時間：2023-07-27 16:15:14
導語：在統計學統計方法的撰寫旅程中，學習并吸收他人佳作的精髓是一條寶貴的路徑，好期刊匯集了九篇優秀范文，愿這些內容能夠啟發您的創作靈感，引領您探索更多的創作可能。
關鍵詞： 生物統計學 教學方法 實踐應用 慕課平臺
生物統計學是所有生命科學專業里面最重要的專業課程之一，它的基礎是高等數學，概率論、微積分及線性代數是這門課程理論知識體系的核心工具，學好這門課程具有相關的數學基礎是基本要求。生物統計學歸根結底是為了應用，掌握相關的分析軟件是學好這門課程的另一個基本要求。如何把理論體系和實踐應用有機地結合起來，是教學中最核心的任務。作者在多年的生物學統計教學的基礎上，從以下幾個方面闡述這個問題。
1.理論知識的掌握
生物統計學是統計學的手段運用到生物學研究中，因此學好這門課程首先要熟練地掌握統計學相關理論知識。一般來說，高校在學生大一大二的時候開設與數學相關的所有課程，如概率論、線性代數等，為了更好地銜接，生物統計學課程就安排在大三的上學期。生物統計學很多的知識點和概率論與數理統計這門課程高度重合，很多情況下就是對這門課程的一個回顧，這對剛剛學完這門課的學生來說，掌握起來相對簡單。而整個理論體系里面的難點是如何把統計學知識和生物學結合起來，這需要學生從思維上真正認識到統計學只有運用到實踐中才能發揮作用，尤其在生物學領域中，統計學這個工具在具體的方案解決中的運用才是其生命力的體現。這就需要在教學過程中通過一個個案例分析讓學生真正了解統計學是如何運用到實際應用中的，這對他們以后進行畢業論文實驗結論的分析有重要的意義。
2.案例分析
上面提到理論知識的真正掌握是運用在實踐中，生物統計學教材上也給予大量生物研究方面的案例，但不同的教材偏重點不同，如杜宋騫主編的教材，就是偏重于遺傳學方面的知識運用。而你所面對的學生，以后進行的畢業論文研究涉及生物領域的方方面面，因此你所需要進行的案例分析不要僅局限于課本上，而要在各個領域搜尋典型的案例，盡可能地涵蓋生命科學的幾個主要學科，使學生以后面對任何方面的問題都能夠找到相關的借鑒。另外，案例分析要注重案例的代表性和普遍性，盡可能地通過一個案例衍生出多種生物統計學的解決方案，讓學生掌握在何種情況下運用何種分析方法，每種分析方法的適用條件是什么，各自的優缺點等。這是生物統計學最精髓的地方，經過這門課程的學習，讓學生把這個工具真正運用到實踐中，因此這是生物統計學教學的重中之重。這對教師的要求非常高，只有親身在科研領域進行多年研究的老師才能勝任。因此在選擇授課老師方面，科研經驗豐富，帶過多屆研究生的導師是最佳人選。
3.分析軟件的運用
生物統計學的計算是一個非常復雜的過程，一個簡單的生物統計學分析要伴隨大量的計算，如果僅靠人力計算，效率低不說，而且容易出錯。在很多年前，統計學相關的軟件就已經開始應用到生物統計學的領域。最著名的是SPSS軟件，其他的像R，METLAB，ORIGIN等也在各個領域得到廣泛的使用。正如前面所說，生物統計學授課的最根本目的是應用，因此理論知識轉化到軟件的操作，是這門課程的最后一步。SPSS功能強大，可以實現絕大多數的生物統計學分析，如果完全熟練地掌握這個軟件工具，所需要的時間遠遠大于這門課的課時；因此在有限的教學時間里，應盡可能地把生物統計學最基本和最典型的分析教授給學生，并以此作為一個引子，在課余的時間里，讓學生自學，根據自己的需要確定掌握到什么程度。老師的作用是把這個軟件介紹給他們，并且開啟應用的大門，里面的“寶藏”讓學生自己挖掘。
4.大學生慕課平臺的使用
摘 要：隨著我國經濟發展水平的不斷提高，各行各業得到了顯著發展，數據統計學方法也變得日趨多樣，數據挖掘是建立在數據庫與人工智能基礎上發展起來的一種高新技術，其功能是從眾多的數據當中挖掘到最有價值的信息，進而實現對數據資源的高效利用。聚類分析能夠被當成一種數據分析工具，能真實反映出數據分布情況，本文主要對統計學在數據挖掘中的應用進行了探討，從而表現統計學在數據挖掘應用中的重要性。
關鍵詞：統計學方法；數據挖掘；應用分析
數據挖掘就是指從眾多實際應用數據中獲取批量大、有噪聲、且隨機性強的數據，將潛在的信息與數據提取出來，就是從數據中挖掘有價值的知識，而大多數原始數據具有一定的結構化特征，比如，關系數據庫中的數據；也可以通過文本、圖形、圖像等半結構化發掘有用知識，這些知識可以是數學的也可以是非數學形式的；數據挖掘能以歸納形式存在，能夠被廣泛應用到信息查詢、信息管理、信息決策控制中，方便數據的維護與管理。由此可見，數據挖掘是一門交叉性強的學科，加強對其的研究非常有意義，下面將對統計方法在數據挖掘中的具體應用進行分析。
一、數據挖掘與統計學的關系
（一）數據挖掘的內涵
通常來說，數據挖掘的定義較為模糊，沒有明確界定，大部分對其的定義只是停留在其背景與觀點的內容上。通過對不同觀點的統一整理，人們最終將其描述為：從大量多樣化的信息中發現隱晦性、規律性等潛在信息，并對這些信息進行創造、加工的過程。數據挖掘作為一門重要的交叉學科，能夠將數據庫、人工智能、機器學習、統計學等眾多的科學融入到一起，從而實現技術與理論的創新與發展[1]。其中，數據庫、人工智能與統計學是數據挖掘當中的三大支柱理論。數據挖掘的目的是從數據庫當中發掘各種隱含的知識與信息，此過程的方法非常多，有統計學知識、遺傳算法、粗集方法、決策法、模糊邏輯法等，還可以應用向鄰近的可視技術、模式識別技術等，在以上所有技術的支持上能夠使數據挖掘更為科學、有序。
（二）數據挖掘與統計學間的關系
通常來說，統計學的主要功能是對統計原理與統計方法進行研究的科學。具體來說就是指對數字資料進行的收集、整理、排序、分析、利用的過程，數字資料是各種信息的歸納與總結，可以將其作為特性原理的認知、推理方法[2]。而統計學則表示的是使用專業的統計學、概率理論原理等對各種屬性關系的統計與分析過程，通過分析成功找到屬性間的關聯與發展的規律。在此過程中，統計分析方法是數據挖掘最為重要的手段之一。
在數據挖掘這一課題被提出來之前，統計分析技術對于人們來說更熟悉，也是人們日常開展工作、尋找數據間規律最常使用的方法。但是不能簡單的將數據挖掘作為統計學的延伸與替代工具，而是要將兩者的區別認識到位，再結合兩者間的不同特點分析其應用特點[3]。大部分的統計學分析技術都是建立在數學理論與技巧上的，預測通常較為準確，效果能夠讓大部分人滿意。數據挖掘能夠充分借鑒并吸收統計學技術，在融入到自身特點以后成為一種數據挖掘技術。
統計學與數據挖掘存在的目標都是一致的，就是不斷對數據結構進行發掘。鑒于統計學與數據挖掘在目標上的一致性，致使很多研究學者與專家將數據挖掘作為了統計學的一個分支機構[4]。但是這種認知非常不正確，因為數據挖掘不僅體現在與統計學的關系上還體現在思想、工具與方法上，尤其是在計算機科學領域對數據挖掘起到的作用非常大。比如，通過借助數據庫技術與人工智能的學習，能夠關注到更多統計學與數據挖掘上的共通點，但是兩者存在的差異依然非常大。數據挖掘就是指對大量的數據信息不斷挖掘的過程，DM能夠對數據模式內的數據關系進行充分挖掘，并對觀測到的數據庫處理有著極高的關注度。
二、數據挖掘的主要過程
從數據本身出發探討數據挖掘過程，數據挖掘的過程分為信息的收集、數據集成、數據處理、數據變換、數據挖掘實施等過程。
首先，要將業務對象確定下來，明確不同業務定義，并認清數據挖掘的目的，這是做好數據挖掘最關鍵的一步，也是最重要的一步，雖然挖掘的結果不能被準確預測到，但卻需要對問題的可預見性進行探索[5]。其次，還要做好數據準備工作，包含數據清理、數據變換等工作，數據清理的實際意義是將噪聲與空缺值補全，針對這一問題，可以使用平滑技術，而空缺值的處理則是屬性中最常見的，可以將統計中最可能出現的值作為一個空缺值[6]。
信息收集指的是按照特定的數據分析對象，可以將分析中需要的特征信息抽象出來，并在此基礎上選擇出較為科學、適合的信息收集方法，將全部的信息全部錄入到特定的數據庫中。如果數據量較大，則可以選擇一個專門的管理數據的倉庫，實現對信息的有效保護與管理；數據集成就是指將來源不同、格式不同、性質不同、特點不同的數據集成到一起，進而為企業提供更為全面、系統的數據共享平臺；數據變換就是通過聚集、概化、規范化等方式對數據進行挖掘，對于一些實用數據，則可以通過分層與分離方式實現對數據的轉換；數據挖掘就是結合數據倉庫中的數據信息點，并選擇正確的分析方法實現對有價值數據的挖掘，事例推理、規則推理、遺傳算法等都是應用較多的方法[7]。
三、統計學方法中的聚類分析
在統計學聚類方法基礎上能夠構建出潛在的概率分布假設，可以使用試圖優化的方法構建數據與統計模型的擬合效果。基于統計學聚類方法當中，Cobweb方法是在1987年由Fisher提出的，能夠以分類樹作為層次聚類創建的方法，在分類樹上，每一個節點都能代表著一個概念，該方法就是對節點概率描述的過程。Cobweb方法還使用了啟發式估算方式，使用分類效用對分類樹的構建進行指導，從而實現對最高分類的劃分目的，能夠將不同分類對象全部歸類到一個類別中，并依據這些內容創建出一個新的類別。但是這種方法也存在一定局限性，局限性在于假設的屬性概率分布都是獨立的，并不能始終處于成立狀態中。
只有在掌握了Cobweb算法以后才能對概念聚類算法的特點進行探究。Cobweb算法能夠以分類樹方式創建層次聚類，可以將概率表現為p（Ai=Vii/Ck）條件概率，其中，Ai=Vij是一個類別下的，同屬于一個值對，Ck是概念類中的一種。在給出一個特定的對象以后，Cobweb能夠將全部對象整合到一個節點上，從而計算出分類效應，分數最高的效用就是對象所在的節點位置[8]。如果對象構建失去節點，則Cobweb能夠給出一個新的節點，并對其進行分類使用，這種節點計算方法起步較晚，能夠對現有的節點與計算相互對比，從而劃分出最高的分類指標，將全部對象統一到已有的分類中，從而構建出一個新的類別。
Classitci是Cobw eb方法的一種延伸與發展，能夠使用其完成聚類數據的處理，在該方法下，節點中的每一個存儲屬性都是處于連續分布狀態中，能夠將其作為分類效果修正的方法，并以度量的形式表現出來，這種度量基礎上能夠實現連續性的積分，從而降低分散發生率，該方法是積分過程而不是對屬性的求和過程。
Auto Class方法也是一種應用較為普遍的聚類方法，該方法主要采用統計分析對結果類的數目進行估算，還可以通過模型搜索方式分析空間中各種分類的可能性，還能夠自動對模型數量與模型形態進行描述。在一定類別空間中，不同的類別內屬性存在關聯性，不同的類別間具有相互繼承性，在層次結構當中，共享模型參數是非常重要的。
還有一種使用較為普遍的模型是混合模型，混合模型在統計學聚類方法上使用也非常普遍。該方法最為基本的思想就是概率分布決定著每一種聚類狀態，并且模型中的每一個數據都是由多個概率在分布狀態下產生的。混合模型還能夠作為一種半參數密度評估方法，其能夠將參數估計與非參數估計的優點全部集中到一起，并將參數估計法與非參數估價法的諸多優點融合到一起，因為模型具有一定復雜性，為此，不能將其限制在概率密度函數表達形式上，這種復雜性決定了模型與求解存在關聯，與樣本集合的聯系非常少。通過以上的研究可以了解到，數據發掘中應用聚類方法非常有效，并且較為常見。比如，構建出Cobweb模型與混合模型，采用Clara與Clarans方法中的抽樣技術，將Denclue方法用在概率密度函數中。
結束語
統計學方法自產生開始已經有非常久遠的歷史，將嚴謹的數學邏輯作為基礎，將分類算法假定作為獨立條件，屬性值之前能夠相互保持獨立，對假定進行計算，當假定成立時，可以再與其他分類算法進行對比，這種分類算法準確性非常高。為此，其不僅能夠對連續值進行預測，還可以通過線性回歸方程對系數進行比較，從而歸納出結果。
（作者單位：中國人民大學）
參考文獻：
[1] 張愛菊.基于數據挖掘技術的瓦斯氣體紅外光譜定量分析方法的研究[J].光譜學與光譜分析，2013，33（10）：2646-2650.
[2] 許長福，李雄炎，譚鋒奇等.任務驅動數據挖掘方法的提出及在低阻油層識別中的應用[J].吉林大學學報（地球科學版），2012，42（1）：39-46.
[3] 鄭曉峰，王曙.基于粗糙集與關聯規則的道路運輸管理信息數據挖掘方法[J].華南理工大學學報（自然科學版），2014（2）：132-138.
[4] 周復之.固定收益決策支持系統機理建模與數據挖掘的協同研究[J].系統工程理論與實踐，2010，29（12）：38-45.
[5] 張繼福，張素蘭，蔣義勇等.基于約束概念格的天體光譜局部離群數據挖掘系統[J].光譜學與光譜分析，2011，29（2）：551-555.
[6] 張欣欣，繆弈洲，張月紅等.CrossRef文本和數據挖掘服務――《浙江大學學報（英文版）》的實踐[J].中國科技期刊研究，2015，26（6）：594-599.
多點地統計中，訓練圖像描述了對真實場景分布的一種潛在的表現形式，是對所期望獲得場景的一種模擬。訓練圖像代替了傳統地統計學中變異函數，為模擬結果提供先驗知識。多點地統計利用分類后的圖像所提供的空間信息來推斷各類別間的分布關系和空間依賴，然后通過模擬的方法重現類別分布。根據這個思想，訓練圖像采用初步的光譜分類法所得到的土地覆蓋圖。當搜索模板掃描訓練圖像時，獲得了由類別分布圖案構成的各個數據事件。然后，統計每個數據事件發生的次數，其統計量存儲在一個搜索樹中，記錄了訓練圖像的空間結構特征。模擬采用了正態等分模擬（singlenormalequa－tionsimulation，SNESIM）算法，遵循經典序貫算法的流程，根據搜索樹記錄數據事件的發生情況，模擬時逐點推斷每個數據事件中間點的取值情況。假設一個隨機變量c（u）可能取的類別值為k，對于變量c（u）＝k的條件概率由貝葉斯公式決定，條件概率密度函數則直接從訓練圖像中獲取。算法的步驟如下。
1）定義一個數據模板，從最粗尺度的格網開始，用擴展的模板掃描訓練圖像從而建立搜索樹，掃描過程中將非空的數據事件存儲在搜索樹中。
2）定義一條路徑，保證訪問到所有未知點且只訪問一次。
3）對于每個未知點u，保留模板中用來構建搜索樹的條件數據，假設n′＜n是條件數據的個數，d（un′）是對應的數據事件，計算搜索樹中存儲數據事件d（un′）的概率分布。若d（un′）在搜索樹中沒有重復，則放棄最遠的一個條件數據，條件數據減少到（n′－1），再從搜索樹中獲取數據事件d（un′－1）的分布。如果條件數據減少到n′＝1仍沒有重復的數據事件d（un′）被找到，則條件概率由邊緣概率取代。
4）從結點u的條件概率分布函數中模擬每個點的類別，將這些模擬值加入模擬格網中，作為下次模擬的制約條件。
5）繼續訪問路徑中的下個結點，重復步驟3）、4），直至所有點都遍歷到，得到了一次模擬圖像；然后，用一條不同的路徑，從步驟2）重復整個過程，產生另一次實現，直至所有結點都訪問到。SNESIM允許將數據條件作為模擬的制約，共同作用于后驗概率。其中，硬數據相當于監督分類的訓練樣本，在模擬中嚴格繼承其位置和屬性，軟數據則給出每個像素所有可能類別的歸屬概率。
2實例分析
本文在利用傳統的最大似然法對遙感影像進行分類的基礎上，用多點地統計模擬對分類結果作后處理，對比算法為空間平滑方法和基于貝葉斯的馬爾科夫隨機場分類法。
2.1實驗區域和數據
實驗區域位于烏干達的索羅蒂區，采用美國陸地探測衛星系統LandsatTM獲取的影像，軌道號為P171R59，獲取時間是2001－04－17，正是雨季之始，影像中有很多濕地區域。影像被裁剪成9km×9km的大小。土地分類的參考數據是基于已有的研究成果，通過面向對象分類法和實地調繪所得，有水體、沼澤、水生植物和其他植被4個類別，如圖1（b）所示。300個隨機采樣的類別作為訓練樣本用來實施監督分類，參考影像的所有點都作為測試數據以評價分類結果。
2.2實驗過程
LandsatTM影像的1～5和7波段參與分類，分類器是最大似然法，然后，用一個3×3的模板對最大似然的結果進行空間平滑。根據式（2），在同樣條件下實施基于貝葉斯的馬爾科夫隨機場分類法，能量求解采用的是基于Gibbs采樣的模擬退火法。最后，應基于多點地統計模擬的后處理方法。訓練圖像是最大似然法的分類結果，300個訓練樣本作為硬數據的模擬條件，軟數據是由最大似然法估計的后驗概率而得。多點模擬的類別是基于100次模擬的占優類別平均圖。
2.3實驗結果分析
（c）～2（f）列出了幾種方法的分類圖。（d）的空間平滑去掉了（c）中的很多椒鹽噪聲。在空間平滑的窗口中，窗口的中心值用一個占優類別替代。這種無模型的平滑算法只利用了單一的濾波器，無法滿足多類別、分布復雜的空間信息的需求。（e）中的馬爾科夫分類法的結果中，水生植物類的平滑效果比空間濾波更甚，這是由于鄰元簇影響參數的選取會導致同質性；水生植物類邊緣呈現鋸齒狀，這是因為受4－連通的鄰元簇的影響。水生植物類別分布廣泛，而且很多都生長在沼澤的邊緣地區。對于多點地統計模擬的結果，多次模擬實現具有平均效應，類別邊緣比馬爾科夫分類結果的連續性好。最大似然法的結果不僅噪聲多，還存在明顯的沼澤錯分到水生植物類的情況。這種錯分情況在空間平滑和馬爾科夫分類法中依然可見，而在點地統計模擬的結果中有所改善。沿著沼澤類邊緣分布的水生植物類別，空間平滑和最大似然法的結果噪聲較多，而馬爾科夫的分類結果又過于平滑，多點地統計模擬則比較完整地重現了這類邊緣曲線分布，體現了多點地統計模擬在對曲線分布地物類別的細節處理上具有優勢。
2.3.1分類精度
表1展示了§2．3節所述方法中兩個重點類別的精度?？梢钥闯?，對沼澤和水生植物這兩個類別，多點地統計模擬方法的生產者精度有較大提高，而多點地統計模擬和馬爾科夫分類法都對用戶精度有較大改善。多點地統計模擬的總體精度和Kappa系數均高于最大似然分類法、空間平滑法和馬爾科夫分類法。沼澤類的用戶精度在多點地統計模擬法中較最大似然法分類有所提高，但是其提高不如馬爾科夫分類法顯著。原因之一是訓練圖像和軟數據的條件制約是用最大似然法得到的，本身存在誤差。特別是對于軟數據，即使最大后驗概率對應的類別是正確的，但如果后驗概率不夠大，模擬時每次實現也容易出現錯分的情況。另一個原因是沼澤類別的空間分布形態，其分布較集中，且呈連續塊狀區域。因此，這一部分的類別被多點地統計捕捉到時，受先驗的空間關聯性的影響，模擬時更傾向于重現平滑、呈塊狀分布的區域。而水生植物類有著廣闊且連續的分布圖案，沿著沼澤分布的邊緣曲線部分具有連通性和強相關性，所以在模擬中被保留下來。因此，多點地統計模擬后處理的精度要高于馬爾科夫分類法的精度。
2.3.2高階統計分析
為詮釋多點地統計的相關性，本文通過一個針對水生植物類別的三階矩統計圖，比較馬爾科夫分類法和多點地統計模擬方法在高階統計量上的區別。以東方向為起始方向，沿45°角逆時針方向探測3個點之間的空間相關性，即起始點與離起始點距離為h1和h2的點之間的相關性，橫縱坐標分別為h1和h2。對角線的亮度和連續性表明水生植物類模式分布的空間相關性的強弱。左下角原對于水生植物類別，多點地統計模擬比馬爾科夫分類法的結果具有更強的相關性和連續性。右上角的亮度范圍在（b）中比（a）要稍大一些，說明多點地統計模擬的結果中的水生植物類分布細節比馬爾科夫法更多。對于圖案間的相關性，在（b）中約200個單元的位置出現亮斑，而對應在（a）中則不明顯，是由于馬爾科夫法比多點地模擬統計的結果平滑，且分為水生植物類別的像元要少。（b）的局部區域比（a）更亮，表明多點地統計模擬法對細節的捕捉程度比馬爾科夫分類要好。因此，多點地統計模擬在對水生植物這種復雜空間分布的地物類別進行處理時要優于馬爾科夫分類法。
3結語
關鍵詞：教育理論；統計學教育；教學方法
現代教學理念強調“以學生發展為本”，確立“學生主體觀”，使學生積極主動地學習，以促進學生的終身發展。而建構主義理念正是倡導學生主動建構，自主學習。因此，以建構主義理論為依托進行課堂教學改革，具有重要的現實意義。本文僅以建構主義理論為指導，從學生“學”的特點出發，探討統計學教師課堂“教”的特色方法。
一、建構主義理論學生“學”的特點
建構主義對學生學習活動的本質進行了科學的分析，認為學生學習有如下特點：
1、學生學習不是從零開始的，而是基于原有知識經驗背景的建構。即學生在學習統計課程之前，頭腦里并非一片空白。學生通過日常生活的各種渠道和自身的實踐，對客觀世界中各種自然現象已經形成了自己的看法，建構了大量的樸素概念或前學科概念。這些前概念形形，共同構成了影響學生學習統計學概念的系統。學生的前概念是極為重要的，它是影響統計學學習的一個決定性的因素。前概念指導或決定著學生的感知過程，還會對學生解決問題的行為和學習過程產生影響。
2、學生學習知識是一個主體建構的過程，要突出學習者的主體作用。學習不僅僅是知識由外到內的轉移和傳遞，而是學習者主動地建構自己的知識經驗的過程，即通過新經驗與原有知識經驗的反復的、雙向的相互作用，充實、豐富和改造學習者原有的知識經驗。在這種建構過程中，學生一方面對當前信息的理解要以原有的知識經驗為基礎，超越外部信息本身；另一方面，對原有知識經驗的運用又不只是簡單地提取和套用，個體同時需要依據新經驗對原有經驗本身也做出某種調整和改造，即同化和順應兩方面的統一。學生不是被動信息的吸收者，而是主動地建構信息，這種建構不可能由其他人代替。因此，教師不能直接將知識傳遞給學生，而是要組織、引導，使學生參與到整個學習過程中去。
3、學生學習既是個體建構過程，也是社會建構過程。雖然知識是在個體與環境的相互作用中建構起來的，但社會性的相互作用也很重要，甚至更重要。因為人的高級心理機能的發展是社會性相互作用內化的結果（正如統計的特點具有社會性）。此外，每個學習者都有自己的經驗世界，不同的學習者對某種問題可以有不同的假設和推論，學習者可以通過相互溝通和交流，相互爭辯和討論，合作完成一定的任務，共同解決問題，從而形成更豐富、更靈活的理解。同時，學生可以與教師、統計專家等展開充分溝通。這種社會性相互作用可以為知識建構創設一個廣泛的學習共同體，從而為知識建構提供豐富的資源和積極的支持。因此，課堂上師生交互和生生交互活動起到了很重要的作用，“學習共同體”的形成以及對課堂社會環境和情境的營建是學生獲得學習成效的重要途徑。
二、建構主義理論教師“教”的特點
建構主義理論認為教師在課堂中的作用，可以概括為教師是課堂教學的組織者、發現者和中介者。
1、教師是課堂教學的組織者，起主導作用和導向作用。教師應當發揮“導向”的作用和教學組織者的作用，努力調動學生的積極性，幫助他們發現問題，進而去“解決問題”。
2、教師是課堂教學的發現者。教師要高度重視對學生錯誤的診斷與糾正，并用科學的原理和原則，給予正確的引導與指引。
3、教師是課堂教學的中介者。教師是學生與教育方針及知識的橋梁。教師既要把最新的知識和分析方法提供給學生，也要注意提高學生的綜合素質。
從辯證法的角度看，教學是一個不斷發展的動態過程，教與學是對立統一的矛盾運動，隨著教學活動的變化，矛盾的主要方面，或在教師，或在學生。分開來看，“教”的主體是教師，客體是學生，教師發揮主導作用，學生發揮能動作用；“學”的主體是學生，客體是教師，學生進行認識活動和實踐活動，教師則對這些活動施加影響。合起來看，在教學活動這一不斷發展、循環往復的全過程中，教師與學生的主體客體地位是相互依存、相互規定，又在一定條件下相互轉化的。因此，“基于教師在課堂中組織者、發現者和中介者”的角色作用，教師可以實行“提出問題──探索問題──解決問題”的模式組織課堂教學。
“基于學生為主體，教師為主導”的教學思想，在教學過程中，“學”與“導”的活動、學生與教師之間的關系應該是互動的、融合的，在和諧中不斷向前發展。因此，按照“學與導和諧發展”的教學要求，教師在課堂教學中按照“提出問題──探索問題──解決問題”的模式組織課堂教學時，可以采取“誘導試學——引導探學——開導活學”方法組織課堂教學。
（1）設置情境，提出問題，激發學生學習的興趣和熱情
教師引導學生學習首先要從現實的、有興趣的、富有挑戰性的真實問題情境開始。讓學生一開始進入學習探索就真切地感受到統計就在自己身邊，體驗到學習統計的價值，從而激發起學習統計的興趣，萌發積極主動探索統計理論和方法的求知欲望。教師要通過對課堂的組織，讓學生對學習統計產生學習興趣，“熱愛是最好的老師”，興趣盎然地進入了對統計學知識的探索，學生才能學有所長。
（2）探索問題，增強學生主角意識，激勵學生積極參與
“基于教師在課堂中組織者、發現者和中介者”的角色作用，課堂教學方式應從根本上改變原有的教師講、學生聽，教師指揮、學生操作的教學現象。學生要在自己生活經驗的基礎上不斷地提出問題，分析問題，對各種信息進行加工轉換，對新經驗和舊經驗進行綜合概括，解釋有關現象。在教學過程中，教師可以提供一定的支持和引導，設計有思考價值、有意義的問題。學生可以進行小組合作研究探索，教師允許學生從不同的角度去觀察分析，允許學生用自己喜歡的方法學習，通過各自想法的交流、碰撞，發現學生有價值的建設性建議及方法措施，及時制止學生運用統計方法計算分析問題時可能出現的偏差，使問題得到正確的解決。
（3）解決問題，培養學生創新能力，提高學生綜合素質
在以往統計學教學中，我們關注比較多的是學生能否記住計算公式、方法、意義、應用條件，能否利用這些知識完成所設問題的正確計算。而“基于教師在課堂中組織者、發現者和中介者”的角色作用，教師在課堂中，就應該更加關注學生能否將科學知識與自己的生活經驗緊密聯系起來，關注學生在靈活應用統計學知識、創造性地解決實際問題時所表現出來的情感、態度和價值觀。并通過實踐活動，使學生對學習統計產生興趣，變抽象的科學法則、科學方法為得心應手的工具，從而使學生在解決問題過程中，體驗參與學習統計的快樂，享受成功解決實際問題的愉悅。
三、以建構主義理論為指導統計學教法探討
1、設計課堂教學新模式
統計學課程旨在培養學生能夠運用統計學基本理論和定量分析方法，對經濟現象進行定性和定量的分析和評價。統計學課程內容基本分為三個模塊兩個層次。第一模塊：研究統計學的一般問題，屬于基礎理論。第二模塊：推斷統計的理論與方法，相關與回歸分析，屬于一般的統計方法及其在社會經濟領域的運用。第三模塊：時間序列分析與預測，統計指數與因素分析，統計綜合評價，屬于社會經濟統計方法的特有問題，側重于各種統計分析方法運用。兩個層次即理論部分和計算分析部分，兩部分知識比為30：70。反映了知識、能力、素質培養的要求。在建構主義學習環境下，教師和學生的地位、作用和傳統教學相比已發生很大變化。因而首先教師必須改變傳統的教育思想與教育觀念，以現代教育思想和學習理論為指導，利用多媒體等現代化技術優勢，探索最優的課堂教學模式。課堂教學中應進一步發揮好學生的主體作用，讓學生主動地參與到獲取知識的過程中去，做到：(1)合理處理好教材，創造性地使用教材，充分展示學習內容的實用意義。(2)教學思路清晰，過程流暢、自然。(3)采用啟發式、精講多練式、答疑式、案例式等教學方法，構建情景逼近式的教學模式，努力提高課堂教學效果。
2、設計課內課外相融共生的大課堂
課堂教學不僅要教會想要傳授給學生的知識，還要教會學生在書本之外查閱圖書、報刊、雜志、網絡等資料，以開闊視野，擴大知識面，吸取精華，為我所用，要教給學生發現問題、分析問題、解決問題的方法。此外，還要通過課內設計的實訓教學內容激發學生主動參與的熱情，實訓教學內容主要包括統計調查方案的編制、調查問卷的設計、統計表統計圖的制作、綜合指標分析、統計案例分析等內容。統計實訓的課內教學采用精講、示范、多練、答疑的方式；課外教學采用學生自行分散復習和有組織分組制表、制圖、社會調查、整理計算分析等方式。
3、實行點、線、面、體相結合的大統計
“點”是指讓學生根據某一知識點完成作業、實習。“線”是指讓學生針對某一問題進行深入分析?！懊妗笔侵缸寣W生把若干知識點聯系起來進行綜合的分析和實訓?！绑w”是指讓學生能就學科體系及相關學科的內容進行深入、全面、綜合的分析與應用。在講授基本理論和基本知識的同時，注重學生基本技能培養、綜合能力培養、設計能力的培養。使學生能從高度整體把握統計的思路和統計分析、評價思想。
4、充分發揮學生的主體作用
建構主義理論強調學習者在建構性學習中的積極作用，是要求教師在課堂教學中善于激發學生的好奇心和求知欲，使學生主動積極的學習。教學中應根據統計教學內容和學生特點，選擇適當的教學方法，靈活運用適當的教學手段，設置懸念，使學生產生好奇心和強烈的求知欲。統計學教學過程中涉及到特有的概念及科學家，教學中可以適當拓展，開闊學生的視野，影響學生的心智，塑造學生的靈魂，在潛移默化中激發學生學習統計的興趣；教師的教學語言要準確生動形象，善于設疑，啟發學生思維，活躍課堂氣氛，使學生充滿求知思索的激情；做到理論聯系實際，強化學習的動機，激發學生學習統計持久的濃厚的興趣，激勵學生不斷提高對自己能力的欲求，不斷增強自己的學習信心，不斷地在自我實現中超越自我。
5、設置情境，在交互中實現教學目標
學校是社會的一個細胞，是社會的一個重要組成部分。課堂也不單純是“老師教、學生學”的木訥課堂。課堂中的社會性環境主要包括兩方面，一是師生之間的交互，二是學生之間的交互。建構主義認為，每個學習者都有自己的經驗世界，不同的學習者可以對某種問題形成不同的假設和推論。師生在課堂上可以通過合作解決問題、小組討論、意見交流、辯論等形式，促進學習者之間的溝通和互動。統計教學要從過去主要關注“人機交互”到關注“人際交互”；從只關注學生與教師、教學信息的交互到關注學生之間的交互以及學生與校外專家、實踐工作者的交互；從關注個別化學習到同時關注學習共同體的建立。教學中要充分利用社會性資源，調動學生的學習情趣，拓展學生的知識面，在交互中實現最佳的教學效果。
6、構建科學的考核評價體系
關鍵詞：多點地質統計學 訓練圖像 儲層建模
【分類號】：P618.13
一、引言
在油氣開發過程中必然會涉及到相關數據測量，測量過程中就會不可避免的出現誤差，這些數據誤差會給油氣地質儲層建模帶來直接的影響。另外得到確定性的地質變量空間變量模型是不太現實的，那么在這個過程中就需要引用到概率論方法來完善數據建模。舉例來說對于儲層中流體的流動而言就需要結合微分方程系數等參數來進行探討。在利用傳統方法的建模過程中正常情況下都會使用內插方法得到儲層參數但同時也會對流動方程造成影響那么就會產生一定的偏差。因此在油氣地質儲層建模的過程中需要根據實際條件來對數據模型進行調整并篩選合理的模型來進行構建讓油氣產量預測可靠性得到保障。
二、多點地質統計學與訓練圖像
基于變差函數的傳統地質統計學隨機模擬是目前儲層非均質性模擬的常用方法。然而，變差函數只能建立空間兩點之間的相關性，難于描述具有復雜空間結構和幾何形態的地質體的連續性和變異性。
針對這一問題，多點地質統計學方法應運而生。該方法著重表達空間中多點之間的相關性，能夠有效克服傳統地質統計學在描述空間形態較復雜的地質體方面的不足。多點地質統計學的基本工具是訓練圖像，其地位相當于傳統地質統計學中的變差函數。對于沉積相建模而言，訓練圖像相當于定量的相模式，實質上就是一個包含有相接觸關系的數字化先驗地質模型，其中包含的相接觸關系是建模者認為一定存在于實際儲層中的。
三、地質概念模型轉換成圖像訓練
地質工作人員擅于根據自己的先驗認識、專業知識或現有的類比數據庫來建立儲層的概念模型。當地質工作人員認為某些特定的概念模型可以反映實際儲層的沉積微相接觸關系時，這些概念模型就可以轉換或直接作為訓練圖像來使用。利用訓練圖像整合先驗地質認識，并在儲層建模過程中引導井間相的預測，是多點地質統計學模擬的一個突破性貢獻。
可以將訓練圖像看作是一個顯示空間中相分布模式的定量且直觀的先驗模型。地質解釋成果圖、遙感數據或手繪草圖都可以作為訓練圖像或建立訓練圖像的要素來使用。理想狀態下，應當建立一個訓練圖像庫，這樣一來建模人員就可以直接選取和使用那些包含目標儲層典型沉積模式的訓練圖像，而不需要每次都重新制作訓練圖像。
四、二維和三維訓練圖像
二維訓練圖像就是在縱向上沒有變化，比如人工劃相圖，因此二維訓練圖像又稱為偽三維訓練圖像。二維訓練圖像在縱向上不能反映河道微相的加積，在橫向上也不能反映各沉積微相的遷移。因此二維訓練圖像比不能很好的反映沉積構型。在三維訓練圖像中，可以反映各微相在橫向上的遷移和垂向的加積，能夠很好的反映沉積體的空間結構。因此在實際應用中多使用三維訓練圖像。
五、油氣地質儲層建模發展趨勢展望
從大環境來看目前我國的油氣地質儲層建模較以往取得了很大的進展，但是在某些環節上依然暴露了一定的問題，需要在以下幾方面進行完善。首先遇到地質條件較為復雜的情況時需要將側積體視為目標體來進行儲層構型分析并根據分析結果來進行建模。（2）需要進一步提升地質知識水平并且將這地質知識應用并整合到建模中。（3）加強目標體連續性過程。（4）對三維訓練圖像構建和三維模擬中數據事件進行更具深度的把握。（5）對井數據模擬條件進行優化。除了在算法上進行改進外還應該讓原型模型變得更為豐富并體現出層次感，將地震信息進行高度整合化，構建出地質約束原則，另外在建模過程中對層次分析與模式擬合給予充分的重視。
六、結論
將更多的地質資料整合到儲層建模過程中以確保最終數值模型更加符合地質認識，這在預測儲層流體特征時是十分必要的。多點地質統計學為地質工作者提供了一個強大的工具，使得他們可以通過訓練圖像將概念模型和先驗地質認識整合到建模過程中。
目前研究的重點是提高多點模擬算法的性能，包括：提高運行速度，降低內存開銷，提高沉積模式再現效果以及更靈活的整合不同來源的信息等。有理由相信，隨著多點建模方法不斷趨于主流，以及越來越多的地質工作者對這一方法變得熟悉，多點地質統計學將成為下一代地質建模工具。
參考文獻
[1]王家華，張團峰.油氣儲層隨機建模[M].北京：石油工業出版社，2001：119-143.
[2]王家華.迎接油氣儲層建模理論、應用的大發展-從2007年國際石油地質統計學大會談起[J].地學前緣，2008，15（1）：16～254.
[3]李桂亮，王家華.多點地質統計學儲層建模的實用展望[J].國外油田工程，2009，25（11）：1～2.
[4]Andrew Clark S.Challenges for Horizontal Well Placement Optimization in a Giant Mature Onshore Oilfield Abu Dhabi.UAE [C].SPE137070，2010，1～15.
[5]Matheron G. Principles of Geostatistics[J].Economic Geology，1963，58（1）：21～28.
[6]王家華，趙巍.基于地震約束的地質統計學建模方法研究[J].海洋石油，2010，30（4）：46～49.
[7]張挺，盧德唐，李道倫.基于二維圖像和多點統計方法的多孔介質三維重構研究[J].中國科學技術大學學報，2010，40（3）：271～276.
0引言
起源于上世紀七十年代的層次分析法(簡稱AHP)是由美國運籌學家T.L.Sattyti提出的，主要是對多指標系統方案給出一種層次化、結構化的決策方法。該方法綜合考慮了定性與定量兩種決策分析方法，在決策分析問題中有著廣泛的應用。層次分析法主要是一個模型化、數量化的過程，通過對復雜系統的分解，將其轉化為若干因素，在各因素之間通過比較和計算，從而得出不同方案的權重，該權重可為最佳方案的選擇提供依據。在處理實際問題的過程中，經常會遇到諸如目標準則層次較多以及非基本結構的復雜決策問題，此時如何能夠將該問題簡化主要取決于如何從少量的定量信息入手，深入探究問題的本質及其內在關系，將思維的過程數字化，從數學的角度思考，用數字說話，達到準確計量的目的。
層次分析法中各層次的結構反映了各因素之間的關系，如何確定該結構是關鍵所在。通常準則層中的各準則在目標衡量中所占的比重并不一定相同，處理的關鍵在于如何較為準確的將這些比重進行量化。很多時候，對某個因素有影響的因子比較多，如若直接給出各個因子的比重，難免出現偏差，主要原因有：問題考慮不全面、首尾數據顧此失彼、所有數據可能不符合整體性為1的隱含條件等。比如我們有這樣的生活常識：假如有若干個大小不一的西瓜，每個人都能按照自己的感覺給出每個西瓜所占總體重量的大致比重，但是由于不知道每個西瓜具體的重量，每個人給出的數據都不盡相同，而且由于只是估計值，可能所有的比值會出現相互矛盾的情況，也容易出現比值和不等于1的情形。因此，當影響某因素的因子較多時，通常將眾多專家研判的均值作為各因子的比重，但這些比重只是初始值，通常要在初始值的基礎上經過一系列嚴格的轉化、換算，才能最終得出各準則層的相對權重。各準則層相對權重求解的過程大致可以分為三個步驟：1.構造判斷矩陣——分析系統中各因素間的關系，對同一層次各元素關于上一層次中某一準則的重要性進行兩兩比較，從而構造得出兩兩比較的判斷矩陣;2.構造判斷轉化矩陣——由上一步中的判斷矩陣中數據計算各比較元素所在準則的相對權重，并進行一致性檢驗。通常由判斷矩陣到判斷轉化矩陣的轉化方式不唯一，不同的轉化構造方式往往對應不同的適用和使用效果;3.計算各層次對于系統的總排序權重，并進行排序。以上三個步驟中，第二步是關鍵，最終可以得到各方案對于總目標的總排序。
在用層次分析法解決某些具體問題時，可能會出現相對權重明顯集中，權重差距較大的現象。因此，需要對層次分析法相對權重進行改進計算，努力提升層次分析法實際應用效果。本文主要介紹確定相對權數的一種新算法—方程法，并且通過實例檢驗其使用效果。1層次分析法中相對權重的算法新思路
1.1建立判斷矩陣
判斷矩陣是在對每一層次中的所有因素進行相對重要性的兩兩比較的基礎上而建立的矩陣，即：
R=r111…1R1n
rn11…1rnn，其中r11。，r22，…，rnn=0.5，rij表示第i個元素相對于第j個元素的重要程度關系，采用0.05-0.95標度給予數量表示，且rij+rji=1。江蘇理工學院學報第20卷第6期孫丹丹：確定統計權數的新方法——方程法
rij的取值不應由個別人來確定，應由眾多專家共同研判，最終取其均值。專家研判的取值是第i個元素相對于第j個元素的重要程度確定：特別重要(0.85-0.95)、重要(0.75-0.85)、相對重要(0.65-0.75)、稍重要(0.55-0.65)、重要程度相當(0.5)。
1.2判斷轉化矩陣
判斷轉化矩陣：A=a111…1a1n
an11…1ann，其中a11，a22，…，ann=1。
判斷轉化矩陣，需要將rij轉化為aij。
判斷轉化矩陣中aij和aji必須滿足兩個條件：①aij*aji=1;②aij-aji=rij-rji(其中i為i和j兩個元素中較重要者，否則條件②改為aij-aji=rij-rji)。
將以上兩個條件進行變換，即aij-11aij=rij-rji或aji-11aji=rji-rij，求解可以得aij或aji(取正數解)。
1.3準則層的相對權重的計算
①計算判斷矩陣中各行元素乘積：Mi=∏N1j=1aij=ai1·ai2…ain(i=1，2，....n)。
②計算Mi的n-1次方根：Wli=n-11Mi。
判斷轉化矩陣中涉及元素是n個，反映元素間的關系應是n-1個關系。事實上，由于判斷轉化矩陣中a11，a12，…，ann=1，因此對角線上的元素對計算判斷轉化矩陣中各行元素之乘積是沒有影響的。基于以上考慮，應該計算Mi的n-1次方根。
③對Wli進行正則化處理：Wi=Wli/∑n1i=1Wli，其中Wli為判斷矩陣中各行元素乘積的n-1次方根。正則化處理后，∑n1i=1Wi=1。
從上述過程可以看出，新方法中準則層的相對權重計算過程與傳統層次分析法相比，區別主要在于第二步，即判斷轉化矩陣的計算。在判斷轉化矩陣中，aij保留了最初判斷矩陣中rij之間的差異性，并進一步將最初判斷矩陣的對角線相應因素和為1轉化為了判斷轉化矩陣中的對角線相應因素積為1，這在一定程度上解決了相對權重明顯集中，權重差距較大的現象。下面將通過實例，來驗證該方法在處理權重差距較大問題時的可行性和優越性。2層次分析法中相對權重的改進算法實際應用
全部國有及規模以上非國有工業企業主要經濟效益指標：工業增加值率、總資產貢獻率、資產負債率、流動資產周轉次數、成本費用利潤率、全員勞動生產率、產品銷售率，記這7個指標分別為1、2、3、4、5、6、7。
2.1判斷矩陣：11121314151617110.510.2510.8010.5510.7010.8010.75210.7510.510.9010.8010.8510.9510.90310.2010.1010.510.3510.3510.8010.40410.4510.2010.6510.510.5510.8510.60510.3010.1510.6510.4510.510.7510.60610.2010.0510.2010.1510.2510.510.25710.2510.1010.6010.4010.4010.7510.52.2判斷轉化矩陣
由上述矩陣結合算法新思路中判斷轉化矩陣的求法，不妨以a12與a21為例。
由r12=0.25，r21=0.75可知：a21·a12=1，
a21-a12=r21-r12，即a21·a12=1，
a21-a12=0.5。
解方程組可得：a12=0.780 8;a21=1.280 2。
同理，可求得所有a1ij，i，j=1，2，…，7。
匯總整理后可得如下判斷轉化矩陣：1112131415161711110.780 811.34411.051 211.219 811.34411.280 8211.280 81111.47711.34411.409 511.546 611.477310.74410.6771110.861 210.861 211.34410.905410.951 310.74411.161 21111.051 211.409 511.105510.819 810.709 511.161 210.951 31111.280 811.105610.74410.646 610.74410.709 510.780 81110.780 8710.780 810.67711.10510.90510.90511.280 8112.3準則層的相對權重的計算
由上述矩陣結合算法新思路中準則層的相對權重的計算方法可得：Mi分別為：2.316 294，8.186 244，0.454 378，1.345 582，0.909 344，0.154 815，0.612 73。Mi的n-1次方根分別為：1.150 268，1.419 648，0.876 805，1.050 715，0.984 286，0.732 772，0.921 605。
從而可以求得每個Mi相對權重，匯總整理如下：
%11121314151617統計局公布權重116120112115114110113新算法權重116.12119.89112.29114.72113.79110.27112.91傳統層次分析法權123.36146.5913.1518.95111.8611.5414.55本例中，由最后的計算結果可以看出：若使用傳統層次分析法，則最終計算出的權重值差距較大且僅集中于個別因素;而使用新方法所計算出來的相對權重明顯更接近于統計局所公布的數值，且由此方法計算出的權重值也有更為合理的解釋。
3結語
關鍵詞 統計學 spss 大學教育 新生 入學服務
中圖分類號：G64 文獻標識碼：A
一、緒論
（一）研究背景和目的。
隨著當今世界經濟的發展和科技的更新，社會對大學生的選擇越來越嚴格，要求也越來越高，大學四年時光轉瞬即逝，做好新生入學教育，是使學生順利完成從高中到大學轉變，開始準確定位目標規劃，完善人格修養，培養綜合素質，從而成為社會主義合格接班人的重要保證。新生教育是一個循序漸進、層層深入的過程，第一天、第一周、第一個月、第一學期、第一年的“五個一”教育是我們將繼續研究和實踐的長期課題。以搭建和完善“五個一”的新生教育工作體系為目標，需整合學校和試點院系的各類資源，建立對所設計的各類教育活動的教育效果的測評反饋機制，通過比較研究，對該教育工作體系進行評估與總結，形成新生教育的研究成果。
（二）研究意義。
本文以北京某市屬重點高校為試點，針對新生教育“五個一”中的第一天教育所涉及的新生入校服務機制設計滿意度調查問卷，以SPSS為工具結合統計學方法對數據進行分析研究，旨在新生教育常規迎新工作中及時發現問題，提出改進意見，作為日后修訂入學教育方案的依據，加強新生入學教育服務工作。
二、問卷編制與分析
此次某大學新生工作的滿意度調查根據新生進入高校第一天報到的感受分為三大項、十三小項進行問卷的設計，下發至三個試點學院新生，回收問卷562份，覆蓋面廣，針對性強，問卷以滿意程度對同學進行調研，同時進行了開放式問題及基本情況的設計，調查范圍廣，包含內容詳實，起到了很好的調研作用。
（一）問卷質量分析。
結合spss統計學軟件，根據調查回收數據對問卷的問題相關性及信度進行分析如下：
1、信度分析。
是指問卷調查結果的穩定性和一致性?？死拾凸?信度系數是目前最常用的信度系數。一般認為總量表的 信度系數在0.7以上問卷的可靠性較高。如果 過小，可以結合因子分析結果來改善系數。應用SPSS對所有量表的信度檢驗結果見下表。
通過上表可看出，信度系數很高，調查問卷是可靠的，數據是穩定的。
2、效度分析。
是指問卷正確衡量研究者所要了解屬性的程度。因子分析的效度分析中主要的指標可以看，因子提取的方差累積貢獻率，如果因子提取的越少且方差累積率又不低的話（一般如果2個因子達到40%以上的貢獻率就算可以的了），就可以認為因子分析的效度還可以接受。
可以用因子分析里面Descriotives里面KMO和巴特利檢驗（bartlett），KMO的值如果>0.5，則說明因子分析檢驗的效度較好，可以進行因子分析；另外，如果巴特利檢驗的P
通過上兩個圖表看出，學生問卷的效度評價是很好的，即問卷的難易度和鑒別度都不錯，難易度，即被調查認為問卷的難易程度，可以很真實的反應同學們的感知。
（二）數據描述分析。
1、學生樣本特征。
學生的樣本特征對于滿意度的評價有著潛移默化的影響。現就學生的樣本特征進行描述性分析。
性別比例 生源地狀況
所調查對象的男女性別比例 有64%的京內生源和36%的京
為3：2。 外生源。
家庭居住地狀況 是否為第一志愿狀況
有81%的新生住在城鎮， 約有77%的學生是以第一
只有19%的新生住在農村。 志愿來到學校的，只有23%
的學生不是。
2、學生滿意度指數分析。
上表中，5為最滿意，1為最不滿意。所以通過上表可以看出新生對于學校工作人員的熱情程度最為滿意，其次為工作人員幫助你解決問題的成效滿意度，然后為新生報到“一站式”的服務模式滿意度。最不滿意的為整體硬件設施和環境的滿意程度。說明學校應該加大對硬件設施的建設。
3、學生差異分析。
（1）性別差異分析。
P值是不顯著的，說明性別對于新生對迎接新生滿意度是沒有影響的。
（2）生源地差異分析。
與性別不同，生源地分析中的P值小于0.05，即認為生源地對于同學們對迎接新生滿意度是有影響的。
（3）居住地差異分析。
P值是不顯著的，說明居住地對于新生對迎接新生滿意度是沒有影響的。經研究發現，京內學生滿意度略高于京外學生滿意度。說明我們需要加強對于外地生迎接的服務質量。
（4）學院差異分析。
P值是不顯著的，說明各院系學生對于新生對迎接新生滿意度是沒有影響的。
三、對于高校新生入學服務的相關建議
高校新生入學報到是大學新生教育“五個一”的第一天，也是大學生從高中向大學生活轉變、適應大學生活的重要階段，根據調查問卷反應分析結果，對于高校新生入學服務提出相關建議如下：
1、在新生入校服務中需注重新生地域差異，尤其對外地生源進行有針對性、有特色的入學接待工作；
2、建議校方逐步加強對硬件設施的建設力度，為新生大學四年生活創造舒適環境；
3、服務過程中應加強服務流程規范化，讓新生入校能及時明確需要辦理的相關事項，加快辦事效率，更快適應校園。
總之，新生入學教育作為高等教育階段的奠基工程，是加強和改進大學生思想教育工作的有效途徑和重要內容，事關一所高校校風、學風和培養目標的實現，在很大程度上影響著大學生個體一生的發展。大學新生入校服務是大學生新生教育、讓新生邁好大學生活的第一步，希望各高校重視起新生教育、新生入校相關工作，為大學生的成長成才提供有力保障！
（作者單位：首都經濟貿易大學）
參考文獻：
[1]劉六生，馮用軍.高等教育研究中的數學方法.科技出版社，2009.
[2]衷克定.數據統計分析與實踐―spss for windows.高等教育出版社，2005.
關鍵詞：統計學；教學方法；互動教學；案例教學
中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2017）07-0097-02
一、引言
統計學是一門通過搜集、整理、分析數據等方法，推測分析研究對象的本質，預測其未來的綜合性科學，具有極強的理論性和應用性。隨著經濟社會的發展和科學技術的進步，當今世界大數據分析遍布各個領域，統計學的應用范圍越來越大，而且與多個學科交叉，成為一種不可缺少的分析工具。對經濟管理類專業的學生而言，《統計學》課程是教育部規定必修的專業核心課之一。在強調培養學生統計應用能力的同時，為學生進一步學習計量經濟學和多元統計分析等提供必須要的統計學理論基礎也尤為關鍵。隨著經濟社會發展對統計分析需求的提高，以及目前高等院校教學計劃對《統計學》課程授課時間的限制，現有的教學方法已經不能很好地滿足經濟管理類專業《統計學》課程教學的需要。為了提高經濟管理類專業《統計學》課程的教學水平，培養更加符合時代需求的經濟管理類人才，探索《統計學》課程教學方法改革路徑是當前高校教師面臨的一個重大問題，具有重要的理論和實踐意義。
二、現有教學方法存在的問題
隨著信息技術的發展和大數據時代的到來，現有的面向經濟管理類專業的《統計學》課程教學方法出現了新的問題。主要表現在以下幾個方面：
1.統計理論教學多而統計實踐教學少。在經濟管理類專業的《統計學》課程的課堂上，教師的教學方法仍然以講授理論為主。雖然采用了多媒體教學，但依然是講授統計學的理論知識為主，且對于統計學知識如何應用的實踐性教學非常少。以課本知識為主的講授方式，學生實際應用統計學的能力缺乏足夠的鍛煉。通過這種方式培養出來的學生，雖然擁有一定的統計學的理論知識，但是卻不會運用這些知識去分析問題、解決問題。
2.缺乏案例教學。在統計學理論知識的教學部分，大多數教師僅僅是照本宣科，講述完某個統計理論的內涵后，沒有采用相關的案例來進一步說明該理論可以應用的背景，或者該理論可以解釋的現象。此外，《統計學》課程的學習要求同學們具有較扎實的數理基礎，且很多統計學理論都會涉及到一些數學公式。對于這些數學公式，基本上都缺乏相關的案例來解釋這些公式的內涵。然而，目前經濟管理類專業的學生在招生時多為文理兼收，因此部分學生的數學基礎參差不齊，這使得他們不能很好地理解這些公式的內涵，導致對統計學理論認識不夠深入。
3.缺乏互動式教學。就目前的經濟管理類專業的《統計學》課程而言，教學明顯缺乏互動性，教師和學生之間交流很少。一是統計學的理論內容比較枯燥，而教師的授課方式與風格不能改變這種枯燥，甚至使其更加枯燥。二是學生對課堂參與的積極性和主動性不高，這主要是由考核方式以閉卷考試為主，所以學生更關心課堂筆記而忽視課堂參與。互動式教學的缺乏可能會造成教學效果的事倍功半。
4.軟件應用教學不足。當前應用專門的統計軟件，例如R、SPSS、SAS等，進行統計研究，已經成為大數據背景下各個領域進行統計分析的常態。但由于受到《統計學》課程內容多、學時少的限制，我們分配在軟件應用教學上的學時較少。實際上，這些統計軟件是比較復雜難學的，學生在缺乏教師指導的情況下很難自己學好軟件應用。此外，由于部分高校對《統計學》課程的考核方式里不包括對軟件應用的考核，也會導致部分學生會忽視軟件應用的學習。
三、教學方法改革的建議
針對上述提出的現有教學方法存在的問題，結合自身多年教學科研的經驗和實踐，通過不斷的創新與摸索，提出以下幾點改革建議。
1.理論與實踐并重。面向經濟管理類專業的《統計學》課程授課老師在講授課程內容時，應當堅持理論性教學與實踐性教學并重，不可過分重視理論而忽視統計實踐。而且實踐性教學不僅能培養學生運用統計知識解決問題的能力，還能反過來促進學生更深刻地理解統計學的相關理論。對于實踐性教學，教師應該在教學的過程中，結合理論性教學的內容，給學生安排課后的實踐任務。例如，在課程開始時，教師可以給學生分組，讓其選擇自己感興趣的問題，如大學生網購等作為調查主題，根據統計學的授課進度，分步完成搜集數據、整理數據、描述性統計分析、統計推斷等任務。這種方式能讓學生有參與感，體會統計實踐的過程，促進學生對理論的理解和掌握。
2.采用統計分析案例教學。通過課堂上引入具體的統計學案例，引導學生選取合適的統計分析方法進行分析，使得抽象枯燥的統計理論變得立體生動。通過采用統計分析案例教學，不僅可以幫助學生理解教學內容，還可以激發學生學習興趣，鍛煉學生思考問題、分析問題、解決問題的能力。教在選擇案例時，可以根據經濟管理類專業自身與經濟社會聯系緊密的特點，選擇具有專業特色的案例進行深度分析，具體說明統計方法運用的背景、條件以及分析過程。例如，股票市場的案例、物流公司的案例、房地產市場案例等。此外，統計學案例也需要做到與時俱進。
3.采用互動式教學。對于經濟管理類專業的學生而言，《統計學》是課程難度較大，如何提高學生對《統計學》課程的學習興趣以及課堂參與的積極性是一個非常重要的問題。學生只有擁有濃厚的學習興趣，才能具有學好統計學的動力。互動式教學恰好可以激發學生的學習興趣，提高學生課堂參與的積極性。所以，在面向經濟管理類專業的《統計學》課程的教學中，采用互動式教學是非常有必要的?；邮浇虒W并沒有具體的形式，它要求教師在教學過程中，運用多種方法，積極引導學生學習《統計學》課程的思路，激發學習《統計學》課程的興趣以及課堂參與的積極性。此外，可以將互動式教學納入課程的考核范圍，這樣可以更好地提高學生的積極性。
4.理與軟件應用相結合。使用統計學方法解決經濟管理實際問題時，需要處理大量的統計數據，此時學習R、SPSS、SAS等專業統計軟件是非常必要的。教師在教學過程中，可以將統計理論教學與軟件應用相結合。一方面，可以解決大量數據煩瑣的計算問題，提高教學效率。另一方面，通過教師統計軟件的演示，學生可以更好地學習軟件操作，掌握運用軟件處理數據的方法。由于受到《統計學》課程內容多、學時少的限制，大部分經濟管理類專業在課程安排時，選擇先講授統計學的理論知識，在理論課程結束之后，才安排軟件應用的上機操作課程。這種安排是不盡合理的，從以提高學生運用統計知識解決問題的能力為目的的角度看，既不利于教師的教學，也不利于學生的學習。將理論與軟件應用相結合，教師可以更好地教授理論知識，學生也能更好地理解理論知識并熟悉軟件的操作，對于軟件操作，在學中用，在用中學，有利于學生更加快速地學習軟件應用。
四、結束語
經過多年的改革和發展，雖然面向經濟管理類專業的《統計學》課程的教學方法已經越來越規范化和系統化，然而目前的教學方法仍然存在一定的問題。學無止境，教無止境，時代的要求在變化，教學方法更應該不斷地改革和完善。面向經濟管理類專業的統計學課程的教學方法應當更加豐富多彩。本文面向經濟管理類專業的《統計學》課程教學方法改革的幾點建議是經過我們多年的《統計學》課程教學和探索的總結，希望能對廣大師生提供有益的幫助。
參考文獻：
[1]唐志.統計學課程考核方式改革的理論與實踐[J].高教論壇，2011，（11）：17-19.
[2]黃海午.《統計學》課程教學新模式探索[J].廣西民族大學學報：哲學社會科學版，2008，（12）：163-164.
[3]吳啟富.中國統計學課程建設發展沿革及存在問題[J].統計與決策，2012，（3）：48-50.
[4]紀淑嫻.網絡環境下經濟管理類統計學課程教學的思考[J].中國教育技術裝備，2010，（30）：109-111.
[5]史文雷，徐蕾，彭學君，宋存米.經濟管理類專業統計學課程教學改革研究[J].科教文匯，2011，（06）：41-42.
[6]姚壽福.經濟管理類本科專業統計學課程教學改革思考[J].高等教育研究，2012，（29）：23-27.
關鍵詞：小學數學；統計；教學方法
《義務教育數學課程標準》強調，要讓學生經歷運用數據繪圖、制表，發展學生統計觀念，使學生養成數據觀念，學習判斷分析的能力，要求學生從收集的信息中提煉信息，找尋規律。使學生在具體的實踐活動中體驗收集、整理、表述和分析的環節，學會最為基本的統計方法。
一、引導學生全身心地投入到統計的過程中
教學中，教師關注到學生，將學生放于主動地位上，充分展現課程標準中所要求的學生是數學學習的主人這一教學理念。我們師者要成為統計教學中的倡導者、指引者、交流者、合作者，引導學生積極參與，充分體驗統計教學的那種自主、交流、探究的氛圍。在學生自主參與下觀察、操作、交流中學習探究統計知識，理解掌握比較簡單的統計方法，充分感受到統計知識在生活中的應用，從統計角度去思考問題，親身經歷數據的收集、整理及分析的過程，再進行進一步的提煉，使學生掌握統計知識。
二、關注學生已有的生活經驗，充分調動學生學習數學的情感
統計教學中，教師應該密切關注學生自身的生活經驗，選擇與學生密切相關的日常活動，讓學生感覺數學就在我們的身邊，充分調動學生對統計學習的那份情感，激發學生學習探究統計知識的積極性，增強學生學好統計知識的那份自信，使學生打心眼里去喜歡學習數學。
例如，在元旦聯歡會班級準備買什么樣的水果時，調查班級同學最喜歡吃的水果，制定在規定的數額之內的購買計劃。教學時，先讓學生先做一些實際調查，而后再去思考具體的統計方法，較為詳細地咨詢班級同學中每一個人的喜愛，統計每一種水果的人數。最后再對統計的結果做進一步的表達與交流，解決課堂上教師提出的問題。
三、引導學生將統計知識運用于現實生活情境中