一对一/二网络授课，3-5人可组小班。共享屏幕板书，实时互动，课上课下随时解答。针对个人程度和需求设计课程，也可加快进度和加大强度，帮助学生设立目标并完成学习任务。

每节课45分钟，通常每周约2-4节课，也可根据学生的时间和接受程度，加多或减少课频。

课程目标：

培养基本的统计常识、素养和思维

了解常用统计方法背后的数理基础

能根据具体的研究问题选择合适的统计检验方法

使用R语言完成常用统计方法的代码实现

熟练解读、汇报统计结果

能辩证/批判地看待和解读已发表论文中使用的统计方法

▲ 向上滑动查看『统计课程大纲参考』（*有基础的同学另单独设计课程）

No.1

第一阶段——

第1节 统计基础

1.1 变量类别

1.2 统计的核心任务

1.3 RStudio简介

第2节 描述性统计

2.1 均值、方差、标准差、中位数、分位数

2.2 偏度值、峰度值

第3节 数据可视化

3.1 ggplot

3.2 直方图

3.3 箱线图

3.4 散点图

第4节 参数估计

4.1 正态分布

4.2 点估计：极大似然估计

4.3 区间估计：置信区间

第5节 假设检验

5.1 单样本t检验

5.2 拒绝域、显著性水平

5.3 p值

第6节 t检验

6.1 独立样本t检验

6.2 配对样本t检验

6.3 假定条件

第7节 方差分析

7.1 方差分解

7.2 F检验

7.3 单因素方差分析（one-way ANOVA）

7.4 事后检验

第8节 方差分析拓展

8.1 双因素方差分析（two-way ANOVA）

8.2 重复测量方差分析（repeated-measures design）

8.3 协方差分析（ANCOVA）

第9节 卡方检验

9.1 适合度检验

9.2 独立性检验

9.3 费舍尔精确检验

No.2

第二阶段——

第1节 单变量回归分析

1.1 线性回归模型

1.2 普通最小二乘法

1.3 R代码实现

第2节 回归模型检验

2.1 异常值检验

2.2假设条件检验

2.3 模型拟合度检验

第3节 多元线性回归（multiple linear regression）

3.1 矩阵参数求解

3.2 R代码实现

3.3 模型解释

第4节 方差分析与线性模型

4.1 含双层次自变量的简单回归分析

4.2 含多层次自变量的多元回归分析

第5节 交互效应（interaction effect）

5.1 主效应和交互效应

5.2 含两个分类变量的交互模型

5.3 含分类变量和连续变量的交互模型

5.4 假设条件检验

第6节多层线性模型（multilevel modelling）

6.1 方差成分模型（variance components model）

6.2 随机截距模型（random intercept model）

6.3 随机斜率模型（random slope model）

6.4 生长曲线模型（growth-curve model）

第7节 探索性因子分析（exploratory factor analysis）（上）

7.1 因子分析的应用场景

7.2 因子分析模型

7.3 R代码实现

第8节 探索性因子分析（exploratory factor analysis）（下）

8.1 因子载荷

8.2 模型拟合度

8.3 旋转方法

8.4 模型解释

第9节主成分分析法（principal component analysis）

9.1 主成分分析与因子分析的区别

9.2 主成分提取

9.3 R代码实现

9.4 特征向量和特征值

No.3

第三阶段——

共九节课，具体讲解内容视学习者需求而定，从以下内容中选取2-3个话题：

话题一：验证性因子分析（exploratory factor analysis）、结构方程模型（structural equation modelling）、路径分析（path analysis）

话题二：机器学习（使用Python）：线性回归、对数似然回归、决策树、支持向量机、神经网络、聚类分析

话题三：因果推断（causal inference）：双重差分、断点回归、倾向性得分

使用教材1：Learning statistics with R

教材链接：https://learningstatisticswithr.com/lsr-0.6.pdf

使用教材2：Handbook of biological statistics

教材链接：http://www.biostathandbook.com/

参考教材：Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. London: SAGE Publications Ltd.

话题四：贝叶斯统计（Bayesian statistics）：假设检验、贝叶斯线性回归

话题五：Rasch模型和项目反应理论（Item Response Theory）：二级计分模型、多级计分模型、多层面Rasch模型

话题六：社会网络分析（social network analysis）：描述性分析、推断性分析