生物统计教学内容

1生物统计的教学原则思考

概率统计学近年来发展迅速，在各个领域的应用向深度和广度两个方向扩展。同时商业化统计软件如SAS、S+及SPSS广泛应用，给数理统计的教学提出了挑战和新的要求，对此应该在教学中有所反应和体现。

1.1数理统计基本概念和基础理论的学习

对统计思维的培养很大程度上依赖于对基本概念与原理的准确把握。虽然不同统计模型的具体方法不同，但均由样本容量确定、随机抽样、参数估计、假设检验、统计推断、统计预测、模型验证等一系列环节构成。由样本、统计量、抽样分布、置信区间、弃真概率α、取伪概率β、检验效力(powerofatest)、P值等概念所表达的统计思想在不同统计模型中是完全一致的，因而在条件允许时，应该用统计模拟方法进行直观化教学，以加强对概念和基本原理的把握。

1.2统计模拟方法辅助教学

随机模拟试验可以加强学生对统计基本概念和理论的理解，及分析问题、解决问题的能力[1]。例如，对显著性水平为α置信区间的正确理解应该为:(1)由两个随机变量(上下限)所确定的一个随机区间;(2)在同等条件下无限多次反复抽取相同容量的样本时，随机区间包含未知总体参数的概率为1-α。对此抽象概念的直观教学，可以用统计软件如S+简单完成。对于其他概念，如抽样分布、假设检验中弃真和取伪错误概率、检验效力、线性回归模型参数估计量的抽样分布、预测误差分解、离差平方和分解等，均可利用统计模拟进行直观化教学。另外，统计模拟还可以取代部分定理和结论的证明，通过模拟试验进行经验性验证。

1.3理论和实验技能的同步提高

首先应加强实验环节，使学生掌握一种常用统计软件的基本使用方法。SAS由于数据结构简单、功能强大、运算速度快而应成为首选。另外，S+具有强大的、可编辑的图形功能和易于编程特点，可用于统计模拟。共享统计软件R有与S+几乎完全一致的语法，为S+的使用提供了方便。虽然学生可以用统计软件快速完成统计运算，但由于理论知识的不足而无法正确地提取和解释软件输出结果。对这个问题的解决可以一方面保证一定的实验学时，加强对统计结果的分析能力。另一方面，通过课堂讲解、课后作业和统计模拟实验的形式加强理论学习。加强理论学习的观点，在学时压缩的前提下与一些学者的观点相左[2]。我们认为统计软件的使用，一方面减轻了时间负荷使学生有更多时间用于理论学习，另一方面也对理论水平提出更高的要求，即要求学生能够理解和利用软件分析结果。在有限学时内，加强理论学习的核心在于精讲式和概论式教学的有机结合。

1.4精讲式和与概论式教学的相互结合

数理统计的内容极其广泛，不加选择的教学使学生难以抓住重点。应在数学基础允许的前提下，重点地讲解核心内容。例如单一正态总体统计分析虽然简单，但涉及了所有核心统计概念，应作为重点内容讲解。根据统计模型间的区别与联系，应注意将核心结论自然地扩展到相近或相似的统计方法中去。如简单线性回归向多元线性回归、协方差分析、方差分析乃至非线性回归的自然扩展。与精讲相对应的，可以进行一定学时的概论式教学，对专业领域内的常用分析方法进行一般性介绍，并以典型案例分析的形式拓宽学生的眼界，做到点面结合。

1.5典型案例分析

典型案例分析指对科技论文中常用统计方法的剖析和讲解。典型案例分析可以使:(1)学生体会到统计方法在实际科研和生产中的应用，培育学习兴趣；(2)实际案例基本上包含了统计分析的各个方面和环节，可以使学生直观地体会统计分析的内涵。对典型案例的进行详略得当、点面结合的分析，可以使学生建立统计分析的系统观念；(3)通过案例分析使学生能够学习科学研究的内涵与方法，并融会贯通地掌握统计分析在本专业的应用。概论性地介绍一些统计方法在专业领域的应用，不必苛求对统计方法和理论的深刻理解，仅要求学生体会具体案例中随机抽样、参数估计、假设检验、统计推断、统计预测、验证模型等环节所体现的统计思维方法，及对具体案例和所用统计方法的感性认识。同时，应该抽出一定的学时(如2学时)对高级统计分析方法进行概论式介绍。

1.6自学能力和学习兴趣的培养及考核方式

授人以鱼，不如授人以渔。课堂教学永远无法包含将来所需要的全部知识，因而培养学生的自学能力和激励学习兴趣应成为教学指南。典型案例分析、模拟研究项目、统计模拟验证、课堂讨论、概论式介绍应用现状和前景都是激发学习兴趣的有效手段。课后作业是督促学习、培养自学能力和检验学习效果的主要手段。精心设计的作业，不仅可以帮助学生及时地理解和消化课堂所学知识，而且是培养自学能力的主要途径。可以将简单的理论证明和一部分教学内容以作业形式让学生通过自学完成，逐渐培养自学能力。平时作业成绩、分段考核成绩、实验成绩、课程设计应在总评成绩中占50％左右的比例，这样不仅可以保证以上教学环节的实施并达到预期效果，还可以减轻期末考试时的学习压力。考试可以采取分段多次考核的方法，以2～3次为宜。这样教师和学生都能及时发现教与学中的问题并及时加以调整，减轻终考压力，以免一次考试决定成绩和突击学习应考的现象。

2教学内容和教学结构的思考

虽然数理统计内容庞大，但在本科阶段所涉及的教学内容均为基础统计方法。对生物学而言主要包括与正态分布相关的统计模型，如单一正态总体的统计模型、线型回归、协方差分析、方差分析和非线性回归分析等，及与二项分布和泊松分布相关的统计模型，如二项分布的统计分析、逻辑斯第回归以及关联表等。根据以上内容的区别与联系，我们考虑按照如下顺序实施教学。

2.1单一正态总体的统计模型

指的是对一个正态总体的统计分析，包括参数点估计、区间估计、假设检验、两个正态总体参数的对比分析等。虽然在概率论教学中有所涉及，但强化这部分内容的教学对建立统计思维方式有极其重要的意义。通过这部分内容的学习，应该使学生准确把握样本、统计量、抽样分布、置信区间、假设检验中弃真概率α、取伪概率β、检验效力、P值等重要概念，为后续学习奠定基础。在实际应用中，对数据进行正态性检验是不可或缺的，需要增加QQ图的原理与应用教学内容，即可以使学生了解这一简单而广泛应用的图形判别法，又可以强调在统计分析中必须对模型所依赖的假设进行验证的统计思想。

2.2线性回归线型

简单线性回归的参数估计、参数估计量的抽样分布以及参数假设检验等内容的推导证明仅涉及二元函数极值、数学期望和方差的基本性质、以及简单的代数运算，因而在学时允许时应尽量加以证明，使学生知其然知其所以然。应介绍用图示法判断线性回归模型的IID假设是否满足。由于对非IID数据的广义线性回归方法已经成熟，故无需对非IID模型的传统矫正方法多做介绍。对于线性回归中的统计预测，应着重使学生掌握预测误差的来源，即参数估计量和模型内在随机误差项两个因素对预测的影响。多元线性回归在基础统计学中占有核心地位，是衔接回归分析和方差分析的纽带。由于多元线性回归的推导涉及随机向量和随机矩阵，而不宜进行详细的推导。可以首先将简单线性回归主要结论用矩阵表示出来，并推广到多元线性回归。在多元回归阶段应强调:(1)应客观地评述预测变量数目对确定系数R2的影响作用，避免在模型评价时对R2的过度依赖；(2)应使学生理解回归模型中的方差分析是对多个参数同时为0的假设进行检验，以便于和以后试验设计与分析的学习衔接起来；(3)离差平方和的分解的意义及参数子集的F检验；(4)对拟合残差的图形分析法，使学生能够对IID的假设满足与否进行判断；(5)回归分析和相关分析的区别与联系。

2.3协方差和方差分析

通过对多元线性回归模型引入离散型的回归变量而介绍协方差分析方法，使学生学会如何构造虚拟变量，并通过虚拟变量将离散型的回归变量加入到回归模型的方法。虚拟变量的理解和使用，对逻辑斯第回归、方差分析、非线性回归的假设检验的学习非常有帮助。在理解协方差分析和多元线性回归的关系后，自然而然地将多元回归过过渡到方差分析，即全部回归变量均为离散型的多元线性回归模型即方差分析模型。可通过对虚拟变量加以限置的方法(使数据矩阵满秩)，用多元回归方法进行方差分析。由于方差分析数据矩阵的特殊性，可以方便地推导出单因素和双因素方差分析的公式。通过以上学习，应该使学生建立回归分析、协方差分析和方差分析属于同一类模型的概念。

2.4非线性回归

可以简单介绍如何用泰勒多项式对非线性函数线性化后，通过多元线性回归和迭代方法估计参数。由大样本理论，参数的区间估计、假设检验和统计推断等均与多元线性回归相同。

2.5与二项分布相关的统计模型

二项分布相关的统计模型主要用于处理计数类和频数类数据。对于频数类数据，主要介绍对二项分布数据的参数估计、假设检验及统计推断等。逻辑斯第回归是分析频数类数据的有力工具，可以进行类似于正态数据的回归分析、协方差分析和方差分析工作，因而应作为核心内容而加以介绍，包括逻辑斯第曲线意义、参数估计方法、参数解释等。可以通过例题及作业的方式使学生了解逻辑斯第回归和普通回归的区别与联系。