7.30更新：在杨老师的建议下增加了有关似然理论的介绍。到此为止数理统计中有用的概念基本就介绍完了。不过这门课并不需要这些比较难的理论证明，大概了解概念就够了。其实我对这部分的理论也不太熟悉。 

7.15更新：

为了鼓（hu）励（you）所有数院有兴趣的同学选这门课，最近计划编写一个讲义，目的是将这门课的选课门槛降低至0。似乎许多同学因为没有预修数理统计、R等并且因为置课叠课的原因在选课上有纠结，但我觉得数统真的没其他的好课可选了。

讲义链接（已更新到1.1版本）：regression.pdf (ustc.edu.cn)

更新：23秋季学期我将担任这门课的助教，欢迎管院和数院的同学们来选，包教包会！

这门课的预修要求是《数理统计》和《实用统计软件》（R语言），对于管院或者数院修过对应课的同学来说，完全不用担心。

对于数院完全没接触过相关统计知识，想修这门课的同学，我简单写写需要提前了解的内容。

数理统计：参考教材《数理统计》韦来生。最简单的办法是开倍速去把b站上这个课刷一遍：https://www.bilibili.com/video/BV1Zq4y1C7Bs/?spm_id_from=333.337.search-card.all.click&vd_source=6e8cf3844aecb33e7b9812872dba95f8

这个课的质量很高，丰富详细又有许多统计思想。如果你把这个看完，那数院的数理统计也不用去听了，被这个课真包含，虽然不好意思公开说，但数院的数理统计和回归分析课质量太低了……自己都能理解基本概念的情况下，做做或者抄抄数理统计的作业题，那数理统计的各种考试也不用担心了。我觉得数统的同学应该有这个自学能力，自己坚持看下来就很舒服、学得多，如果被老师的节奏带着可能还会觉得数理统计学起来很痛苦。

如果只是想了解修回归必须要学的概念，打算先看看基本的概念然后和数理统计一起系统学习，那我下面写一下用的到的概念（可以参考韦来生的教材）：

• 正态总体样本均值和方差的分布（概率论学过），卡方、t、F分布（了解概念）。
• 点估计中的极大似然估计，其他的可以大致扫一眼
• 区间估计的概念，知道置信度为\(\alpha\)的置信区间是什么就可以了
• 假设检验中的概念：原假设、备择假设、如何否定原假设，似然比检验好像回归也基本没用，假设检验与区间估计的讨论了解一下。我认为假设检验是数理统计中最精彩的部分

没了，真的很少。事实上数理统计课中学到的许多“优良”模型，以及它们
“优良性”的验证，在学完课后就不会再用到了，因为它们太古老，没有太多的研究价值，完全无法和当下的新方法以及机器学习方法抗衡，真的做不到“优良”。

R语言：因为选修课程的同学编程水平参差不齐，所以杨老师基本会直接把每次实验的题目连同代码一起发给你让你学，所以你只需要看着他的实验讲义手敲（不建议直接复制粘贴交作业），然后照猫画虎的完成极少的需要自己变一点点的练习题就行。杨老师永远可以让你花费最少的精力学最多的东西。

如果想系统性地学学R语言，可以参考北大李东风老师的讲义：https://www.math.pku.edu.cn/teachers/lidf/docs/Rbook/html/_Rbook/index.html

系统性学习可以自己看完1-19（看不明白的直接跳过），挑感兴趣的代码复制到自己的编译器上跑一下。其他的用到了再查就好，gpt更好用。但这门课不会要求你太多。

原回答：

从头到尾一点毛病都挑不出来的课。

课程内容随便讲讲：

1. 因果论断：启发学这门课的原因，关联和因果的关系是什么？我们用什么样的方法可以得到怎样的结论？在学完这门回归课以后，用线性模型可以做到什么？
2. 相关性分析：随机变量的相关性，两个随机变量整体的相关性（直到期末复习时我才搞懂这一块的点则相关系数和决定系数到底代表什么），控制变量以后的相关性即偏相关。这部分学起来似乎和回归毫无关联，计算也略微繁琐，但后面发现这其实就是回归模型的起源，一脉相承。
3. 线性模型：多视角阐述，之前也有评论提到过，在此不多讲。你几乎不可能单从任何一本书上学到如此完整的线性模型，杨老师说他一直想写书，但自谦地解释为因为语文功底不好一直没有写成，还说大学生最应该学的是线性代数和语文？
4. 方差分析：判断不同效应的影响是否相同的一套假设检验理论，可以直接写成线性模型F检验的形式
5. 回归诊断：如何说明回归是否有效？
6. 预测：很快带过，这部分其实是机器学习的重头戏

课程的后半部分可能初学会觉得知识零碎冗杂记不住，但是全部梳理一遍之后发现回归的主线相当清晰，杨老师的讲义也是唯一一门涵盖了课程所需要的所有内容，甚至还能学到不少拓展知识的讲义。加上两位助教辛苦做的复习主页，真就是手把手教你回归，生怕有点学不会。

顺便贴一个我期末复习时整理的提纲，其实可读性并不强，本来打算梳理一下课程内容，但因为这门课零散的定理有些多，还都记不太清，我就全都截图放上去了，可能可以给后面的学弟学妹复习时做一个查漏补缺或考前速记的参考吧。

https://mubu.com/doc/2iPZ-OY6kC#m

在已经没什么热情听课，琐事繁多的大三，杨老师让我的节奏在他的三节课里慢下来，感受统计思想的魅力。至于选课建议，管统应该没得选，所以建议数统人都来选杨老师这门回归，前置的话两周速成基本的数理统计，一周看R语言也够了，编程其实到了写实验的时候现学都行。大三就不要担心叠课了，真的不希望数统的同学上了两门数院的统计课以后只学会了套套模型算算数，感受到的只有无聊和折磨，渐渐失去了选择这个方向的初心。

大三结束，回来补票。

杨老师的回归分析不仅讲的好，给分也好，内容充实丰富，且对于3.5学分的课程来说作业负担并不大，我以个人名义宣布，yyn的回归分析为科大最强统计课！

上课节奏基本上是一节课一讲ppt，从最基础的相关系数，偏相关系数开始，引入线性回归模型，在对必要的线性代数基础进行介绍后，引入求解线性回归模型的最关键的最小二乘法（令我印象最为深刻的是，杨老师为OLS提供了足足四种解释方式，从投影直观到矩阵求逆解释，时至今日仍然令我印象深刻），之后是将线性回归模型拓展到了单/两因素方差分析上，在回归诊断中介绍残差分析与影响分析，并且提供了数据分析的实例供大家参考。最后对线性回归模型的预测作了讲解。其中当然还有些我没有提到的一些如IRLS、GLS、LASSO等等较为高阶的知识等，不再多费口舌。整个知识体系充实而不冗余，脉络清晰明确，对线性回归分析做了完整丰富的综述。包括当时自己同时期修了线性统计模型（所谓的“高阶”研究生课程），发现线统\(\subsetneqq\)yyn回归。所以，这门课的含金量请自行体会！

而在此基础上更能惊艳到了我的是，杨老师在最后几节课对深度学习中的神经网络中的回归思想作了简单扼要的讲解，首次让我能从统计学角度意识到神经网络其实就是一个大型的回归模型，对于当时的我来说可以说是刷新认知级别的启发了。

课程的理论与实践安排比例得当，作业一般会有让自己写证明的部分，考察理解。上机会让自己做一些数据的分析实操，可以更加直观的理解什么是回归。最后考试内容也很全面，从理论证明到计算到如何提取R程序的输出结果中的信息，内容都是来自杨老师自己提供的考纲以及复习题，只要对照着好好复习基本上不会出现较大差错。

关于最后给分，大家都说好！杨老师真的是能捞的都捞起来了。当然这应该也得益于杨老师这门课教的好，教学水平好优秀率没有理由不给高，我想在此不必多言了。

作为数院同学，本学期同时学习数理统计和这门课，刚开始可能会有概念不清、对各种统计量不够熟悉的情况，记得我第一次作业还在写“p值小于0.5，接受原假设”，助教指出之后鼠鼠真是无地自容.jpg，但在大致刷完缪老师的网课、看完rxf助教写的课程前置知识后感觉好了不少。（感觉最好还是在暑假把假设检验之前的内容都看完比较好）

再来说说对这门课的整体感受。第一遍听课可能会觉得云里雾里，但在梳理过后会发现前后琐碎的知识点的关联。从相关性分析到线性回归模型、从单变量到多变量，线性代数当中“投影”的思想贯穿始终。很多前后的呼应（比如刚开始相关分析的t检验其实就是后面F检验的特殊情形）非常精彩。很多琐碎的概念不需要硬记公式，借助几何直观更好理解。

 作业前半学期比较简单，涉及一些线性代数的基本运用，but个人觉得后半学期难度上来了，有时候为了复习别的科目的考试没有认真听课，导致作业一脸懵逼。不过期末复习时再看这些题还是比较合理的，基本是课件内容的延拓（但有些时候老师喜欢把还没讲过的课件内容留作作业，这时候自己写就比较困难，不妨直接翻翻还没讲到的课件寻找答案.jpg）。总体感觉yyn老师布置的lab和作业质量很高，做完收获很大。助教水平也超级高，答疑巨大高效，还写了巨大精致课程讲义，给同学们提供了巨大完备的作业答案and巨大详细的复习建议。

最后期末考试比较中规中矩，第一题是选择题，基本来源于考前给的判断题复习材料；第二题考察残差图，以及最小二乘的定义（误差平方和求导为0）；第三题是Gauss-Markov定理，LS估计是最佳线性无偏估计；第四题是每年都要考的R软件输出及相关计算；第五题考察均方误差相关证明（类似于最后一次作业中的相关题目）；第六题是删除一个样本点后RSS和beta的变化（直接默写公式上去也给分了）。老师不仅给了极为详细的复习范围，还延长了15min，感觉巨大仁慈。至于给分也相当好，毋庸置疑。

anyway是鼠鼠体验超级棒的一门课，and给任学长（jie）疯狂打call！！！

这门课最好的地方，在于并没有把回归分析讲成矩阵代数。杨教授从第一节课开始，就不断地利用有启发性的例子，阐述理解样本的方法。或许矩阵算来算去的那些技巧考完试就忘了，但是 Galton, Pearson, Tukey 的那些经典故事和分析方法，是印象深刻的。

秋季学期比较长，课程也十分完整。大致的思路是：关联与因果，概统复习，相关性分析，一元回归，矩阵代数，最小二乘法，F 检验，方差分析，GLS 理论，回归诊断，预测与误差，变量选择，惩罚最小二乘，以及深度学习简介；还有 bootstrap, jackknife, permutation 等算法。内容确实不少，但考试前教授准备了复习题和期末范围，所以压力并不大。

总体来说，这门课的作业和实验都不算很多，特别是在和统计软件对比之下。其中，作业基本就是计算题和课件上一些命题证明的补充；实验则部分节选自 alr4 这本教材（非常好的书），数据的处理方式可以参考以下网址：

http://users.stat.umn.edu/~sandy/alr4ed/links/alrsolutions.pdf

https://www.waxworksmath.com/Authors/N_Z/Weisberg/weisberg.html

最后，期末考试的五道题中，第一题是基础概念填空题，第二题考查 R 语言和一元回归，三至五题都可以类比作业，并且在复习题上也有类似的问题。最后不知道期末考试成绩，但给分是很好的。

感觉没有学会。。。。。。。

发现投影也可以玩的很花。

太长不看版：

真正能学到很多东西，要付出努力但是不痛苦，老师和助教认真负责，给分超好！

细说版：

自报家门：

21级管统菜菜，唯一学明白的一门专业课是线性代数（表白oyy）

关于课堂：

（个人认为）在管统，这门课的课堂质量和排长的数理统计并列第一！

一些比较数学的证明老师会深入浅出地推导，上课跟着听一遍&课下再看看就可以完全理解

回归分析用的线性代数还是会比较多 ，让我找回来了久违的学线性代数的快乐

不过如果线性代数学得不够好也没关系，老师的讲解足够清晰，只要好好琢磨都是可以carry的

（PS：这门课到课率并不高，是不是说明自己看一遍也完全可以？）（对于我这种菜鸡来说还是要上课听一遍的）（目移）

更重要的是，老师没有把这门课上成矩阵代数，在课上会补充很多统计学背景，也会告诉大家motivation，或许这就是所谓的“统计学的学科魅力？”（虽然本菜鸡有一点点达不到这个境界）但是真的是有收获的

关于作业：

真正好的作业是同学经过自己的努力可以想得明白做得出有收获，而不是让同学做一个晚上一道题做不出破防抄答案

（说的就是你，时序）

（个人观点不喜勿喷）

老师很擅长留作业，回归分析的书面作业和上机作业都是有一定的难度但是设计的非常合理，只要自己认认真真地做都可以做得出来并且学到东西

印象很深的一次Lab 从早上九点写到凌晨两点但是丝毫不觉得累反而很开心

（反观隔壁时序的作业写一上午就破防做不下去了）

关于考试：

课件+作业

不像某门课课堂作业考试处处不交

（说的还是你，时序）

难度正常（甚至有两个选项一模一样的选择题）（老师好可爱）（划掉）

关于给分：

个人感觉给分很好&出分后课程群里都是“感谢老师和助教”

其他想说的：

这门课是这学期最有收获的一门课，也是给我带来快乐的一门课

在管统大二一年经历了太多努力没有回报付出没有收获

这门课也算是给了我一些信心吧，让我知道我是一个正常人而不是智障

PS：助教xgg 炒！鸡！ 负！责！笔芯~

这门课的内容其实还是蛮多的，虽然每周只有一次课，但还是值得花时间来学。

这门课先从相关系数和偏相关系数的计算开始，之后开始介绍简单线性回归模型，花了一两次课讲回归系数的估计。为了深入同学们对回归系数估计的理解，老师还愿意多花一节半的课程去补充线性代数中的一些知识（虽然那两节课到课率奇低，但好像也没点名），在这之后就在投影的观点下去看LS估计，随后介绍部分回归系数的估计，以及回归系数的显著性检验。最后介绍了一些广义最小二乘和预测（这一节的内容蛮有趣的，主要讲了：C_p准则的推导、AIC和BIC准则、最优子集主成分回归、岭回归、LASSO等等）

说结论：这门课绝大多数方面都无可挑剔，无论是作业，考试，还是给分。唯一的缺陷可能是老师上课的时候喜欢扯一些有关背景的趣闻，导致听课时注意力比较容易涣散。但平心而论，老师上课时会带着做一些比较关键的计算，如果跟着老师的思路，做作业考试的时候算数通常会算得比较快。

作业量是非常合理的，每周把最关键的命题稍加修改留作作业，能够有效帮助同学们回忆起各种公式。其实这门课最大的难度就是熟练度了吧：背完繁多的公式后如何选取最快的计算方法。这几乎只能通过做题来提升。好在助教真的超级尽责，每周作业都会留答案，按着助教答案的思路把作业重新写一遍，对于这门课的公式会有更深的理解。

上机实验质量也很高，之前完全没有接触过R语言，花了好多时间配置rstudio和latex。尽管如此，在4次lab后，感觉自己已经对编写一个rmd文件轻车熟路了，因此感觉lab的主要意义还是帮助同学们熟悉r语言。这里放一些rmd和r的教学链接供没有修过r语言那门课的同学们参考：

https://cosname.github.io/rmarkdown-guide/

https://www.math.pku.edu.cn/teachers/lidf/docs/Rbook/html/_Rbook/index.html

最后提一嘴考试。这门课不设期中考，所以期末考显得尤为关键。杨老师人特别好，最后一节课会把详细的考试范围圈出来，lab什么的也不考，总之就是不会在背诵上难为同学们。因此个人认为最优策略是把杨老师主页上所有讲义打印下来，一个一个公式琢磨透，核心公式完全理解后，重新把所有作业题再做一次，最后看往年题。做题过程中尽量往标答的思路去靠，通常标答的计算方法是最简单的。

关于考试也没什么其他好说的了，23年秋季的考试难度不大，和往年考试的风格也比较相似。比较有趣的一点是最后一道题目10分，讲的是删去一个数据点后对回归系数和RSS的影响，这个在课件上其实有相关的计算公式，但非常的不显眼。杨老师说他也记不得，但是记得清楚的话就能用，因此建议同学们在背公式上还是多花点功夫。

杨老师上课会穿插很多统计的思想方法，听了还是有很多收获的。期末考记得把ppt都过一遍，有时间要把那些公式（尤其是线性代数部分，本人就栽在这了！）都自己推导一遍。

出分了，似乎被老师捞了一个档，来认真评一下课。

这门课上课主要介绍了线性回归模型，通过简单线性回归模型引入，然后到高维情况，中间穿插了一些矩阵代数的内容，之后还补充了一点广义线性回归模型（主要是异方差模型，今年没讲logistic回归），然后讲了一点实例，最后两节课科普了一下深度学习。杨老师上课体验不错，以ppt为主，公式推导会在黑板上写，同时会穿插一些motivation以及统计思想（甚至讲矩阵代数时也让我们用线性空间的角度去理解），可惜杨老师语调确实有点平，加上周四上的是早课，很多时候我都没有认真听（感觉对不起老师给我的总评）

作业实验啥的比较轻松，书面作业一共布置了9次，上机实验有5次，今年上机实验没给答案，因为处理的是实际问题，可能也没有标准答案，但是没有一个参考也不知道自己的想法靠不靠谱，助教改作业和实验也是比较随性，好像交了就有满分。

这门课没有期中考试，期末考试比较基础，而且老师还很精确的划了考试范围，很多题型都见过，然后有一道矩阵代数题没做出来，所以时间复习的话建议把ppt上所有定理的证明都自己过一遍（线性代数也最好回看一下），对考试可能帮助会大一些。

最近发现和自己做的东西相关的在杨老师的slides上面都有，不得不感慨杨老师这门课内容和质量都是很不错的，十分后悔去年上课没有全程认真听讲，如果都认真听了视野应该会比现在宽很多吧。回归分析在统计学可以说是很大的一个topic，涵盖了非常多的内容，希望学弟学妹们在上这门课的时候不要仅局限于最基础的回归和矩阵代数，对于杨老师拓展的内容也可以认真学一下，对科研应该会很有帮助

老师人真的好。2020Fall Final样卷如下：

Regression.7z

课程主页：

http://staff.ustc.edu.cn/~ynyang/lm2020/

一句话：没有缺点！

（非要说有的话，感觉讲的东西稍微少了一点）

不知道为啥到课率那么低，是因为大家都觉得太简单了嘛

总结:yyn老师我男神

大三上最精彩又最实用的一门课,建议大家就算把时间序列之类的课糊完了都不要吝惜给这门课花时间(一个学期完了发现没学这门仅有的好课非常惭愧)

这门课的课件非常完美，内容简而精，不缺 任何证明细节，可以说是科大最好的ppt！

作业大多是课件的推导，得到基于课件的进一步结论，根据课件命题、定理的计算，做完非常有收获！

上机的参考文件非常详细，简直就是手把手教我们使用R语言进行回归分析。

考试的卷子可以打满分，老师不出任何偏难怪知识点，只出重要知识点。在考试已经进行一个半小时的时候，杨老师看了大家的卷子后直接延长十五分钟！杨老师十分nice，给力！

这门课虽有这么多优点，但也存在一个个人认为比较大的缺点。这门课我只去了6次，去了之后发现杨老师的课堂让我无法专心听讲，课堂效率其实并不高，所以我后续再也没去上过课，可能这就是本学期到课率很低的原因吧。

这门课可以说非常适合自学，个人认为把上课的2.5h拿来自学，比上课的效率高多了！遗憾的是，我并未做到，所以我还是建议大家去上课教室自学。

最后谈谈给分，给分相当友好，个人认为90+比例能不低于20％，好好学就完事了，肯定能拿到一个想要的绩点！

没听过，只是传一下课程资料，之前的课程主页被关了

管院回归分析课件.zip

老师很好，也上过杨老师教的多元统计分析，感觉老师一看就是很有水平的那种。每节课之前都会提纲挈领的说一下这章的总体是什么，经常用自己的理解，直观的分析，思路很清晰。

作业都是老师出的题，一般两三节课一次作业，一次5-6题，大部分都可以在老师课件或者课堂笔记找到。

期末五个大题，多元统计分析也是五个大题，会尽量都考到。

老师上课真的非常好，如果认真听会有很大收获，这学期有点可惜，没有认真听，最后很可惜得了84。这门课老师都是用自己讲义，教材没用过，所以习题很少。

老师是真的好，复习的时候给了一份精确到ppt页数的复习范围。老师的PPT做得也是真不错，平时的作业大多数都是ppt里的证明，作业负担不是很大（但由于我上课没认真听也有好多次作业不会写qwq）。这学期有5次上机实验（本来应该是6次，老师看最后一次要在考试周了就没布置），实验文档和上课PPT里有详尽的示例，像我之前完全不会R语言的，每次实验也只花不到4h就可以写完。

课也是好课，让人可以领会到统计的魅力。整个课都在讲线性回归模型，主要内容就是LS估计、显著性检验、残差分析、预测等内容，中间有两周补充了点线性代数的内容（不得不说上了这个课之后我的线代水平显著提高了）。没有教材，全部使用老师自己做的PPT。复习的时候觉得老师的思路真清晰，把老师的PPT认真过一遍就行了。

助教也非常nice，每次我问问题几乎都是秒回，唯一不足的就是平常作业不发答案，都攒到期末一起发下来。

考试也比较简单吧（虽然我还是有个证明杠杆值下界的不等式不会），基本内容复习到了应该就没啥问题。还没出分，给分未知，不过有这么好的课程体验就足够啦。

21秋的课程主页：staff.ustc.edu.cn/~ynyang/regression/

个人认为，一门课拿到高分最重要，其次是学到东西。这门课这两项给我的体验都不错。

吹爆杨老师。没有期中，期末一锤定音，但是考得很基础，考试比作业简单很多。老师考前就说了，会考线性模型中最基础的内容。从卷子来看的确如此，不像有的老师对于“基础”的定义和学生不太一样。只需要掌握最基础的定义性质，考的东西PPT上都有（除了最难的那一问PPT上没有类似的东西，自己也没做出来，考完回去的路上老师说这一问就是用来区分的，不能人人拿一百。）第一题填空考的是最基础一些的定义，后面大题考了通过协方差阵求最小二乘的各个参数（作业有类似题，公式PPT上都有）、回归诊断的影响分析（作业有类似题，hii的表达式、cook距离）、预测（作业有类似题，求预测误差和均方误差之类的东西，套公式就行）、补全程序结果（作业有类似题，上课也强调过做法，小学除法）。

老师人非常好，就是讲课很多地方听不明白，需要自己下去看PPT。考前划范围，少了很多负担。作业量不大，每次五六个题，这学期有9次书面作业（其实第一遍学的时候会觉得有点大，因为上课很多地方没听明白，下去看一遍PPT再写作业还是会吃力。但是期末考前复习完之后再看作业，发现量其实很少）和5次上机作业。本人计算机学的很差，所以觉得上机很吃力。建议平时学好，不要堆积到考前。

杨老师非常认真负责，无论是讲课，作业布置还是考试，都感觉安排的很好

没有期中只有期末

老师ppt做的很详细，上面的许多结论证明过程是很重要的，建议自己多推一推，可以加深理解，包括一些引理，有时候也非常有用（可以体现在考卷上

作业其实不怎么多，而且老师很贴心，知道哪一次多了会主动告诉同学们可以迟交。并且考试前给的样题里考试里也有非常非常接近的，一定要把那个样题完全搞懂。考试题里会有简答题，虽然不知道怎么改的，但感觉那个题也许有放水的可能，因为老师反复强调一定要那个题做了，不要空着。本人成绩还算满意，但是看群友说可能成绩不如预期的好，也许是感觉不太难所以大家整体自我感觉都不错。据说第一次提交成绩优秀率超了被退回来，老师又重新提交了一次。虽说老师给分确实还好，但是在题不难的情况下还是好好复习好好考才能拿到高分。

感觉杨老师上课讲的有的东西真的很有神奇也很有趣，可能很久之后知识不一定记得，但这些小tips和故事应该会记得。

疫情在家上课学得实在潦草，复习的时候把老师的ppt重新看了一遍才发现老师的课程串联的很有逻辑，从一开始介绍回归效应，关联与因果这样的统计思想，之后是偏相关系数的矩阵操作，然后从简单回归到投影观点下的多重回归，自此引入F检验（带着投影观点看简洁很多），最后讨论MSE的方差和偏差分解，因为老师记错了教学时长，一些岭回归，lasso等延展内容没有讲，还是有些可惜。

总之，认真学习老师的课很有收获，曾经翻数院的飞跃手册，有学长提到面试清北时被问及 最小二乘法为什么选择的是y轴上的距离而不是到回归直线的距离，大佬Z助教也说自己面试时被问到投影有哪些应用，可见回归分析中这些思想性的东西对大家之后各种申请面试是很有帮助的，也是统计专业面试的高频问题。

最后呢，这门课需要不少矩阵操作，与多元统计前部分的矩阵代数知识有共通之处，花点功夫复习扎实后面学习也会省力些，这块可以看王松桂《线性统计模型》的前几章，特别地，学习一下正态二次型和线性型的性质能让F检验的有关证明异常简洁。

至于作业，证明部分大部分是把老师课件上证明重新推一遍，上机作业老师会给详尽的示例，总之课业负担不是很重。

期末考试马马虎虎，被杨老师现场提（ming）示奶到了，感谢杨老师！

老师讲课应该蛮好的，课件虽然不美观但复习的时候能感到做的很用心。

关于考试问题，卷子非常简单，但分值比较大，也就是说基本不能犯错。

注意：一定要尽量待到最后再交卷（虽然我觉得一般也不会有人提前交），杨老师会给很多提示。我就是提前交了导致一个提示没听到丢了20分，总评崩盘。

另：据说优秀率给到了60