高斯-马可夫定理，在统计学中陈述的是在线性回归模型中，如果线性模型满足高斯马尔可夫假定，则回归系数的最佳线性偏差点估计就是最小二乘法。
提升方法是一种机器学习中的集成学习元启发算法，主要用来减小监督式学习中偏差并且也减小方差，以及一系列将弱学习器转换为强学习器的机器学习算法。面对的问题是迈可·肯斯和莱斯利·瓦利安特提出的：一组“弱学习者”的集合能否生成一个“强学习者”？弱学习者一般是指一个分类器，它的结果只比随机分类好一点点；强学习者指分类器的结果非常接近真值。
资讯偏误是流行病学与观察性研究中，因测量误差所导致的一种偏差现象，有时亦称为观察偏误或分组错误。国际流行病学学会对其的定义为：
中心极限定理是概率论中的一组定理。中心极限定理说明，在适当的条件下，大量相互独立随机变量的均值经适当标准化后依分布收敛于标准正态分布。这组定理是数理统计学和偏差分析的理论基础，指出了大量随机变量之和近似服从正态分布的条件。
在统计学中，过适是指过于紧密或精确地匹配特定资料集，以致于无法良好地拟合其他资料或预测未来的观察结果的现象。过拟合模型指的是相较有限的数据而言，参数过多或者结构过于复杂的统计模型。发生过拟合时，模型的偏差小而方差大。过拟合的本质是训练算法从统计噪声中不自觉获取了信息并表达在了模型结构的参数当中。相较用于训练的资料总量来说，一个模型只要结构足够复杂或参数足够多，就总是可以完美地适应资料的。过适一般可以视为违反奥卡姆剃刀原则。
倾向评分匹配是一种统计学方法，用于处理观察研究的数据。在观察研究中，由于种种原因，数据偏差和混杂变量较多，倾向评分匹配的方法正是为了减少这些偏差和混杂变量的影响，以便对实验组和对照组进行更合理的比较。这种方法最早由Paul Rosenbaum和Donald Rubin在1983年提出，一般常用于医学、公共卫生、经济学等领域。
以公共卫生学为例，假设研究问题是吸烟对于大众健康的影响，研究人员常常得到的数据是观察研究数据，而不是随机对照实验数据，因为吸烟者的行为和结果，以及不吸烟者的行为和结果，是很容易观察到的。但如果要进行随机对照实验，招收大量被试，然后随机分配到吸烟组和不吸烟组，这种实验设计不太容易实现，也并不符合科研伦理。这种情况下观察研究是最合适的研究方法。但是面对最容易获得的观察研究数据，如果不加调整，很容易获得错误的结论，比如拿吸烟组健康状况最好的一些人和不吸烟组健康状况最不好的一些人作对比，得出吸烟对于健康并无负面影响的结论。从统计学角度分析原因，这是因为观察研究并未采用随机分组的方法，无法基于大数定理的作用，在实验组和对照组之间削弱混杂变量的影响，很容易产生系统性的偏差。倾向评分匹配就是用来解决这个问题，消除组别之间的干扰因素。
三分之一效应，是人性心理学中的其中一个效应，属于决策及选择中产生的心理偏差。
高斯-马可夫定理，在统计学中陈述的是在线性回归模型中，如果线性模型满足高斯马尔可夫假定，则回归系数的最佳线性偏差点估计就是最小二乘法。
在统计学中，过适是指过于紧密或精确地匹配特定资料集，以致于无法良好地拟合其他资料或预测未来的观察结果的现象。过拟合模型指的是相较有限的数据而言，参数过多或者结构过于复杂的统计模型。发生过拟合时，模型的偏差小而方差大。过拟合的本质是训练算法从统计噪声中不自觉获取了信息并表达在了模型结构的参数当中。相较用于训练的资料总量来说，一个模型只要结构足够复杂或参数足够多，就总是可以完美地适应资料的。过适一般可以视为违反奥卡姆剃刀原则。
在统计学中，过适是指过于紧密或精确地匹配特定资料集，以致于无法良好地拟合其他资料或预测未来的观察结果的现象。过拟合模型指的是相较有限的数据而言，参数过多或者结构过于复杂的统计模型。发生过拟合时，模型的偏差小而方差大。过拟合的本质是训练算法从统计噪声中不自觉获取了信息并表达在了模型结构的参数当中。相较用于训练的资料总量来说，一个模型只要结构足够复杂或参数足够多，就总是可以完美地适应资料的。过适一般可以视为违反奥卡姆剃刀原则。
Mini wiki
