资料目录（截图原因可能偏模糊，实际都是高清版）
听学长一句劝，别把《应用回归分析》当成纯数学课去“推导公式”，那是自杀式复习！这门课是统计学里的“搬砖课”，看着全是矩阵和符号，其实考的是“你能不能像个数据分析师一样解决问题”。备考核心就八个字：“死磕模型，手算为王”。
首先，一元和多元线性回归是“亲爹”，必须盘出包浆。 别光看懂推导，要把最小二乘估计（OLS）的原理刻进脑子里。考试最爱考“为什么要用最小二乘”、“高斯-马尔可夫定理的条件是什么”。特别是假设检验（t检验、F检验）和置信区间，这是送分题也是送命题。记住，F检验看模型整体行不行，t检验看单个变量要不要留，别搞混了！还有多重共线性、异方差、自相关这“三大坑”，必须会看残差图，会用VIF值判断，会用加权最小二乘去修，这些都是论述题的常客。
其次，真题计算量巨大，必须练成“人肉计算器”。 这门课不让带复杂的电脑软件，很多学校甚至不让带计算器，或者只让用最基础的科学计算器。去把目标院校近10年的真题找来，亲自手算！特别是那个正规方程组的矩阵求解，哪怕算到吐也要练，因为考试时数字通常很怪，算错一个数全题白给。重点练参数估计、预测区间、模型显著性检验这三大类计算题，把步骤背下来：列公式、代数据、查表、下结论，一气呵成。
最后，别纠结复杂的数学证明，要懂“应用逻辑”。 老师不看你能不能证明中心极限定理，看的是你拿到一组数据，知道用什么模型、怎么解释系数、怎么处理异常值。比如看到“销售额”和“广告费”的数据，要条件反射想到对数线性模型或多项式回归。还有逻辑回归（Logistic）的基础概念，现在考得越来越多，至少要懂最大似然估计（MLE）和Odds Ratio的含义。
总结： 别当数学家，要当“严谨的数据工匠”。把核心模型的假设条件背烂，把真题里的计算题算到肌肉记忆，把模型诊断的逻辑理顺。这门课不需要你搞创新算法，只需要你像个“老练的统计员”，把数据盘明白，把结果解释清楚，130+真的不难！冲！
