前言
掌握一门核心课程，一定要从其定义，应用环境，和其他知识点之间的联系入手，纵向对比，横向对比，比较相同点，比较不同点。这样才能加深对知识的掌握，做到灵活应用。从思想方法与具体实践来讲，一旦理解和知识点，思想方法容易记忆，很容易想到，但是具体的算法可能容易忘记，到使用的时候有点无能为力的感觉，不过掌握了思想方法，才知道什么场景可以使用，什么场景不可以使用。思想方法是基础，算法是关键，解决问题是目的。以多元统计分析为例，本节主要讲述多元统计分析的知识点。
第一章 多元统计基础
多元，即多个变量。可以为一个向量，也可以为一个矩阵。向量的话为单一的截面数据或者时间序列数据，矩阵的话可以为面板数据，或者是多个变量构成的截面数据或者时间序列数据。那么在此和Python中的列表和字典有什么区别呢？sql server 与 R 以及 SPSS表达变量的方式，都是一致的，同一列表示一个变量，同一行表示一个样本。不同环境，可以对行列进行转置，以便实现自己的目的。
第二章 聚类分析
聚类分析方法：对样本聚类，对变量聚类。主要方法有模糊聚类法，K-mean 聚类法，系统聚类法等等
掌握欧氏距离，马氏距离，明考斯基距离。距离与中心点的远近，半径之间的关系。
第三章 方差分析
单样本的方差分析，两独立样本的方差分析，两配对样本的方差分析。
第三章 主成分分析
采用降纬的方式，将多个存在相关关系的变量整合为几个互相独立的变量，用较少的变量来解释，根据各个新变量对解释结果方差的大小，保留几个主要成分即可。在此可不可以和回归分析的多重共线性关联，当构建回归分析的时候，一旦存在多重共线性，可以使用主成分分析，得到新变量，消除共线性？
第四章 因子分析
因子分析，也是采用降纬的方式，
第五章 典型相关分析
在此联想到pearson相关性，Kendall相关性以及。。。？共三种相关性
第六章 联合分析
比较经典的案例就是购房者对买房地点的选择，考虑交通，房价，安全，距离上班地点的远近等等。