教学课程资源库 更多>>

摘要： ~~

关键词： 慕课   统计学   统计分析   现状   对策  

摘要： 伴随着国家政策对慕课发展的支持,慕课在我国教育领域广泛流行并受到极大重视,同时,在大数据时代背景下,作为一门处理和分析数据的科学,统计学受到了广泛关注。在统计学亟需进一步发展,以及慕课在我国教育领域广泛流行的现状下,更充分、有效地发挥统计类慕课的作用,需要我们首先从慕课的供给与需求等多个角度了解统计类慕课应用与需求的现状,以更好地建设统计类慕课,因此统计类慕课的建设现状的分析与研究十分重要。 本文首先通过网络爬虫方法在中国大学MOOC平台采集统计类慕课的数据资料,利用描述统计法对统计类慕课的专业与高校分布、师资与课程资源、开课情况、课程评价情况进行分析,了解我国统计类慕课的开展现状。之后,针对课程评论数据进行主题挖掘及情感分析,利用回归模型和分类模型分析课程关注度及差评率的影响因素,以研究学习者对统计类慕课的需求特征。最后,以我国统计类慕课的建设情况和学习者对课程的需求特征为切入点,剖析我国统计类慕课在建设过程中存在的问题,并提出统计类慕课建设的优化策略。 根据对我国统计类慕课的开展现状的分析与研究,得到以下结论:教师整体资质较优,师资结构合理;开课时间与线下传统课程有较高吻合度;课程整体建设情况良好,得到学习者的较好评价。但同时,数据分析表明统计类慕课所涉及专业类别的广度不够;师资力量仍需加大投入;课程内容和设计需进一步完善;高质量的精品课程比例较小,统计类慕课的受欢迎程度还需进一步提升;学习者评价参与度不够。 通过深入分析我国统计类慕课存在的具体问题,提出了相应的建议:(1)精心设计课程内容;(2)合理安排实践环节;(3)引入多种师生互动方式;(4)优化课程时间安排;(5)增加开课次数并保持课程内容的开放状态;(6)降低较高难度课程的学习门槛;(7)重视课程考核体系;(8)丰富教师团队并明确分工;(9)提升教师讲解质量并加强视频后期制作;(10)提供丰富的参考资源;(11)课程需不断优化迭代升级;(12)提升统计类慕课应用的广度;(13)多方位提升课程的受欢迎程度。

关键词： 实践式项目   统计学   教学改革  

摘要： 在信息化时代，学生获取知识的方式在很大程度上减少了对课堂的依赖。统计学在高校经济管理类专业中的重要性日益显现。为了适应社会发展，培养高素质的复合型、应用型人才，高校有必要将实践项目引入教学中，以充分发挥统计学课程的作用。通过教学实例，详细阐述实践式项目教学的过程，并提出统计学课程教学改革的思路与建议，包括了解学情、优化教学管理、设置实践操作课程、统筹安排理论及实践课时、以赛促学、为师生提供参与科研实践的平台和机会、加强师资队伍建设、加强校企合作、强化过程考核等，以促进统计学课程教学的开展。

摘要： 按照GB/T 3358.1～3-2009《统计学术语》的有关规定,统计学符号一律采用斜体排印。常用:（1）样本的算术平均数用英文小写■或mean （中位数英文叙述中用M或median）;（2）标准差用英文小写s或大写SD （限英文文献中）;（3）标准误用英文小写■或大写SE（限英文文献中）;（4）t检验用英文小写t;（5） F检验用英文大写F;（6）卡方检验用希文小写χ2;（7）相关系数用英文小写r;（8）自由度用希文小写v或df（限英文文献中）;（9）概率用英文大写P （P值前应给出具体检验值,如t值、χ2值、q值等）。

摘要： 按照GB/T 3358.1～3-2009《统计学术语》的有关规定,统计学符号一律采用斜体排印。常用:(1)样本的算术平均数用英文小写■或mean (中位数英文叙述中用M或median);(2)标准差用英文小写s或大写SD(限英文文献中);(3)标准误用英文小写■或大写SE(限英文文献中);(4)t检验用英文小写t;

关键词： 统计学   主成分分析   线性判别分析   稀疏线性组合  

摘要： 本文研究了高维情形下基于e0惩罚的稀疏主成分分析与稀疏线性判别分析.主成分分析和线性判别分析是常用的统计线性降维工具，在生物学、工程学和社会科学等各个领域中得到了广泛的应用.然而，当数据的维数逐渐增加，尤其是当维数超过观测值的数目时，这两种方法的效果会大大减弱.这是由于高维数据的协差阵可能是奇异的，常规算法在准确性上有所欠缺，最终导致不相合的估计结果.此外，它们都是原始变量的非稀疏线性组合，在高维情况中往往缺乏解释性.　　为了解决上述估计结果的相合性以及可解释性问题，本文引入了稀疏主成分分析算法和稀疏线性判别分析算法，即考虑原始变量的稀疏线性组合.在这种情况下，主成分和判别向量的载荷中绝大部分都是0，这极大地增加了估计结果的可解释性.然而，现有的绝大多数算法都是基于e1或者e2惩罚，这不可避免地会造成了一些信息损失.本文通过直接求解基于e0惩罚的优化问题来得到稀疏的主成分和判别向量.　　本文基于e0惩罚与增广拉格朗日法相结合，提出了一个新的稀疏正交的主成分分析算法和稀疏线性判别分析算法.在稀疏主成分算法中，本文所提出的方法不仅保留了主成分载荷矩阵的正交约束，而且可以同时计算多个主成分，从而极大地提高了估计精度.在理论研究中，本文给出了估计量的极小极大化下界和上界.在稀疏线性判别算法中，我们使用组间方差矩阵的一个正定估计来解决矩阵奇异的问题，然后开发了一个高效的算法来计算稀疏判别向量.最后的数值模拟以及实际数据应用表明，我们所提出的方法可以得到更小的估计误差从而优于一些现有的方法.

关键词： 土壤有机质   克里格插值   空间自相关   农村土地整治   农田  

摘要： [目的]土壤指标是耕地质量分等的依据，其空间异质性和空间自相关性对土地整治分区，以及土地平整工程中的表土剥离、移土培肥和土壤改良等关键技术的实施都具有重要作用。[方法]文章以渝西丘陵区的典型基本农田建设区为研究区，综合运用地统计学与Kriging插值法研究0～20cm、20～40cm和40～60 cm土层土壤有机质（SOM）的空间异质性，结合全局和局部空间自相关分析法分析各土层SOM的空间自相关性，并基于LISA聚类图进行SOM分区，进而提出土地整治的应用建议。[结果]（1）研究区3层SOM平均含量处于全国第二次土壤普查土壤养分分级标准的4级，为中等水平。（2） 20～40 cm土层SOM的最优模型为球面模型，其余两层均为高斯模型，3层SOM均属于中等变异，受结构性和随机性因素的共同影响，在空间上呈不规则的斑状与块状分布。（3） 3层SOM均表现为显著的正空间自相关性及空间集聚特征，高—高（HH）集聚区分布在平坝与丘间谷地，主要为水田，这与水田更有利于SOC的贮存和提高土壤的固碳能力有关，其次为旱地；低—低（LL）集聚区主要分布在南部丘陵区，土地利用类型表现多样化，故丘陵区需重视土壤改良。（4）以表层SOM空间自相关分布特征为主，中、下层为辅，将研究区划分为高SOM集聚区、表层高SOM集聚区、低SOM集聚区和SOM随机分布区4个分区，根据不同分区间SOM含量差异和空间集聚特征，提出了不同的土地整治建议。[结论]研究结果体现了SOM含量在剖面和水平空间上高值与低值的集聚特征，更有利于针对性地采取土地整治措施，可作为土地整治分区的重要参考。

关键词： 统计学研究生教育   大数据时代   思考和建议  

摘要： 统计学专业成为研究生招生目录的一级学科，关于统计学研究生的教育和培养也引起了很多专家学者的关注。本文从统计学专业研究生的现状开始，研究大数据时代对统计学专业研究生培养的需求，在课程建设，学科规划，人才培养，课程思政，学科交叉，国际化课程等方面对统计学研究生教育进行思考。

关键词： Causal inference   Earthquakes   Random forest   Statistical learning  

摘要： The sufficiency criterion has long been used to evaluate the effectiveness of a ground motion intensity measure (IM) in capturing the link between ground shaking and structural response. However, a typical sufficiency-based evaluation of an IM only tests for the possibility of linear dependency and the interaction among the upstream parameters is not considered. To address these and other limitations, two new IM evaluation methodologies are proposed. The first methodology considers the loss of statistical information when an IM is used to predict the engineering demand parameters (EDPs) without including the upstream parameters (i.e., earthquake magnitude, source-to-site distance and epsilon). The best IM is the one that minimizes the loss of predictive performance when it is the only model input relative to when it is used as a predictor together with the upstream parameters. To consider the possible interactive effects, a machine learning model is used when both the IM and upstream parameters are used as inputs. The second methodology uses a causal inference approach where the effect of the IM on the EDP distribution is quantified while considering the earthquake magnitude, source-to-site distance and epsilon as control variables. The double machine learning approach is implemented for this purpose. The two methodologies are applied to a set of five steel specifical moment resisting frames. The results show that the statistical loss-based and causal inferencing approaches produce results that are more conclusive than the sufficiency-based approach and more consistent with the physical laws that govern the IM-EDP relationship.