1 定义与基本性质
1.1 统计量的定义
统计量是由样本数据经过计算、整理或变换得到的量，用于概括样本的主要特征，或为对总体作出推断提供依据。它可以是一个数值，也可以是多个数值组成的指标集合。常见的统计量包括均值、方差、相关系数、检验统计量等。
从形式上看，统计量只依赖于样本本身，不直接包含未知总体参数。它通常用于描述数据的中心位置、波动程度、分布形态或变量之间的关系。
1.2 样本与总体的关系
统计量建立在样本与总体关系之上。总体是研究对象的全部个体，样本则是从总体中抽取的一部分观测值。由于总体往往规模过大或无法全面调查，统计量便成为从样本信息反推总体特征的重要工具。
样本统计量既可直接反映样本特征，也可在一定条件下近似总体特征。例如，样本均值可用来估计总体均值，样本方差可用于刻画总体离散程度。
1.3 统计量与参数的区别
统计量和参数是统计学中的两个核心概念。参数是描述总体特征的固定未知量，例如总体均值、总体方差；统计量则是由样本计算得到的量，其数值会随样本变化而变化。
二者的区别在于，参数属于总体，通常不可直接观测；统计量属于样本，可以实际计算。统计推断的过程，往往就是借助统计量去估计参数或检验关于参数的假设。
1.4 统计量的函数形式
统计量本质上可看作样本观测值的函数。设样本为若干观测值，则统计量可以表示为这些数据的某种组合运算，如求和、平均、排序、比值或矩阵运算。不同的函数形式对应不同的分析目的。
统计量的函数形式决定了它对样本信息的提取方式。某些统计量强调总体水平，某些强调波动情况，还有一些专门用于比较多个样本之间的差异。
1.4.1 单样本统计量
单样本统计量只基于一个样本计算，例如样本均值、样本中位数、样本方差和样本偏度等。它们主要用于描述单个样本的分布特征。
这类统计量在实践中最为常见，适用于数据汇总、异常值识别和基本推断分析。
1.4.2 多样本统计量
多样本统计量基于两个或多个样本计算，用于比较不同组别之间的差异、联系或一致性。例如两组均值差、方差比、相关系数和回归系数等都属于此类。
多样本统计量常见于实验研究、对照分析和模型比较，能够反映样本之间的关系结构。
1.5 统计量的可计算性与可重复性
统计量通常具有可计算性，即只要样本数据明确，就能通过确定的公式或算法得到结果。这种确定性使其便于复核和比较。
可重复性则指在相同数据与相同计算规则下，统计量应得到一致结果。对于标准化定义明确的统计量而言，这一点尤为重要，也是统计分析能够被验证和传播的基础。
2 统计量的分类
2.1 描述性统计量
描述性统计量用于概括数据的基本特征，强调“看懂数据”而非立即作出推断。它们多用于数据整理、特征提炼和初步分析。
2.1.1 集中趋势统计量
集中趋势统计量用来反映数据的典型水平，常见形式包括均值、中位数和众数。它们分别从算术平均、位置中点和最常出现的数值三个角度概括数据。
2.1.2 离散程度统计量
离散程度统计量用于描述数据围绕中心的分散程度，如方差、标准差、极差和四分位距。离散程度越大，说明数据波动越明显。
2.1.3 位置统计量
位置统计量关注数据在排序后的相对位置，典型代表有分位数、四分位数和百分位数。它们适合用于判断某个观测值在整体中的位置层次。
2.2 推断统计量
推断统计量用于根据样本对总体参数或总体关系进行估计与检验。它通常与概率分布、抽样理论和置信判断相结合。
2.2.1 估计量
估计量是用于估计未知参数的统计量，例如样本均值可作为总体均值的估计量，样本比例可用于估计总体比例。估计量的优劣通常从偏差、方差和一致性等方面评价。
2.2.2 检验统计量
检验统计量用于构造假设检验的判别依据，如t统计量、z统计量、卡方统计量和F统计量。它们通过与理论分布比较，辅助判断原假设是否成立。
2.2.3 区间统计量
区间统计量常用于构建置信区间，通过样本信息给出参数可能落入的范围。与点估计相比，它更强调估计的不确定性。
2.3 相关与关联统计量
相关与关联统计量用于描述变量之间的联系强度与方向，常见于多变量分析和探索性数据分析。
2.3.1 相关系数
相关系数衡量两个变量之间线性关系的方向和强度，取值通常介于-1与1之间。其绝对值越大，线性关联越强。
2.3.2 协方差
协方差反映两个变量共同变化的方向。正协方差表示同向变化较多，负协方差表示反向变化较多，但其数值受量纲影响，解释时需结合标准化指标。
2.3.3 一致性与相关强度指标
一致性与相关强度指标用于评价多个测量结果是否接近，或变量关系是否稳定。例如，在重复测量和评分一致性分析中，这类指标具有重要意义。
2.4 回归与模型统计量
回归与模型统计量用于描述模型参数、拟合优度和误差结构，常见于回归分析和预测建模。
2.4.1 回归系数
回归系数表示自变量变化对因变量的影响方向和幅度。在线性回归中，它体现解释变量每变化一个单位时，响应变量的平均变化。
2.4.2 决定系数
决定系数用于衡量模型对数据变异的解释程度。数值越高，通常表示模型对样本数据的拟合越充分，但并不等同于模型在新数据上的表现。
2.4.3 残差统计量
残差统计量用于分析观测值与模型预测值之间的差异，常见有残差均值、残差平方和和标准化残差等。它们是评估模型是否合理的重要依据。
3 常见统计量
3.1 均值
均值是最常用的集中趋势统计量，表示数据的平均水平。它在数值型数据分析中具有基础地位。
3.1.1 算术平均数
算术平均数是将所有观测值相加后除以观测个数得到的结果。它计算简单，适合分布较对称、异常值较少的数据。
3.1.2 加权平均数
加权平均数在计算时赋予不同观测值不同权重，适用于重要性不等或频次不同的情形。例如，按学分计算成绩时常采用加权平均。
3.2 中位数
中位数是将数据排序后位于中间位置的数值，能够反映数据的典型水平。它对极端值不太敏感，因此在偏态分布中很有用。
3.2.1 分组数据中位数
当数据经过分组整理后，可依据累计频数所在组估计中位数。该方法常用于频数表和区间数据分析。
3.2.2 鲁棒性特点
中位数具有较强的鲁棒性，即面对异常值或偏态分布时仍能保持较稳定的代表性。这使它在收入、房价等数据分析中较受重视。
3.3 众数
众数是数据中出现次数最多的数值或类别。它适合离散型和分类数据，也可用于识别样本中最常见的取值。
在多峰分布中，众数可能不止一个；若所有数值出现频率相同，则可能不存在明确众数。
3.4 方差与标准差
方差和标准差用于衡量数据的离散程度，是描述波动最常见的两个统计量。
3.4.1 样本方差
样本方差是各观测值与样本均值偏差平方的平均量。它通过平方处理放大偏离程度，便于分析整体波动。
3.4.2 样本标准差
样本标准差是样本方差的平方根，单位与原始数据一致，因此更便于直观解释。它常用于比较不同数据集的波动大小。
3.5 极差与四分位距
极差与四分位距都属于离散程度统计量，但对异常值的敏感程度不同。
3.5.1 最大值与最小值
最大值与最小值分别表示样本中的上界和下界，二者之差即为极差。极差可以快速反映数据跨度，但容易受到极端值影响。
3.5.2 四分位差
四分位差通常指上四分位数与下四分位数之差，也称四分位距。它主要反映中间50%数据的分散程度，因而比极差更稳健。
3.6 偏度与峰度
偏度和峰度用于刻画分布形态，是描述数据结构的重要统计量。
3.6.1 偏度的解释
偏度衡量分布是否左右对称。正偏度通常表示右侧尾部较长，负偏度则表示左侧尾部较长。
3.6.2 峰度的解释
峰度反映分布的尖峭程度和尾部厚度。峰度较高时，数据可能更集中于中心且尾部更厚；峰度较低时，分布通常较平缓。
4 统计量的性质
4.1 无偏性
无偏性指统计量的期望值等于所估计的总体参数。具有无偏性的估计量在长期重复抽样中平均不会系统性偏高或偏低。
4.2 一致性
一致性表示随着样本量增大，统计量逐渐接近真实参数。它强调大样本下估计结果的稳定收敛能力。
4.3 有效性
有效性通常用于比较多个估计量的精度。在无偏估计量中，方差更小者往往被认为更有效。
4.4 充分性
充分性指统计量能够完整保留与参数有关的信息。若某统计量对参数而言是充分的，则在给定该统计量后，样本中其余信息不再提供额外参数信息。
4.5 鲁棒性
鲁棒性表示统计量对异常值、偏态分布或轻微模型违背不敏感。中位数、四分位距等常被视为较具鲁棒性的统计量。
4.6 渐近性质
渐近性质关注样本量趋于增大时统计量的表现，是大样本统计的重要内容。
4.6.1 渐近无偏
渐近无偏指统计量在样本量增大时，其偏差趋近于零。即使小样本下略有偏差，也可能在大样本中逐步消失。
4.6.2 渐近正态
渐近正态表示统计量在适当标准化后，随着样本量增大，其分布趋近于正态分布。该性质为区间估计和检验理论提供了基础。
5 统计量在推断中的应用
5.1 参数估计
参数估计是利用统计量推测总体参数的过程，是统计推断的核心任务之一。
5.1.1 点估计
点估计使用一个具体数值估计未知参数，如用样本均值估计总体均值。它简洁直接，但无法体现不确定性。
5.1.2 矩估计
矩估计通过令样本矩与总体矩对应相等来求取参数。该方法思路清晰，便于构造，但不一定总具有最佳效率。
5.1.3 极大似然估计
极大似然估计选择使当前样本出现概率最大的参数值。它在许多模型中性质良好，且便于与现代统计建模结合。
5.2 假设检验
假设检验借助统计量判断样本是否与某个假设相符，是推断分析的重要环节。
5.2.1 t统计量
t统计量常用于总体方差未知且样本量较小的均值检验。它与t分布相联系，适用于单样本、配对样本和两独立样本分析。
5.2.2 z统计量
z统计量多用于总体方差已知或样本量较大的情形。它常与标准正态分布一起用于均值和比例的检验。
5.2.3 卡方统计量
卡方统计量主要用于分类数据、方差检验和拟合优度检验。它以偏差平方除以期望值的形式汇总差异程度。
5.2.4 F统计量
F统计量常见于方差分析和回归模型比较，通常体现两个方差估计量的比值。它可用于判断组间差异是否显著。
5.3 置信区间构建
置信区间利用统计量和抽样分布，为总体参数给出一个可能范围。与单一估计值相比，它能更好地表达估计的不确定性。
置信区间的宽窄与样本量、数据波动和置信水平有关。样本越大，区间通常越窄；要求的置信度越高，区间往往越宽。
5.4 抽样分布
抽样分布描述统计量在重复抽样下的可能取值及其概率结构，是推断理论的基础。
5.4.1 统计量的分布
统计量本身也有分布。相同总体下重复抽样时，统计量会因样本不同而变化，其分布用于评估估计与检验的性质。
5.4.2 中心极限定理的作用
中心极限定理说明，在一定条件下，样本均值等统计量在样本量足够大时近似服从正态分布。该结果极大简化了许多推断问题。
6 统计量与数据类型
6.1 定量数据统计量
定量数据具有数值大小和可计算意义，常用统计量包括均值、方差、标准差、分位数和相关系数等。这类数据最适合进行数值分析。
6.2 定性数据统计量
定性数据用于表示类别、属性或标签，常用统计量有频数、比例、构成比和众数。分析时通常强调类别分布及其比较。
6.3 离散型数据统计量
离散型数据取值可数，常见于计数资料。适用统计量包括频数分布、平均计数、方差以及离散程度指标。
6.4 连续型数据统计量
连续型数据在某个区间内可取无限多个值，适合使用均值、标准差、分位数和分布形状统计量。它们在测量、物理和生物数据中较常见。
6.5 有序数据与无序数据的适用性
有序数据具有排序关系，适合使用中位数、分位数和秩相关统计量；无序数据仅表示类别差异，通常使用频数、比例和卡方类统计量。选择统计量时，应与数据尺度相匹配。
7 统计量的计算与表示
7.1 手工计算方法
手工计算常通过列出原始数据、排序、求和、求差和代入公式完成。它适合小样本教学、核对结果和理解统计量的含义。
7.2 表格与分组数据计算
当数据量较大时，常先整理成频数表或分组表，再据此计算均值、方差和中位数等。此法提高了处理效率，但会带来一定近似误差。
7.3 软件计算方法
现代统计分析多依赖软件完成统计量计算，速度快且便于处理复杂数据结构。
7.3.1 电子表格工具
电子表格工具操作直观，适合常规统计量的快速求解，如平均值、标准差和相关系数。其优点是上手容易，适合日常办公场景。
7.3.2 统计软件
统计软件通常提供更完整的分析流程，包括描述统计、回归建模、检验和可视化。它们适合专业研究和批量处理。
7.3.3 编程语言实现
编程语言实现具有灵活性强、可重复执行和便于自动化的特点。通过函数与脚本，用户可对不同数据集统一计算统计量。
7.4 统计量的可视化辅助
可视化有助于直观理解统计量及其含义，常与数值结果配合使用。
7.4.1 箱线图
箱线图以中位数、四分位数和极端值为核心，能够快速展示数据中心、离散程度和异常值情况。
7.4.2 直方图
直方图用于显示数据频数分布形态，便于观察偏态、峰态和集中区域。它常与均值和标准差一起解释。
7.4.3 散点图
散点图适合展示两个变量之间的关系，可直观看到相关方向、线性趋势和离群点。它常用于相关统计量和回归分析的辅助判断。
8 统计量的应用领域
8.1 社会科学分析
在社会科学中，统计量常用于问卷调查、人口研究和行为数据分析。均值、比例、相关系数和回归系数等指标，能够帮助研究者概括群体特征与变量关系。
8.2 医学与公共卫生
医学和公共卫生领域常使用统计量评估实验结果、疾病发生情况和干预效果。常见做法包括比较均值差异、计算发病率和分析风险指标。
8.3 工程质量控制
工程质量控制中，统计量用于监测产品尺寸、缺陷率和过程波动。通过控制图、标准差和过程能力相关统计量，可以及时发现异常。
8.4 金融与经济分析
金融与经济分析中，统计量用于衡量收益波动、价格趋势和相关关系。均值、方差、协方差和回归统计量常用于风险评估与资产比较。
8.5 机器学习与数据挖掘
在机器学习与数据挖掘中，统计量用于特征概括、模型评估和误差分析。训练集与测试集上的统计指标常被用来衡量模型表现与泛化能力。
9 相关概念
9.1 统计指标
统计指标是对数据特征进行概括和度量的广义术语，统计量可视为其中一类。二者在实际使用中常有交叉，但统计量更强调由样本计算得到。
9.2 变量与观测值
变量是研究对象的属性或特征，观测值是变量在具体个体上的取值。统计量正是基于这些观测值汇总而成。
9.3 分布与分布参数
分布描述数据取值的整体规律，分布参数则是刻画该规律的固定数值。统计量常被用来估计这些参数。
9.4 误差与偏差
误差是估计值或测量值与真实值之间的差异，偏差则更强调系统性偏离。统计量的设计与评价，往往需要同时考虑二者。
9.5 估计误差与抽样误差
估计误差是估计结果与目标参数之间的偏离，抽样误差则源于样本未能完全代表总体。统计量的推断意义，很大程度上取决于对这两类误差的理解与控制。