權重116.12119.89112.29114.72113.79110.27112.91傳統層次分析法權重123.36146.5913.1518.95111.8611.5414.55本例中，由最后的計算結果可以看出：若使用傳統層次分析法，則最終計算出的權重值差距較大且僅集中于個別因素;而使用新方法所計算出來的相對權重明顯更接近于統計局所公布的數值，且由此方法計算出的權重值也有更為合理的解釋。3結語
本文在傳統層次分析法權重計算的基礎上，提出了一種確定統計學權數的新方法—方程法。不僅給出了新方法的推導過程，并且通過實例計算，證實了該方法在解決實際問題中的可行性和優越性。
關鍵詞：經濟學 數理統計方法
隨著我國市場經濟發展進程的不斷加快，人們對經濟學領域的科研成果應用需求越來越大。然而，在實際研究過程中，數理統計方法這一研究重要工具并未引起相應的重視，這就在一定程度上影響了經濟學科研項目成果的準確性與可靠性。基于此，相關建設人員應在認識數理統計方法作用重要性的基礎上，通過明確其基本應用概念和實際作用過程，來找出該方法作用于經濟學研究最佳使用方案。這是實現經濟學科學研究成果作用效果和可靠性目標的關鍵，相關人員應將其作為重點研究對象，以實現數理統計方法的目標價值。
一、研究數學化經濟學結合的重要性
經濟學應用實現與高等數學這門學科中的知識是分不開的，如果相關建設人員沒有將其重視起來，就難以將經濟理論應用到模型建設中去。因此，研究人員應加大經濟學與數學結合方面的研究，以實現解釋模型作用的結果目標。相關研究表明，數量經濟學的數學化是實現其發展應用的重要歸宿之一。具體來說，就是通過增強經濟學研究人員的“問題意識”，來將以往的方法導向轉變為問題導向，從而使經濟學成為數學化的經濟學。這樣一來，經濟學就能依據數學化實現現代化，進而建立起“新范式”的經濟學研究課題。針對這一問題，相關學者分析了數學與經濟學結合研究的必要性。此科研內容，通過分析《投入產出經濟學》中數學方法的應用過程，進一步證明了上述理論實踐的作用效果。此外，研究人員還提出了要將基于“抽象力”的數學方法作為經濟學研究的工具，從而提高科學研究工作的效率。值得注意的是，經濟學的數學化也要有所節制，不能無限度的覆蓋于全部研究歷程。此過程，還要應用合理的經濟假設、更新數學分析方法、進行現實性解釋以及定性到定量的轉換，這些均為滿足經濟學研究發展目標的重要組成部分[1]。
針對數學化與經濟學結合研究過程中存在的問題，相關建設人員還要將數學模型建立方法應用進行質量控制。這是解讀數學在經濟學中意義價值的重要組成部分，相關人員應將堅持客觀事實以及實現簡單解決復雜，作為實際方法應用的原則和目標。從實踐的角度講，相關學者還應提高經濟數學模型的建立方法以及建立要點的研究力度。例如，明確數學在經濟學實際應用中的意義價值，確立實踐方法應用的原則等。在經濟學數學化的研究人才方面，相關人員應以創新原則作為體系培養的目標原則，這是使科研項目成果滿足現代化發展需求的關鍵。因此，科研人才的培養除了要實現數學與經濟學的結合外，還要研究未來經濟學科研項目的應用發展趨勢。只有這樣才能不斷更新經濟學數學化研究的人力資源力量，從而盡早實現該類經濟學研究成果的作用發揮。此外，在研究經濟學項目使用規律的過程中，還要運用數學化的抽象性特點，從而實現具體問題的解決控制。由此可見，經濟學在沒有數學化支撐的前提下，非常有可能成為經濟哲學，即不能真正作用于實際的社會經濟建設[2]。
二、經濟學數理統計方法的基本應用概念
在EM算法中數理統計方法的出現是在20世紀70年代，該時期計算機技術以及EM算法得到了快速地發展。與此同時，經濟學研究傳統的回歸分析方法以及方差分析方法雖然實現了應用普及，但其已經難以滿足科研人員對經濟學快速開發建設的需求。而數理統計方法通過結合概率論以及統計科學，成功的為經濟學研究提供技術保證。具體來說，該方法的應用就是從研究總體中抽取一定數量的樣本進行檢測，并根據獲得的數據信息來推斷關于研究總體的結論。因此，其應用的原理在于歸納。為提高獲得信息的利用效率以及降低總體推斷的誤差，相關研究人員應充分應用以下數理統計方法，即：追蹤數據分析方法（Longi-tudinal Data Analysis）、結構方程模型（Structural Equation Model）、項目反應理論（Item Response Theory）、元分析（Meta-Analysis）以及多層分析方法（Multilevel Data Analysis）[3]。
而從經濟學應用的角度來看，經濟學（Economics）是一門具有社會性作用的科學，其研究離不開定量分析以及信息數據的統計，這就意味著經濟學也離不開數理統計方法以及數據統計的分析。在實現數學化經濟學的分析過程中，可供選擇的統計分析方法包括：經濟參數檢驗法、相關分析法、描述性統計法、頻數統計法、聚類分析法、因子分析法、對應分析法、典型相關分析法、方差分析法、非經濟參數分析法、列聯表分析法以及結合分析法等。而可供選擇的經濟數學化計量模型則包括：多元線性回歸模型、一元線性回歸模型、分位數回歸模型、聯立方程模型、協整毓誤差修正模型、離散選擇模型、Tobit模型、區間估計模型、卡爾曼濾波、面板數據模型、向量自回歸模型、ARMA過程與 ARCH 模型、狀態空間模型以及數學空間計量模型。基于經濟計量的分析方法則是通過回歸分析方法，來假定數學統計分布形式和未知數學函數的。此外，還可采用非參數分析法和半參數分析法來實現經濟計量的統計。值得注意的是，當計量因子分析與回歸分析方法結合起來，此研究方法被業內人士稱為通徑分析[4]。
三、應用數理統計法于檢驗經濟絕對收入的過程分析
對于一些最基本的經濟學問題，相關研究人員均可采用凱恩斯絕對收入假說，來進行數學化分析。以居民收入每增加一元，會平均拿出多少錢進行消費問題為例。首先，經濟絕對收入的計算需要將消費的實際支出與收入多少聯系起來，這是因為收入的絕對水平直接決定了消費水平。其次，經濟絕對收入檢驗人員要明確幾方面內容，即實際的消費支出與實際收入之間的穩定函數；邊際消費傾向本身是否是隨著收入的增加而遞減；邊際消費的傾向是否小于平均消費傾向。這里指的實際收入，是現期絕對的收入水平。再次，把現實中存在的問題轉化為經濟模型，此過程是一個將經濟問題轉化為數理化的過程。具體應根據一元回歸模型：
CONSP=α0+α1GDPP+μ，來進行實際數理化問題的計算[5]。其中CONSP指的是，人均居民消費的常數項，用來表示邊際消費傾向。而GDPP則指的是，人均的國內生產總值。根據凱恩斯的絕對收入假說理論，邊際消費的傾向在0到1之間。最后，研究人員就可根據收集到的數據信息，進行必要的預處理。這樣一來，就可以通過散點圖來觀察CONSP和GDPP之間的關系。相關研究表明，中國居民的實際收入與消費支出存在著線性關系。因此，研究人員應采用計量軟件來模擬上述數據內容，并通過建立模型，來獲取回歸分析法的應用結果[6]。
四、數理統計方法與經濟學研究的結合方法
前文內容分析了經濟學問題研究采用數學計量方法，對絕對收入過程進行檢驗。此過程，數學化與經濟學研究的結合要點，在于回歸分析結果以及散點圖的作用狀態。這兩方面內容，通過幾秒的計算機統計軟件即可實現，但其中卻包含著助弱隱性的數學知識和統計學知識[7]。例如，數學化經濟學研究人員先要利用最小二乘法原理，來對研究對象的參數進行估算。具體估算的內容有常數項和邊際消費傾向。此過程，研究人員要根據高等數學中的微積分極值，來實現作用原理的可靠性。對于參數估計值的計算方面，由于很多計量軟件均是根據計算機程序設計語言設定的，這就意味著經濟學問題研究人員要采用矩陣知識進行代碼編寫，即利用線性代數知識。此外，在對回歸模型和經濟學統計對象參數進行統計檢驗的過程中，研究人員要利用數理統計知識和概率論知識。對模型結果進行經濟解釋，需要經濟學知識。而收集數據，研究人員要對數據內容進行預處理，這則需要應用到數學中的統計學知識。有上述內容可以看出，要想實現經濟學問題的準確分析，相關研究人員應將統計學、理清數學以及經濟學三方面知識內容結合起來[8]。
相關研究表明，數學化經濟學研究的進程中，經濟學、數學以及統計學存在著不同程度的交集關系。如圖1所示，為數學化經濟學研究涉及學科的交集關系。
如圖1所示，每個交集均有一門特定的學科。因此，研究人員在提升這三門學科的知識過程中，要按照相關的順序。即要在不同的學習階段學習不同的知識，這就避免了替代與混淆研究問題的出現[9]。具體來說，科研人員要將經濟學理論作為學習與自身提升的出發點和最終歸宿，而數學方法和相關統計方法則是服務于經濟學理論。是學習的出發點和歸宿， 統計學方法和數學方法服務并服從經濟理論。據研究人員對以往的經濟問題應用數學方法和統計方法進行分析得出了，無論是經濟學、數學還是統計學，均是認識和厘清現代化社會建設所帶來的經濟生活變化的重要因素。但只要將其充分結合起來，才能實現其對經濟生活變化規律的準確研究目標。事實證明，只有在此情況下，人們才能更好的消化快速經濟建設所帶來的不適應性，從而促進現代化建設的快速穩定發展。
從另一個角度來看，經濟學反映的是當前社會的演變問題，其目的是為人們構建出一個更為科學合理的經濟生活環境[10]。就目前來說，社會經濟的發展現狀較為復雜，研究人員要考慮現象產生背后的諸多因素后，才能得出一個具有實際意義和作用和理性的答案。這一過程，是一個需要精確推理、邏輯嚴謹的過程，研究人員必須通過數學手段，來分析不同因素之間的作用影響。其中很多專家學者認為，數學是掌握這種科學思維方式與運算基本技巧的關鍵。雖然數學知識學習起來最為枯燥、抽象，但其應用所帶來的系統性、精確性，又是經濟學問題研究中必不可少的。因此，經濟學初學者和入門研究既要學些理論知識，又要懂應用。從宏觀的角度講，數學有基礎數學（在這里也稱之為理論數學）和應用數學用數學之分，而經濟學同樣也有理論經濟學和應用經濟學之分。因此，研究人員必須將知識的必須和夠用兩大因素作為提升自身能力的學習原則。
結束語：
總而言之，經濟學的研究成果將直接決定當前人民生活水平的可持續性。因此，相關人員應加快數學化經濟學問題的研究，從而提高經濟學科研成果的作用效果。具體要完善的內容包括：統計學、數學以及經濟學。其中數理統計方法的應用效果，要通過追蹤數據分析方法、結構方程模型、項目反應理論、元分析以及多層分析方法來進行實現。事實證明，對經濟學問題研究對象應采用計算機技術中的統計學知識，來提高數據信息獲取的準確性。而數學知識則是用來計算統計數據信息與經濟性問題的關系，從而找出經濟變化問題的控制要點。
參考文獻：
[1]洪永淼. 經濟統計學與計量經濟學等相關學科的關系及發展前景[J]. 統計研究，2016，05：3-12.
[2]王柱，李曉東. 近30年中國旅游經濟學文獻分析――10種旅游學和經濟學主要期刊發表的旅游經濟類論文研究[J]. 旅游研究，2013，02：14-22.
[3]潘永明，賈學學，魏永軍. 我國團體融資研究回顧與展望――研究主題、研究內容與研究方法[J]. 貴州社會科學，2013，06：102-108.
[4]解月.統計方法在現代經濟學中的地位與作用[J]. 商場現代化，2014，01：206-207.
[5]韓兆洲，王科欣. 《統計研究》之統計研究――《統計研究》創刊30周年回眸和展望[J]. 統計研究，2014，09：11-19.
[6]臧雷振，黃建軍. 美國政治學研究方法發展現狀及趨勢――新世紀初的新爭論、挑戰與反思[J]. 政治學研究，2014，04：73-89.
[7]王慶芳，杜德瑞. 我國經濟學研究的方法與取向――來自2012至2014年度1126篇論文的分析報告[J]. 南開經濟研究，2015，03：140-153.
[8]李雪. 經濟學研究的多元化趨勢與挑戰――河南財經政法大學經濟學院王艷萍教授訪談錄[J]. 經濟師，2015，11：6-10.
摘 要：隨著我國經濟發展水平的不斷提高，各行各業得到了顯著發展，數據統計學方法也變得日趨多樣，數據挖掘是建立在數據庫與人工智能基礎上發展起來的一種高新技術，其功能是從眾多的數據當中挖掘到最有價值的信息，進而實現對數據資源的高效利用。聚類分析能夠被當成一種數據分析工具，能真實反映出數據分布情況，本文主要對統計學在數據挖掘中的應用進行了探討，從而表現統計學在數據挖掘應用中的重要性。
關鍵詞：統計學方法；數據挖掘；應用分析
數據挖掘就是指從眾多實際應用數據中獲取批量大、有噪聲、且隨機性強的數據，將潛在的信息與數據提取出來，就是從數據中挖掘有價值的知識，而大多數原始數據具有一定的結構化特征，比如，關系數據庫中的數據；也可以通過文本、圖形、圖像等半結構化發掘有用知識，這些知識可以是數學的也可以是非數學形式的；數據挖掘能以歸納形式存在，能夠被廣泛應用到信息查詢、信息管理、信息決策控制中，方便數據的維護與管理。由此可見，數據挖掘是一門交叉性強的學科，加強對其的研究非常有意義，下面將對統計方法在數據挖掘中的具體應用進行分析。
一、數據挖掘與統計學的關系
（一）數據挖掘的內涵
通常來說，數據挖掘的定義較為模糊，沒有明確界定，大部分對其的定義只是停留在其背景與觀點的內容上。通過對不同觀點的統一整理，人們最終將其描述為：從大量多樣化的信息中發現隱晦性、規律性等潛在信息，并對這些信息進行創造、加工的過程。數據挖掘作為一門重要的交叉學科，能夠將數據庫、人工智能、機器學習、統計學等眾多的科學融入到一起，從而實現技術與理論的創新與發展[1]。其中，數據庫、人工智能與統計學是數據挖掘當中的三大支柱理論。數據挖掘的目的是從數據庫當中發掘各種隱含的知識與信息，此過程的方法非常多，有統計學知識、遺傳算法、粗集方法、決策法、模糊邏輯法等，還可以應用向鄰近的可視技術、模式識別技術等，在以上所有技術的支持上能夠使數據挖掘更為科學、有序。
（二）數據挖掘與統計學間的關系
通常來說，統計學的主要功能是對統計原理與統計方法進行研究的科學。具體來說就是指對數字資料進行的收集、整理、排序、分析、利用的過程，數字資料是各種信息的歸納與總結，可以將其作為特性原理的認知、推理方法[2]。而統計學則表示的是使用專業的統計學、概率理論原理等對各種屬性關系的統計與分析過程，通過分析成功找到屬性間的關聯與發展的規律。在此過程中，統計分析方法是數據挖掘最為重要的手段之一。
在數據挖掘這一課題被提出來之前，統計分析技術對于人們來說更熟悉，也是人們日常開展工作、尋找數據間規律最常使用的方法。但是不能簡單的將數據挖掘作為統計學的延伸與替代工具，而是要將兩者的區別認識到位，再結合兩者間的不同特點分析其應用特點[3]。大部分的統計學分析技術都是建立在數學理論與技巧上的，預測通常較為準確，效果能夠讓大部分人滿意。數據挖掘能夠充分借鑒并吸收統計學技術，在融入到自身特點以后成為一種數據挖掘技術。
統計學與數據挖掘存在的目標都是一致的，就是不斷對數據結構進行發掘。鑒于統計學與數據挖掘在目標上的一致性，致使很多研究學者與專家將數據挖掘作為了統計學的一個分支機構[4]。但是這種認知非常不正確，因為數據挖掘不僅體現在與統計學的關系上還體現在思想、工具與方法上，尤其是在計算機科學領域對數據挖掘起到的作用非常大。比如，通過借助數據庫技術與人工智能的學習，能夠關注到更多統計學與數據挖掘上的共通點，但是兩者存在的差異依然非常大。數據挖掘就是指對大量的數據信息不斷挖掘的過程，DM能夠對數據模式內的數據關系進行充分挖掘，并對觀測到的數據庫處理有著極高的關注度。
二、數據挖掘的主要過程
從數據本身出發探討數據挖掘過程，數據挖掘的過程分為信息的收集、數據集成、數據處理、數據變換、數據挖掘實施等過程。
首先，要將業務對象確定下來，明確不同業務定義，并認清數據挖掘的目的，這是做好數據挖掘最關鍵的一步，也是最重要的一步，雖然挖掘的結果不能被準確預測到，但卻需要對問題的可預見性進行探索[5]。其次，還要做好數據準備工作，包含數據清理、數據變換等工作，數據清理的實際意義是將噪聲與空缺值補全，針對這一問題，可以使用平滑技術，而空缺值的處理則是屬性中最常見的，可以將統計中最可能出現的值作為一個空缺值[6]。
信息收集指的是按照特定的數據分析對象，可以將分析中需要的特征信息抽象出來，并在此基礎上選擇出較為科學、適合的信息收集方法，將全部的信息全部錄入到特定的數據庫中。如果數據量較大，則可以選擇一個專門的管理數據的倉庫，實現對信息的有效保護與管理；數據集成就是指將來源不同、格式不同、性質不同、特點不同的數據集成到一起，進而為企業提供更為全面、系統的數據共享平臺；數據變換就是通過聚集、概化、規范化等方式對數據進行挖掘，對于一些實用數據，則可以通過分層與分離方式實現對數據的轉換；數據挖掘就是結合數據倉庫中的數據信息點，并選擇正確的分析方法實現對有價值數據的挖掘，事例推理、規則推理、遺傳算法等都是應用較多的方法[7]。
三、統計學方法中的聚類分析
在統計學聚類方法基礎上能夠構建出潛在的概率分布假設，可以使用試圖優化的方法構建數據與統計模型的擬合效果。基于統計學聚類方法當中，Cobweb方法是在1987年由Fisher提出的，能夠以分類樹作為層次聚類創建的方法，在分類樹上，每一個節點都能代表著一個概念，該方法就是對節點概率描述的過程。Cobweb方法還使用了啟發式估算方式，使用分類效用對分類樹的構建進行指導，從而實現對最高分類的劃分目的，能夠將不同分類對象全部歸類到一個類別中，并依據這些內容創建出一個新的類別。但是這種方法也存在一定局限性，局限性在于假設的屬性概率分布都是獨立的，并不能始終處于成立狀態中。
只有在掌握了Cobweb算法以后才能對概念聚類算法的特點進行探究。Cobweb算法能夠以分類樹方式創建層次聚類，可以將概率表現為p（Ai=Vii/Ck）條件概率，其中，Ai=Vij是一個類別下的，同屬于一個值對，Ck是概念類中的一種。在給出一個特定的對象以后，Cobweb能夠將全部對象整合到一個節點上，從而計算出分類效應，分數最高的效用就是對象所在的節點位置[8]。如果對象構建失去節點，則Cobweb能夠給出一個新的節點，并對其進行分類使用，這種節點計算方法起步較晚，能夠對現有的節點與計算相互對比，從而劃分出最高的分類指標，將全部對象統一到已有的分類中，從而構建出一個新的類別。
Classitci是Cobw eb方法的一種延伸與發展，能夠使用其完成聚類數據的處理，在該方法下，節點中的每一個存儲屬性都是處于連續分布狀態中，能夠將其作為分類效果修正的方法，并以度量的形式表現出來，這種度量基礎上能夠實現連續性的積分，從而降低分散發生率，該方法是積分過程而不是對屬性的求和過程。
Auto Class方法也是一種應用較為普遍的聚類方法，該方法主要采用統計分析對結果類的數目進行估算，還可以通過模型搜索方式分析空間中各種分類的可能性，還能夠自動對模型數量與模型形態進行描述。在一定類別空間中，不同的類別內屬性存在關聯性，不同的類別間具有相互繼承性，在層次結構當中，共享模型參數是非常重要的。
還有一種使用較為普遍的模型是混合模型，混合模型在統計學聚類方法上使用也非常普遍。該方法最為基本的思想就是概率分布決定著每一種聚類狀態，并且模型中的每一個數據都是由多個概率在分布狀態下產生的。混合模型還能夠作為一種半參數密度評估方法，其能夠將參數估計與非參數估計的優點全部集中到一起，并將參數估計法與非參數估價法的諸多優點融合到一起，因為模型具有一定復雜性，為此，不能將其限制在概率密度函數表達形式上，這種復雜性決定了模型與求解存在關聯，與樣本集合的聯系非常少。通過以上的研究可以了解到，數據發掘中應用聚類方法非常有效，并且較為常見。比如，構建出Cobweb模型與混合模型，采用Clara與Clarans方法中的抽樣技術，將Denclue方法用在概率密度函數中。
結束語
統計學方法自產生開始已經有非常久遠的歷史，將嚴謹的數學邏輯作為基礎，將分類算法假定作為獨立條件，屬性值之前能夠相互保持獨立，對假定進行計算，當假定成立時，可以再與其他分類算法進行對比，這種分類算法準確性非常高。為此，其不僅能夠對連續值進行預測，還可以通過線性回歸方程對系數進行比較，從而歸納出結果。
（作者單位：中國人民大學）
參考文獻：
[1] 張愛菊.基于數據挖掘技術的瓦斯氣體紅外光譜定量分析方法的研究[J].光譜學與光譜分析，2013，33（10）：2646-2650.
[2] 許長福，李雄炎，譚鋒奇等.任務驅動數據挖掘方法的提出及在低阻油層識別中的應用[J].吉林大學學報（地球科學版），2012，42（1）：39-46.
[3] 鄭曉峰，王曙.基于粗糙集與關聯規則的道路運輸管理信息數據挖掘方法[J].華南理工大學學報（自然科學版），2014（2）：132-138.
[4] 周復之.固定收益決策支持系統機理建模與數據挖掘的協同研究[J].系統工程理論與實踐，2010，29（12）：38-45.
[5] 張繼福，張素蘭，蔣義勇等.基于約束概念格的天體光譜局部離群數據挖掘系統[J].光譜學與光譜分析，2011，29（2）：551-555.
[6] 張欣欣，繆弈洲，張月紅等.CrossRef文本和數據挖掘服務――《浙江大學學報（英文版）》的實踐[J].中國科技期刊研究，2015，26（6）：594-599.
《醫學科研方法》的主要內容包括醫學基本科研方法的講解、醫學文獻的閱讀、醫學科研論文的寫作等，可以使醫藥專業的學生了解醫學科研的基本方法和基本程序，開闊學生的視野，激發學生對醫學科學研究的興趣以及對專業的熱愛。為今后的就業和繼續深造做好鋪墊。
隨著高校人才培養模式的轉變，從原來的培養臨床醫生轉變到了培養全面的醫學創新人才。醫學創新型人才應有濃厚的創新意識、高尚的創新人格、豐富的創新知識、飽滿的創新精神、活躍的創新思維、高超的創新能力、科學的創新實踐[2-3]。為了適應這種轉變，很多醫學類院校都在研究生中開設了《醫學統計學》、《醫學科研方法》這兩門課程，以達到培養全面型人才的目的。近年來，逐漸在本科學生中也開設了這兩門課程。
在醫學科研相關內容的學習中，《醫學統計學》、《醫學科研方法》是相輔相成、相互促進的兩門課程[4-6]，但是我在教學中發現，我校的醫學類專業學生的課程設置中，有的專業兩門課程都學習了，有的專業只學習了一門課程，兩門課程都學習的專業中，有的設置在同一學期，有的設置在不同的學期。為了探討課程設置的最佳效果，我對這幾類班級做了調查。
一、對象與方法
1.1 研究對象
以2012級醫學本科本學期開設了《醫學統計學》的班級為研究對象，分成三大類，分別是在學習《醫學統計學》之前沒有學習過《醫學科研方法》的班級、在學習《醫學統計學》之前的某學期學習過《醫學科研方法》的班級、以及在學習《醫學統計學》的同時正在學習《醫學科研方法》的班級，在這三類中分別隨機選擇一個班級作為研究對象，稱為甲班、乙班和丙班，共208人。這三個班級所使用的《醫學統計學》和《醫學科研方法》的教材一致，授課學時、內容相同。
1.2 研究方法
采用問卷調查的方式，給研究對象發放調查問卷。
1.3 統計學處理
資料錄入和分析均采用SPSS17.0軟件，計數資料采用卡方檢驗的方法進行統計分析。
二、結果
2.1 調查問卷結果
在整個學期的教學結束以后，對所選三個班的同學進行問卷調查，結果見表1、表2。
三、討論
《醫學科研方法》這門課程主要的教學內容為：科研設計的基本概念、科研設計的三要素、科研設計的原則、科研設計的類型、動物實驗、醫學文獻的閱讀、醫學論文的寫作等。《醫學統計學》的主要教學內容為：醫學統計學的基本概念、數據的分類、t檢驗、方差分析、卡方檢驗、非參數檢驗等。
在本次調查中，上過《醫學科研方法》的班級對科研的興趣和了解比未上過《醫學科研方法》的班級要高，差別有統計學意義(P<0.05)，這說明醫學科研方法確實有開設的必要，能讓學生們在本科的學習階段對科研有所了解，為以后的深造打下基礎。
在內容上，醫學統計學中學生們會學習到的統計學方法，都是與醫學科研方法中學習到的科研設計類型相對應的，在沒有上過醫學科研方法課程的班級中，就需要教師額外給學生講解相對應的科研設計類型，并且還要給學生解釋統計在醫學中的應用，這就耗費了上課的時間，且很多學生在上課時簡單的講解中并不能很好的理解各種科研設計類型。如果兩門課程分開兩個學期進行教學，學生們對之前的內容就會有所遺忘，因此乙班和丙班兩個班級的大部分學生都覺得將兩門課程放在同一個學期教學能促進相互的理解，內容上顯得更加的連貫。
本次研究只是對《醫學統計學》和《醫學科研方法》這兩門課程在內容理解上的相互促進進行了初步的探索，為以后的學生培養方案的改革提供了一定的依據。但在任何課程的教學中，教學效果不僅僅是由培養方案中的課程開課順序決定的，對教學效果有影響的還有教學模式，要將好的教學模式與合理的培養方案結合起來，才能培養出具有實際運用能力的、全面發展的學生。
