《Python全系列》
本阶段内容围绕scipy.stats和statsmodels包的相关功能展开,从统计分析实战的角度出发详细介绍了如何在Python中完成数据描述、t检验、单因素方差分析、卡方检验、相关回归等统计分析操作。
通过本课程的学习,可以将深入学习如何正确考察这些方法的适用条件,正确选择所需的方法加以应用,从而既满足了相关统计分析功能的需求,又为进一步学习statsmodels包中的复杂建模功能打下坚实的基础。
第一章:Python统计分析 |
01_假设检验介绍 |
02_假设检验原理 |
03_假设检验步骤 |
04_I类与II类错误 |
05_假设检验注意事项 |
06_单样本t检验 |
07_python实现单样本t检验 |
08_两样本t检验 |
09_scipy实现两样本t检验 |
10_statsmodels实现两样本t检验 |
11_独立性考察 |
12_正态性考察 |
13_正态性假设性考察方法 |
14_python考察正态分布情况 |
15_非正态时的应对策略 |
16_方差齐性考察 |
17_Python考察方差齐性 |
18_单因素方差分析介绍 |
19_单因素方差分析原理与步骤 |
20_python实现单因素方差分析 |
21_两两比较需要解决的问题 |
22_python实现两两比较 |
23_非参数检验介绍 |
24_非参数检验的基本原理 |
25_独立样本比较的非参数方法 |
26_python实现独立样本非参数方法 |
27_配对样本非参数方法mp4 |
28_python实现配对样本非参数方法 |
29_秩变换分析的原理 |
30_python使用秩变换分析 |
31_卡方检验 |
32_scipy实现卡方检验 |
33_statsmodels实现卡方检验 |
34_卡方检验两两比较 |
35_卡方校验确切概率法 |
36_配对卡方检验 |
37_二项分布介绍 |
38_Python实现二项分布检验 |
39_相关分析概率 |
40_相关分析的计算原理 |
41_python实现相关分析mp4 |
42_RR与OR的介绍 |
43_Python实现RR与OR值 |
44_线性回归介绍 |
45_线性回归模型概述 |
46_线性回归的实用条件 |
47_线性回归模型的建模步骤 |
48_scipy实现线性回归 |
49_statsmodels实现线性回归 |
50_statsmodels多组自变量线性回归 |
51_为什么学习样本量估计 |
52_样本量的计算原理 |
53_t检验的样本量估计 |
54_多组样本量估计 |
55_率的比较的样本量估计 |
另附各章节课程资料