《多元统计分析》是一门系统讲授高维统计推断与现代机器学习前置基础的核心课程，共 8 章 20 节，每节均配套视频、精修文字讲义与现代化 Python 3.12+ 示例代码。
课程全面涵盖：
- 多元正态分布与矩阵基础：均值向量、协方差矩阵正定性、马氏距离 (Mahalanobis Distance) 与多元异常值检测。
- 现代统计计算与数据探索：多元数据中心化与 Z-score 标准化、高维数据清洗与矩阵条件数诊断。
- 聚类分析：样品与变量相似性度量（欧氏/曼哈顿/马氏距离/夹角余弦）、系统层次聚类（最短/最长/类平均/Ward法）与 K-Means 动态聚类及轮廓系数评估。
- 判别分析：距离判别法、贝叶斯判别法（最小风险准则）、Fisher 线性判别分析 (LDA) 与交叉验证误判率评估。
- 主成分分析 (PCA)：方差最大化推导、特征值分解、方差贡献率、主成分回归 (PCR) 消除严重多重共线性与降维可视化。
- 因子分析：正交因子模型、主因子/主成分载荷求解、方差最大化正交旋转 (Varimax)、因子得分与综合评价排名。
- 对应分析：列联表分析、Pearson 卡方独立性检验、总惯量分解、SVD 奇异值分解与行/列双标图 (Biplot) 空间距离解读。
- 典型相关分析 (CCA)：两组高维变量的典型相关数学推导、广义特征方程求解、Bartlett 卡方显著性检验与典型载荷冗余度分析。
原课教学中的 R 语言代码已在讲义中全面升级为 Python 现代工业级生态（scikit-learn, scipy, statsmodels, factor_analyzer），是连接经典多元推断与现代机器学习算法精讲的核心桥梁。
课程大纲
共 20 节，按建议顺序学习。
- 01多元统计分析概述与多元正态分布约 48 分钟 · 多元统计分析概述 小象实战讲义 · 多元统计分析 欢迎来到《多元统计分析》的第一讲。本节我们将开启多元统计世界的大门，系统了解这门学科为何存在、它是什么、包含哪些核心方法，以及在实际中能解决哪些复杂问
- 02多元数据矩阵与向量化运算约 32 分钟 · 多元数据矩阵与向量化运算 小象实战讲义 · 多元统计分析 在多元统计分析中，我们面对的核心研究对象不再是单个变量，而是由多个变量构成的随机向量及其观测数据——多元数据矩阵。本节作为现代统计计算与数据科
- 03统计数据探索与高维数据清洗约 47 分钟 · 现代统计计算与数据科学基础：统计数据探索与高维数据清洗 小象实战讲义 · 多元统计分析 在掌握了多元数据矩阵与向量化运算后，我们将正式进入多元统计分析的核心实战环节。本节课程将系统性地讲授如何利用现代
- 04样品与变量相似性度量（距离与相似系数）约 48 分钟 · 样品与变量相似性度量 小象实战讲义 · 多元统计分析 聚类分析是多元统计中探索数据内在结构的重要工具。在正式进行聚类之前，我们首先需要解决一个根本问题：如何量化地衡量两个对象（无论是样品还是变量）之间
- 05系统聚类与K均值聚类算法原理约 64 分钟 · 系统聚类与K均值聚类算法原理 小象实战讲义 · 多元统计分析 聚类分析是探索数据内在结构、发现自然分组的重要工具。本节将系统讲解两种最经典的聚类算法：系统聚类（谱系聚类） 和 K均值聚类。通过本节学习
- 06聚类分析代码实战与谱系图绘制约 28 分钟 · 聚类分析代码实战与谱系图绘制 小象实战讲义 · 多元统计分析 聚类分析是探索数据内在结构、发现自然分组的核心无监督方法。本节通过Python实战，带你掌握系统聚类（层次聚类）与K-Means聚类的实现
- 07距离判别法理论推导与应用约 59 分钟 · 距离判别法理论推导与应用 小象实战讲义 · 多元统计分析 判别分析是多元统计中解决有监督分类问题的核心方法。本节学习最基础的距离判别法，掌握其“就近归类”的数学原理、线性判别函数的推导过程，以及使用
- 08贝叶斯判别与Fisher线性判别约 66 分钟 · 贝叶斯判别与Fisher线性判别 小象实战讲义 · 多元统计分析 在上一讲的距离判别法中，我们仅依据样本与总体均值的马氏距离分类，忽略了两个关键现实因素：不同总体的先验概率可能不同，错判到不同类别的损
- 09判别分析代码实战与误判率评估约 33 分钟 · 判别分析代码实战与误判率评估 小象实战讲义 · 多元统计分析 本节我们将聚焦于判别分析的实战应用，学习如何利用 Python 现代数据科学工具库，将 Fisher 判别和贝叶斯判别的理论付诸实践。我们
- 10主成分分析推导、几何意义与统计性质约 62 分钟 · 主成分分析：几何意义、数学推导与统计性质 小象实战讲义 · 多元统计分析 面对高维数据变量相关性强、信息重叠的挑战，主成分分析（PCA）通过线性组合生成互不相关的新变量（主成分），在保留核心信息的同时
- 11主成分回归与共线性消除约 58 分钟 · 主成分回归与共线性消除 小象实战讲义 · 多元统计分析 在上一节中，我们掌握了主成分分析（PCA）的核心原理与性质，学会了如何从高维数据中提取信息最丰富的少数几个综合变量。本节我们将深入探讨主成分分析
- 12主成分分析代码实战与降维可视化约 29 分钟 · 主成分分析代码实战与降维可视化 小象实战讲义 · 多元统计分析 面对高维数据，变量间的相关性常导致信息冗余与分析困难。本节通过Python实战，系统学习主成分分析（PCA）的核心原理与实现流程，掌握如
- 13因子分析正交模型与因子载荷求解约 62 分钟 · 因子分析正交模型与因子载荷求解 小象实战讲义 · 多元统计分析 因子分析是多元统计中探索变量内在结构、提取潜在公共因子的核心技术。与主成分分析（PCA）不同，它从可观测变量中提炼不可直接观测的公共因子
- 14因子正交旋转（方差最大化）与因子得分计算约 64 分钟 · 因子正交旋转（方差最大化）与因子得分计算 小象实战讲义 · 多元统计分析 在上一节中，我们学习了因子分析的基本模型和因子载荷矩阵的求解方法。然而，直接求解得到的因子载荷矩阵往往难以解释其经济含义。本节
- 15因子分析代码实战与行业综合评价约 19 分钟 · 因子分析代码实战与行业综合评价 小象实战讲义 · 多元统计分析 因子分析是探索多元数据潜在结构的核心方法，通过少数不可观测的公共因子解释众多观测变量的相关性。本节将带你掌握Python中因子分析的完整
- 16列联表分析与卡方独立性检验约 48 分钟 · 列联表分析与卡方独立性检验 小象实战讲义 · 多元统计分析 对应分析（Correspondence Analysis，亦称相应分析）是处理两个或多个定性变量（分类变量）间关系的强大可视化工具。它通过将
- 17对应分析理论推导与过渡图原理约 42 分钟 · 对应分析理论推导与过渡图原理 小象实战讲义 · 多元统计分析 对应分析（Correspondence Analysis）是处理定性变量关联关系的核心多元统计方法，它将R型（变量）与Q型（样品）因子分析
- 18对应分析代码实战与双标图解读约 14 分钟 · 对应分析代码实战与双标图解读 小象实战讲义 · 多元统计分析 对应分析（Correspondence Analysis）是多元统计中处理定性变量关联的核心方法。本节将讲解其原理与Python实现流程，
- 19典型相关变量数学推导与显著性检验约 56 分钟 · 典型相关变量数学推导与显著性检验 小象实战讲义 · 多元统计分析 在多元统计分析中，我们常需研究两组变量的整体线性相关性，典型相关分析（Canonical Correlation Analysis,
- 20典型相关系数阵计算与代码实战约 30 分钟 · 典型相关系数阵计算与代码实战 小象实战讲义 · 多元统计分析 在多元统计分析中，当两组指标存在不同量纲或数量级差异显著时，若直接使用原始协方差矩阵求解典型相关，方差较大的变量将会主导分析结果，从而扭曲
同主题课程
主题内继续学
免费