数据统计基础知识误差（error）偏差（Bias）残差（residual）方差（Variance）

53 阅读 0 评论 35 点赞

我是靠谱客的博主冷酷毛衣，最近开发中收集的这篇文章主要介绍数据统计基础知识误差（error）偏差（Bias）残差（residual）方差（Variance），觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

数据统计基础概念

误差（error）
偏差（Bias）
残差（residual）
方差（Variance）

误差（error）

观察值与真实值之间的差。我们任何一次测量都是有误差的，比如用一把米尺测量桌子的宽度，但是因为尺子的精度问题，导致并不能测出真实的宽度，再改用游标卡尺等等只能尽可能的缩小误差，但是无法避免误差。

经典测验理论（CTT）的基本假设是：X=T+E。观察值等于真实值加上误差，误差由于是随机分布且均值为0，所以可以用多次测量的观测值作为真实值。

偏差（Bias）

用误差衡量测量结果的准确度，用偏差衡量测量结果的精密度；误差是以真实值为标准，偏差是以多次测量结果的平均值为标准。
误差与偏差的含义不同，必须加以区别。但是由于在一般情况下，真实值是不知道的(测量的目的就是为了测得真实值)，因此处理实际问题时常常在尽量减小系统误差的前提下，把多次平行测量值当作真实值，把偏差当作误差。

残差（residual）

观察值与模型估计值之间的差。以回归分析为例，回归方程y=b0+b1x，当知道b0和b1时这就是一个真实的回归模型。比如y=2+3x。取一个数值（1,2），则模型估计值为y=2+3×1=5。残差为2-5=-3。因此，只要有一个确定的取值以及模型，则模型肯定有一个估计值，也就有一个残差了。对残差进行分析是回归分析的一个重要部分。