（续）
关于平均抽样误差
这个概念很重要，与总体的方差成正比，与样本数的平方根成反比。容易解释但是推导不会。
样本平均数的分布服从 以总体均数为均数，平均抽样误差为方差的分布。我们将样本均数计算Z统计量，它就服从一个正太分布，用样本的方差代替总体方差，样本量已知，样本均数已知，在一定的概率度的情况下，我们就能反推总体均数的区间估计。
关于方差分析
对于一个分类变量和一个连续变量，如果分类变量是两分类的，我们用t检验，比较特殊的就是配对数据的t检验（能够消除很多因素的影响），还有一种的t检验就是没有分类变量，直接是连续变量与某一数值比较。
当分类变量是多分类的时候，用方差分析，统计量是 组间平方和/组内平方和，我们的原假设是组间无差异，均值相等，统计量越小，P值就越大。
不管是t检验还是方差分析，正态性检验都是必须的，这个功能在SPSS中是在描述性统计-探索中，而不是在比较均值，方差分析那块，这也能看出数据分析正态性的重要性。
满足正态性的前提下，对方差齐性的要求倒是不太严格 ，所以一般都有方差齐性或者不齐性的结果。比较均值，假定方差齐性一般用LSD，比较好看的结果界面还是SNK发，假定方差不齐一般用T2法（老罗的T2吗 哈哈）
对於单因素的方差分析，实际上就是在两分类数据中多了一个或者多个水平，所以在SPSS中，单因素方差分析和t检验在一起。
多因素的方差分析，协方差分析，因素之间的交互了解，但是没有深入研究过。
关于回归分析
数据的分类里面，分类数据，定序数据，和定量数据，他们能够提供的有价值的信息越来越多。一个分类数据和一个连续性数据我们用方差分析或者t检验，如果是两个定量数据，这样的数据我们就更喜欢了。方差分析只能表示总体有无差异，差异多大。而回归分析直接能计算两个变量的相关程度，由一个变量去预测另一个变量。
相关系数一般分0.8 0.5 0.3 这几个区间。一般在0.5~0.8区间就很不错了。
我们常研究的线性相关分析，计算皮尔逊相关系数。曲线，时间序列这个都不了解。
对于回归分析里面，异常值处理，残差检验，以及回归分析里面统计量计算，有点类似于方差分析的统计量计算，理解的还不透彻，还需要继续研究。
关于自由度
不是太理解：已知样本均值，样本量为n，自由度为n-1
虚拟变量
如果回归分析里面一定要加入分类变量，就用虚拟变量替代，n个分类，虚拟变量就是n-1
如果自变量连续变量，因变量是分类变量，就用logistic分析（还没有研究过）
(完）