北大应用统计考研真题及答案（北大应用统计考研真题答案）权威解析平台

参数估计：矩估计 vs 最大似然估计

北大应用统计考研真题及答案中参数估计题占统计推断模块的65%。2020-2024年真题对比显示：

年份	题型	核心考点	易错点
2020	指数分布	矩估计与MLE一致	忽略参数空间θ>0
2021	均匀分布U(0,θ)	MLE为X₍ₙ₎，非无偏	混淆MLE与UMVUE
2022	Gamma分布	似然方程数值解	未证明解唯一性
2023	贝叶斯估计	共轭先验+后验均值	先验参数设定错误
2024	稳健估计	M估计的解方程	忽略ψ函数有界性

特别提醒：2024年新增“稳健估计”题，要求写出Huber估计的迭代公式——北大应用统计考研真题答案评分标准中，公式正确但未说明收敛性仅得50%分。

假设检验：单侧检验的陷阱

年真题：X₁,…,Xₙ ~ i.i.d. N(μ,1)，H₀:μ=0 vs H₁:μ>0。拒绝域为X̄ > c，求c使检验水平为0.05；若n=25，X̄=0.4，计算p值。

常见错误：
① 用双侧检验临界值1.96；
② p值计算为2P(Z>1)而非P(Z>1)；
北大应用统计考研真题及答案明确：单侧检验p值为单尾概率，此题p值=0.1587。

线性回归：从经典模型到诊断

北大应用统计考研真题及答案中计量经济学模块，线性回归占比70%。2022-2024年真题聚焦：

• 模型设定：2022年第21题要求证明OLS估计量的无偏性，需严格写出E(β̂|X)=β；
• 异方差检验：2023年考题给出残差平方对X的回归结果，要求用Breusch-Pagan检验；
• 工具变量：2024年第24题以教育回报为例，要求论证Sibling作为IV的合理性（相关性+外生性）。

典型解题步骤：
① 写出IV估计公式β̂_IV = (X'Z(Z'Z)⁻¹Z'X)⁻¹X'Z(Z'Z)⁻¹Z'y；
② 证明一致性需用大数定律+中心极限定理；
③ 计算标准误时需用两阶段最小二乘方差公式。

易错点：2023年真题中，30%考生将F统计量临界值误用为卡方分布——北大应用统计考研真题答案明确：弱工具变量检验F>10为经验阈值，但理论临界值需查F分布表。

时间序列：AR(1)的平稳性陷阱

年真题：设Xₜ = φXₜ₋₁ + εₜ，εₜ~WN(0,σ²)，求φ的矩估计；证明当|φ|<1时序列平稳。

标准答案要求：
① 用γ₀=E(XₜXₜ₋₁)构造方程φ=γ₁/γ₀；
② 平稳性证明需验证：
 
- E(Xₜ)=0（常数）；
 
- Cov(Xₜ,Xₜ₋ₖ)=φᵏσ²/(1-φ²)（仅依赖k）；
 
- Var(Xₜ)=σ²/(1-φ²)<∞（要求|φ|<1）。

考生高频失分点：仅写“|φ|<1”而未推导方差有限性——北大应用统计考研真题及答案评分细则规定：此步缺失扣4分。

马尔可夫链：平稳分布求解

北大应用统计考研真题及答案中随机过程模块，马尔可夫链是唯一高频考点（近4年必考）。2021-2024年真题模式：

例题（2023年第18题）：设状态空间S={1,2,3}，转移矩阵P=
[0.5 0.3 0.2]
[0.4 0.4 0.2]
[0.1 0.5 0.4]
求平稳分布π。

标准解法：
① 列出方程组πP=π；
② 加约束∑πᵢ=1；
③ 用高斯消元法求解；
④ 验证不可约性+非周期性确保唯一性。

命题趋势：北大应用统计考研真题答案开始考查“平稳分布的实际意义”，如2024年附加题要求用平稳分布解释“长期平均停留时间”——此为北大统计学系对“理论联系实际”的新要求。

泊松过程：到达时间分布

年真题：设N(t)为参数λ的泊松过程，给定N(t)=n，求第k个事件到达时间Sₖ的条件分布。

北大应用统计考研真题及答案标准答案：
Sₖ|N(t)=n ~ Beta(k, n-k+1) × t
证明需用阶乘展开+二项式定理，步骤如下：
① P(Sₖ≤s | N(t)=n) = P(至少k个事件在[0,s])；
② 写出二项分布概率；
③ 求导得密度函数f(s)= [n!/( (k-1)!(n-k)! )] × (s/t)ᵏ⁻¹ × (1-s/t)ⁿ⁻ᵏ × (1/t)。

此题2023年以“排队论应用”形式重现——考生若未掌握Beta分布与泊松过程的关联，极易失分。

R语言实操：2024年首考真题复现

年真题第26题（15分）：给定数据集df（含变量y,x1,x2），要求：
① 拟合y~x1+x2的线性模型；
② 检验残差是否满足同方差性；
③ 若存在异方差，用White标准误修正；
④ 输出修正后的系数表（含p值）。

北大应用统计考研真题答案提供的标准代码：

# 拟合模型
model <
- lm(y ~ x1 + x2, data = df)
# Breusch-Pagan检验
library(lmtest)
bptest(model)
# White标准误
library(sandwich)
coeftest(model, vcov = vcovHC(model, type = "HC1"))
# 输出结果
summary(coeftest(model, vcov = vcovHC(model, type = "HC1")))

评分细则：
① 仅用plot(model)检查残差图→扣3分（未定量检验）；
② 未说明White标准误适用场景→扣2分；
③ 拷贝网上传统代码（如vcovHC(model, type="HC0")）→扣4分（北大要求HC1更稳健）。

Python实践：Scikit-learn建模全流程

年模拟题：用sklearn实现逻辑回归，要求：
① 数据标准化；② 交叉验证选正则化参数C；③ 输出AUC-ROC曲线。

易搜职考网整理的北大应用统计考研真题及答案高频代码库：

from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
from sklearn.metrics import roc_auc_score, roc_curve
import matplotlib.pyplot as plt
# 标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
# 交叉验证选C
Cs = [0.01, 0.1, 1, 10, 100]
best_C = Cs[np.argmax([cross_val_score(LogisticRegression(C=c, solver='liblinear'),
                                         X_scaled, y, cv=5).mean() for c in Cs])]
# 拟合与评估
model = LogisticRegression(C=best_C, solver='liblinear').fit(X_scaled, y)
y_pred_proba = model.predict_proba(X_scaled)[:,1]
print("AUC:", roc_auc_score(y, y_pred_proba))
# 绘制ROC曲线
fpr, tpr, _ = roc_curve(y, y_pred_proba)
plt.plot(fpr, tpr); plt.xlabel('FPR'); plt.ylabel('TPR')
plt.title(f'ROC Curve (AUC={roc_auc_score(y,y_pred_proba):.3f})')
plt.show()

命题动向：北大应用统计考研真题答案强调“代码可读性”，2024年新增注释分（占实操题10%），要求关键步骤添加中文注释。