在第 1 周的第二个模块中，我们将直接快速复习统计假设检验。由于我们假定你刚刚学完《基础统计学》课程，因此我们的处理方式会更抽象一些，而且我们会讲得非常快！我们提供了相关的《基础统计学》视频，以备您需要更温和的介绍。复习之后，我们将讨论比较两组分类或定量因变量的方法。我们对自变量和因变量使用不同的检验方法。

在本模块中，我们将讨论分类关联。我们将主要讨论卡方检验（Chi-squared test），它可以让我们判断两个分类变量在人群中是否相关。如果两个分类变量互不相关，你就会认为这些变量的类别不会 "在一起"。在另一个变量的每个水平上，一个变量的每个类别中的病例数都会按比例相似。卡方检验可以帮助我们将每个类别组合的实际案例数（联合频率）与变量不相关时的预期案例数进行比较。

在本模块中，我们将了解如何使用简单（线性）回归分析来描述两个定量变量之间的关联。通过回归分析，我们可以对两个定量变量之间的关系进行建模，并根据我们的样本来判断人口中是否存在 "真实 "的关系。回归分析比单纯计算相关系数更有用，因为它可以让我们评估回归线与数据的拟合程度，帮助我们识别异常值并预测新病例的因变量得分。

在本模块中，我们将了解如何使用多个预测因子来描述或预测定量结果变量。在社会科学中，心理变量和社会变量之间的关系通常不是很紧密，因为结果通常受到涉及许多变量的复杂过程的影响。因此，能够用多个预测因子来描述一个结果变量确实很有帮助，这不仅能提高模型的拟合度，还能在控制其他预测因子的情况下评估每个预测因子的单独贡献。

在本模块中，我们将讨论方差分析，这是一种非常流行的技术，它可以让我们比较两组以上的定量因变量。我们之所以称之为方差分析，是因为我们要比较两个群体的方差估计值。如果群体中各组的均值不同，那么这些方差估计值也就不同。就像多元回归一样，因子方差分析允许我们研究多个自变量的影响。

在本模块中，我们将讨论本课程的最后一个主题：非参数检验。到目前为止，我们主要考虑的是需要假设分布形状的检验（z 检验、t 检验和 F 检验）。有时这些假设并不成立。非参数检验所需的假设较少。有几种非参数检验与参数 z 检验、t 检验和 F 检验相对应。当响应变量是有序分类变量而不是定量变量时，这些检验也会派上用场。还有与相关系数相对应的非参数检验，以及一些没有对应参数的检验。

在这最后一个单元中，没有新材料需要学习。我们建议你花一些额外的时间复习前面模块的材料，并为期末考试做练习。我们为您提供了模拟考试，您可以多次参加。期末考试的结构与模拟考试完全相同，因此您可以心中有数。请注意，每七天只能参加两次期末考试，因此请务必做好充分准备。请遵守荣誉守则，不要在考试时或考试后与他人交流或讨论。在考试的开放题（即非选择题）中，您应将答案精确到小数点后 3 位，并在计算中使用小数点后 5 位。祝你好运