STAT115 Statistical Methods paper

统计方法

STAT115 练习题

有的。Cutline 的 STAT115 练习题覆盖 Otago 的生物统计导论,每一道都有完整解析,题库仍在陆续上线。内容涵盖数据描述、概率、置信区间、假设检验、回归和研究设计,你可以免费开始,无需绑卡。

已发布选择题:1291 道。练习与模拟试卷:26 份。

试做几道真实的题

题目、选项和解析保留英文原文,因为考试本身就是用英文考的。

这是公开样题。你的选择仅保留在当前页面,不会保存到账户。

L1: What is Statistics

Which of the following best describes statistics as a discipline?
答案选项
查看答案

正确答案:A

完整解析

Statistics is the discipline that concerns the collection, organisation, analysis, interpretation and presentation of data. Taken together, these activities amount to learning from data. Producing graphs or calculating averages are only individual parts of this larger process, statistics does not remove all uncertainty, and it is not pure mathematics divorced from data.

已发布的选择题练习

当前列出的本科目教学练习与模拟试卷。

标题保留原文。

教学练习

Descriptive Statistics and Data6 份练习304 道选择题
  • L1: Foundations of Statistics and Biostatistics48 道选择题
  • L2: Data and Discovery55 道选择题
  • L3: Statistical Software in R52 道选择题
  • L4: Data Summaries52 道选择题
  • L5: Probability48 道选择题
  • L6: Conditional Probability and Independence49 道选择题
Probability and Random Variables4 份练习211 道选择题
  • L7: Working with Conditional Probability45 道选择题
  • L8: Random Variables54 道选择题
  • L9: More on Random Variables58 道选择题
  • L10: Introduction to Statistical Modelling54 道选择题
Distributions, Sampling and Estimation4 份练习192 道选择题
  • L11: The Normal Distribution51 道选择题
  • L12: Sampling Distributions48 道选择题
  • L13: Introduction to Confidence Intervals49 道选择题
  • L14: Understanding Confidence Intervals44 道选择题
Hypothesis Testing and Group Comparisons4 份练习195 道选择题
  • L15: Introduction to Hypothesis Testing44 道选择题
  • L16: Errors and Power in Tests53 道选择题
  • L17: Difference Between Two Means48 道选择题
  • L18: Paired Data and Correlation50 道选择题
Regression and ANOVA8 份练习389 道选择题
  • L19: Introduction to Linear Regression52 道选择题
  • L20: Fitting Linear Regression Models55 道选择题
  • L21: Checking the Assumptions of the Linear Regression Model51 道选择题
  • L22: Inference with the Linear Regression Model51 道选择题
  • L23: Prediction with Linear Regression44 道选择题
  • L24: Multiple Linear Regression53 道选择题
  • L25: Categorical Predictors in Regression Models48 道选择题
  • L26: ANOVA in Action35 道选择题
打开 STAT115 目录
此目录包含什么

仅列出已启用产品中,可见分组内已发布且不限定特定用户的选择题。已移除题目、模块测试及书面作答题不计入。此目录不衡量整门课程的覆盖程度,也不统计知识点文章。

此目录使用缓存。开始练习前,应用会重新检查访问权限。

这门课覆盖哪些内容

以下是课程主题,并非已发布练习的清单。

  • 描述统计与数据
  • 概率与随机变量
  • 分布、抽样与估计
  • 假设检验与组间比较
  • 回归与方差分析
  • 分类数据与比例
  • 研究设计、因果与文献评读

STAT115 该怎么入手

STAT115 是一门相当友好的入门课。它没有数学先修要求,从数据和概率的基础讲起。唯一的关键是跟住那些层层累积的概念。做题能让它们保持新鲜,让这些想法一层层叠上去,而不是滑掉。

学分
18 分(0.15 EFTS)
开课时间
第二学期
上课形式
没有数学先修要求,全程使用 R 软件

STAT115 到底该怎么学 (有科学依据)

这些都是已经确立的研究结论,不是边缘说法,近年的综述也在不断确认它们(Carpenter et al., 2022; Weinstein et al., 2018)。这里的重点放在更高阶的能力上,也就是把想法应用并迁移到没见过的题目上,而这正是拉开 HSFY 顶尖成绩的地方,也是医学选拔所看重的学习习惯。

STAT115 是一门确实好上手的入门课,没有数学先修要求,全程使用 R。它最难的能力不是计算,而是选对方法,所以下面的方法训练的是“选择”,并在概念一层层叠加时让基础保持新鲜。

把检验类型穿插着练

入门统计课里最难的一件事,不是跑一个检验,而是知道该跑哪个检验。穿插练习,也就是混着练不同题型而不是一次只练一种,训练的正是这项选择能力,并且在之后的测验中优于分块练习(Rohrer & Taylor, 2007)。

如果你永远只在 t 检验那一章练 t 检验、在卡方那一章练卡方,那就总有人告诉你该用哪件工具,而考试不会这么做。混合题组逼你冷读一个情境,在碰任何数字之前判断它需要 t 检验、卡方还是回归,而 STAT115 的大部分分数其实就赢在这个判断上。 (Rohrer & Taylor, 2007; Brunmair & Richter, 2019)

试一下: 在同一组题里混合不同题型,逼自己在计算之前先决定哪种分析合适。

在概念累积的过程中把复习摊开

统计是累积性的:概率支撑分布,分布支撑置信区间和假设检验,所以早期的一个缺口会悄悄滚成后面的一团混乱。把复习摊开,在学新内容的同时简短地重测早先的概念,能让地基一直可用,同样的投入下留存的也比突击更多(Cepeda et al., 2006)。

具体来说,这意味着往下学之后不要把概率和分布丢在后面。在学回归的时候花几分钟重测它们,就能让它们保持活着,这样当后面的主题要靠它们时,你不必在考试压力下从头再学一遍。 (Cepeda et al., 2006)

试一下: 在学后面的内容时,简短地重测概率、分布这些早先的概念,而不是把它们丢在后面。

先自己做,再去看 R

读一份写好的解答或者 R 的输出感觉很高效,但它是很弱的理解信号,因为认出一个正确答案远比生成一个要容易。先合上资料自己做一遍,是一种必要难度:感觉更难,学习效果却更强(Bjork & Bjork, 2011)。

在 STAT115 里,先自己把一个结果该怎么解释想清楚,再去跑或者去读 R 的输出,然后用输出来确认或订正。这样你练的是考试要考的推理,而不是练那件容易得多的事:对着屏幕上已经给出的答案点头。 (Bjork & Bjork, 2011)

试一下: 先自己把解释想清楚,再去跑或读 R 的输出,然后用输出来确认。

把推理用到新数据上

STAT115 的顶尖成绩来自把统计推理用到陌生的数据集或情境上,自己选出并论证一种没人告诉你要用的方法,而不是来自背公式。有变化的提取练习建立的正是这种向新情境的迁移(Pan & Rickard, 2018; Carpenter et al., 2022),对准备走医学路线的 HSFY 学生来说,这也是能预测之后考试表现的同一种自我测试(Deng et al., 2015)。

拿没见过的情境来练:读一项新的、被描述出来的研究,决定哪种分析合适,并解释某个结果在这个背景下意味着什么。因为考试给的是新情境而不是标好类型的练习题,反复演练这种判断,正是把一个不错的成绩和一个顶尖成绩区分开的地方。 (Pan & Rickard, 2018; Carpenter et al., 2022; Deng et al., 2015)

试一下: 找一个陌生情境,决定哪种分析合适以及为什么,再说出某个给定结果在这个背景下意味着什么。

卡片、间隔重复与 Anki

间隔效应就是卡片有效的原因:在你快要忘记的时候重新看到一个事实,比突击更能把它锁住(Cepeda et al., 2006)。Anki 是大多数健康科学学生会用的工具,它确实好用。把“该用哪个检验、什么时候用”这类决定做成卡片,而不是把公式做成卡片,再把复习摊开,让这个选择变成自动的。 Cutline 把用来记硬事实的 Anki 式卡片,和一整套考试风格的 STAT115 题库配在一起,让你既能刷该背下来的东西,又能练怎么把它用出来。

关于 STAT115 的常见问题

STAT115 的题库完全上线了吗?

STAT115 的题库在上线前正在审校,所以这个页面会随着内容发布按讲次逐节推出。

发布更多内容之后,这个页面会自动更新吗?

会。这个页面由真实的已发布数量驱动,所以它会自动更新,不需要人工修改。

研究依据

上面这些学习方法来自认知心理学和教育心理学中已经确立的研究。

  1. Rohrer, D., & Taylor, K. (2007). The shuffling of mathematics problems improves learning. Instructional Science, 35(6), 481–498.
  2. Brunmair, M., & Richter, T. (2019). Similarity matters: A meta-analysis of interleaved learning and its moderators. Psychological Bulletin, 145(11), 1029–1052.
  3. Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2006). Distributed practice in verbal recall tasks: A review and quantitative synthesis. Psychological Bulletin, 132(3), 354–380.
  4. Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In M. A. Gernsbacher et al. (Eds.), Psychology and the real world (pp. 56–64). Worth Publishers.
  5. Pan, S. C., & Rickard, T. C. (2018). Transfer of test-enhanced learning: Meta-analytic review and synthesis. Psychological Bulletin, 144(7), 710–756.
  6. Carpenter, S. K., Pan, S. C., & Butler, A. C. (2022). The science of effective learning with spacing and retrieval practice. Nature Reviews Psychology, 1(9), 496–511.
  7. Deng, F., Gluckstein, J. A., & Larsen, D. P. (2015). Student-directed retrieval practice is a predictor of medical licensing examination performance. Perspectives on Medical Education, 4(6), 308–313.
  8. Weinstein, Y., Madan, C. R., & Sumeracki, M. A. (2018). Teaching the science of learning. Cognitive Research: Principles and Implications, 3, 2.

继续阅读

以下文章保留英文原文,因为 Cutline 博客目前没有中文版本。

Cutline 独立运营,与奥塔哥大学(University of Otago)无隶属关系,不受其雇佣,也未获其认可。