如果你對數據分析感興趣，希望學習更多的方法論，希望聽聽經驗分享，

歡迎移步寶藏公衆号「小火龍說數據」，無廣告、無軟文、純幹貨，更多精彩原創文章與你分享！

從起源角度來看，數據分析是「統計學」與「計算機」的交叉學科，統計知識應用其中；從工作角度來看，應用統計學知識，可以更為科學的度量數據對業務的價值。

因此，作為數據分析同學，掌握基礎的統計學知識是非常有必要的。下面，小火龍為大家總結了「工作中常用的10種統計學方法」。

描述性統計，通過概括性的數學方法及圖表方式，描述業務數據及其分布現狀，在工作中是最為常用的。

涵蓋内容如下：

工作中主要應用場景如下：

假設檢驗，用于判斷樣本與樣本、樣本與總體之間的差異，是由抽樣誤差所導緻的，還是由于本身就存在差異。其中主要涵蓋「參數檢驗」和「非參數檢驗」，兩者的概念如下：

參數檢驗：假設數據服從某一分布（一般為正态分布），通過樣本參數的估計量對總體參數進行檢驗。

非參數檢驗：不考慮總體分布形式，直接對數據的分布進行檢驗。

涵蓋内容如下：

工作中主要應用場景如下：

列聯表分析，用于判斷離散型變量之間是否存在明顯的相關性。例如：績效的等級與性别是否存在相關性。

涵蓋内容如下：

工作中主要應用場景如下：

相關分析，用于判斷現象之間的某種關聯關系以及關聯程度，例如：正相關、負相關，在探索性分析中應用較為頻繁。

涵蓋内容如下：

工作中主要應用場景如下：

方差分析（又稱F檢驗），用于度量兩個及兩個以上樣本均值差異的顯著性檢驗。

涵蓋内容如下：

回歸分析，用于日常指标的拟合，以及對于未來趨勢的預測，在工作中應用較為廣泛。

涵蓋内容如下：

工作中主要應用場景如下：

聚類分析，用于将用戶/内容，在沒有先驗性指引的情況下，分門别類的進行劃分。

涵蓋内容如下：

工作中主要應用場景如下：

判别分析（分類問題），通過研究對象的特征判斷所屬的類别。與聚類分析的差異在于，聚類分析在分析前，不知道類别有幾類以及是什麼，而判别分析是在總體類别已知的情況下，對新樣本判斷所屬群體。

涵蓋内容如下：

工作中主要應用場景如下：

主成分分析（Principal Component Analysis，PCA），是将一組可能的相關性變量，轉化成為一組線性不相關的變量，轉化後的這組變量叫做主成分。

主成分分析最大的作用在于「降維」，也可用于「探索變量之間的關系」。簡單解釋一下，在搭建模型過程中，往往會選擇諸多變量作為特征，而這些變量之間也往往存在着相關性，這會引起「多重共線性問題」。因此，需要一種方式，将這些變量轉化為相對獨立且盡可能多的涵蓋原始變量的信息，主成分則是其中的一種方式，将原始變量轉化為幾個相互無關的新變量。

掃盲 - 多重共線性問題 自變量（特征）之間由于存在相關關系，從而使得模型估計失真 （結果不穩定，例如：随機森林特征貢獻度，多次運行出來的結果差異較大）。

因子分析的作用同主成分分析一樣，同樣是為了「降維」。原理是在多自變量之間，尋找潛在的因子，相似變量歸為一個因子，通過因子替代原有的自變量。

與主成分分析相同之處：起到清理原始自變量中内在關系的作用。

與主成分分析不同之處：主成分分析重在歸總變量的信息，而因子分析重在解釋變量的信息，主成分分析是因子分析的子集。

以上10種統計學方法在工作中較為常見，但方式不止于此，還包括：信度分析、生存分析、多重響應分析、距離分析等。有待你在工作中不斷探索、發掘場景，并将知識應用其中。

以上就是本期的内容分享

如果你也對數據分析感興趣，那就來關注我吧，更多「原創」文章，與你分享！！

小火龍說數據