关于本课程

本课程是农学院2022-2023学年秋冬学期生物统计与试验设计课程，课程号16121032，教师是卢运海和徐海明，课程较难，这里整理了我之前的手写笔记，仅供参考。

历年卷也在98发布了，点击此处前往。

各章节要点梳理

第1章

chapter1.1

chapter1主要还是打基础为主，就是概统相关知识，掌握群体、样本、均值、方差、协方差、常见分布（特别是正态）、中心极限定理等即可。 考试不会直接考，但是要理解概念。

chapter1.2科学试验和误差控制

感觉每次考试都会考到，无论是出现在一整个大题（比如第一题基本概念），还是出现在各大题的前一两小题或者最后一两小题 考前一定要把英文内容阅读一遍并且在旁边备注，考试期间没时间看的 * 试验设计的基本思路和步骤（这次就考到了 * 数量性状和质量性状（为后面打基础） * 试验误差的来源 * 试验误差的分类 * 控制试验误差的三种方法 * 田间试验特点、误差来源、控制误差方法、改进方法 * 常规试验设计方法（对比、间比） * 随机试验设计（完全随机、随机区组、Latin Square等，为后面打基础）

第2章

chapter2.1_note_Fundamental of Mathematical Statistics1

课件写得十分详细，卢老师也讲得十分详细，主要还是打基础，超级基础的概统 考试直接考的也不多，关注基本概念、方差的计算、自由度、正态分布、抽样分布，特别是正态分布和抽样分布 （文件过大，我就删了一些讲得太基础的part，留了一些有笔记的）

chapter2.2_note_Fundamental of Mathematical Statistics2

我感觉是chapter2中最重要的一个section，特别多检测方法和基本概念在这里提到了，并且考试极可能会出题（这次就出了）

  • H0和HA、小样本和大样本(n>30)、正态分布u测验和t分布t检验、一尾两尾测验、接受区否定区
  • 假设检验的两种错误、统计功效（考了）
  • 成组数据平均数比较（sigma都已知、小样本sigma未知、sigma未知且不等）
  • 成对数据比较（以及与成组数据的区别）
  • 单样本概率与理论值比较
  • 两个样本频率比较
  • 参数区间估计（置信限，这次考了）与假设检验
  • ANOVA基本原理（打基础）、组间组内变异、自由度平方和分解
  • F分布和F test检验变异（这次考了）

chapter2.3_note_Fundamental of Mathematical Statistics3

这个section也很重要，主要包括卡方测验、一个样本与总体方差比较、3个以上方差的同质性检验、适合度测验； 还有历年曾经考过的独立性测验（2x2独立性测验，2xC独立性测验等）； 参数估计方法（重点关注最小二乘法和最大似然法）

第3章

chapter3.1_note_Matrix Theory

超级基础的线代内容，关注矩阵的转置、rank、trace等基本概念 还有广义逆、射影矩阵、随机矩阵、quadratic form（为后面打基础）

chapter3.2_note_Principles of Simple Regression Analysis

非常重要的回归分析以及方差原理的基础部分，重点是理解各个parameter的概念和计算方法 是每次几乎必考的chapter4的基础 * regression model的表达式正确写法，参数、自变量、随机变量区分 * Y的期望方差，b0和b1的分布及估计 * 经过原点或不经过原点的SCP/SSx/SSTO/SSR/SSE/R方/Radj方/rho/MSE计算方法（考了） * F-test检验模型线性、t-test检验各个参数以及区间估计（考了） * Jackknife resampling方法要留个印象（MLM中会用到）

第4章

chapter4_note_Methods of Multi-variable Regression Analysis

考试热点、重难点，应该每次都有一个大题=。= 并且是后面各种模型分析思路的基础（包括MLM）

  • 多元线性回归模型表达、矩阵表达、参数自变量随机变量、Y分布（这次考了）
  • 平方和分解，不用多说了，SSTO/SSR/SSE/MSR/MSE/E(MS)（这次考了）
  • 方差分析表，自由度、F-test检验全模型线性度（这次考了）
  • R方、Radj方计算方法及实际意义
  • bi的显著性检验，广义线性检验，K、b、m矩阵形式（这次考了）
  • 各参数的区间估计（这次考了）
  • 过原点模型的区别之处（注意自由度以及SS是否使用均值校正了）（这次考了）
  • SSR的分组分解，F-test检验参数，部分决定系数（这次考了）
  • 三种筛选自变量的方法

第5章

chapter5_note_other multiple regression and non-linear regression

是简单线性回归的延伸，同时也为之后的析因设计等打下基础，因为交互效应就需要多项式回归模型分析 考试直接出题应该不多，主要掌握dummy variable的概念（为啥要用dummy variable，作用是啥，调整截距/斜率的用法），分段回归模型、非线性回归模型（与内蕴线性回归模型相区分；使用SAS的NLIN模块）

第6章

chapter6_note_The analysis of variance and randomized block design

我感觉chapter6/7/8/9需要综合起来理解，考试也是必考的 * 平衡数据和非平衡数据区别、Type I SS以及Type III SS区别及联系 * Fixed Model和Random Model的区别，特别是方差分析表上EMS的差异以及检验参数时的H0/HA * 多重比较alpha_pc和alpha_ew值之间的关系以及实际意义 * 多重比较的方法LSD、Tukey等，以及如何分析grouping的结果 * 完全随机区组设计思路、优缺点，模型、方差分析表 * Latin Squares Design的思路，有replication和没有的区别，模型表达、方差分析

关键是理解到位，考试不会考到一模一样的实验例子，但是有些会长得很像，因此把握思路更重要

第7&8&9章

考试必考点，与chapter6重复的点就不再强调了 * 突出互作效应，互作效应加入后SS、EMS怎么求，互作效应是否显著怎么下推断 * 将某个效应正交分解成线性、二次性、三次性等关系，如何设置dummy variable * 何时使用nested design、引入协变量 * 在Fixed/Random/Mixed model条件下，各种SSA、SSB、SSAB怎么计算，各种EMS怎么计算，特别是F-test的时候的分母以及自由度

第10章

考试必考一题，通常最后一题（我感觉 * MLM的通式，特别是各个效应向量以及系数矩阵 * 常用的随机效应分布假设，模型中需要分析的参数 * 估计随机效应分量的方法（Henderson III method、ML method、REML method、MINQUE），掌握表达式以及假设 * Henderson III method的优缺点，ML与REML的区别，REML与MINQUE的区别 * 随机效应值的预测方法及公式，BLUP/LUP/AUP * 估计固定效应的公式：BLUE，包括GLS和OLS * 检验方差显著性方法：渐进多元正态分布、Jackknife resampling

文件列表