UCAS气候统计学_复习笔.pdf

简介：
在国科大学的气候统计学课程中，学生通过华老师和严老师的课件内容进行整理，形成了个人复习笔记。该笔记系统地涵盖了气候数据分析中的核心统计学概念、方法及实际应用。课程内容从稳健性（Robustness）与抗变异性（Resistance）分析入手，逐步扩展至不同分布特征的统计量运用，包括数据均值、中位数等位置替代统计量的稳健性分析以及离散程度描述指标如方差、标准差和四分位距（IQR）。此外，课程还深入探讨了数据对称性和偏态度（Symmetry and Skewness）、Yule-Kendall指数及其相关统计量。笔记中还介绍了距平标准化方法，并详细阐述了Pearson相关系数、Spearman排序相关系数等关键分析指标。同时，通过自相关、交叉相关的学习，学生掌握了多种数据可视化技术，包括柱状图绘制、累积频率分布分析以及符号散点图的制作和解读方法。这些内容为课程的学习提供了全面的知识体系框架。在数据分析过程中，统计方法对于数据分布特征的敏感性较低，这使得我们能够获得稳定的结果。具体而言，在数据呈现正态分布的情况下，许多统计分析方法表现出稳健性；然而在数据呈偏态分布的情况下，同样的分析方法可能不再适用。其核心在于统计方法对于极端值的抵抗能力，这意味着当存在少数极端值时，分析结果不会发生显著的变化。在位置统计量方面，替代平均数的抗干扰能力强的位置统计指标主要包括中位数和截断均值等方法。百分位数是在对数据进行排序的基础上选取代表位置的数值指标，在这种表示方式下，中位数对应50%分位点、上四分位数对应75%分位点、下四分位数则对应25%分位点等。几何平均数（Geometric Mean）和调和平均数（Harmonic Mean）同样属于描述数据位置的统计指标，它们各自具有独特的计算方式与应用场景。 在度量数据离散程度的统计指标中，方差和标准差被用于评估数据的变化幅度或分散情况。标准差相较于方差更具稳定性，因为它是基于数据与平均值差距平方的平均数开根号计算得出的结果。四分位距作为衡量中间部分数据离散程度的关键指标，定义为上四分位数与下四分位数之间的差异，这种度量方法不受异常值的影响。该指标同样具有稳健性，能够有效反映数据的集中趋势。分布特征的描述指标常用作表示数据围绕中心值对称程度的指标，即偏态指数。当其数值呈正值时，说明该分布集中于较低的数据点；若为负数，则表示数据集中在较高的区间内。对于评估分布形态稳定性的指标而言，Yule-Kendall指数具有较强的鲁棒性。通过计算相关统计量进行距平标准化处理。具体而言，首先从原始数据中减去其算术平均数，然后将结果除以该数据的标准差。这样可以生成无单位效应的标准化数据序列，其均值为零且标准差为一。皮尔逊相关系数衡量了变量之间线性关联的程度。相比之下，斯皮尔曼等级相关系数更擅长评估数据之间的单调趋势。在统计学中，自相关涉及同一现象在时间和空间维度上的关联研究。而交叉相关则用于探讨两个独立变量之间存在的相互影响关系。 在数据可视化方面，柱状图和累积频率分布图被用来显示数据的频率分布情况，散点图则通过不同颜色、大小等元素来表示数据的其他特征。经验分布是基于实际数据估计的一种累积分布函数，其用于模拟总体分布。相关矩阵则被用作展示多个变量间关系的表格，在多变量数据分析中通常会采用这种方法。空间相关图揭示了地理位置之间变量之间的关联，这种空间自相关性通常会随地理距离的增加而减弱。然而，在某些情况下，即使在较远的距离上也会观察到显著的相关性，这被称为“遥相关”现象（Teleconnection）。例如，厄尔尼诺现象（El Niño）与东太平洋地区和印度尼西亚的压力变化之间表现出强烈的负向关联关系：当厄尔尼诺暖事件发生时，东太平洋地区的压力水平通常较低，而印度尼西亚的高压系统较强；相反，在厄尔尼诺寒事件期间情况则逆转。这种现象进一步说明了厄尔尼诺-南方涛动（ENSO）模式在预测地表压力变化中的重要性，并为已知的一类遥相关模式提供了实例。研究表明，在全球气候系统中，不同区域的气象要素之间并非完全独立，而是通过某种相互作用机制形成联系。