精华内容
下载资源
问答
  • 统计量及其分布

    万次阅读 2018-07-13 11:25:16
    统计量 统计量是什么?从定义上说,统计量是不含未知参数的样本函数。统计量是一个函数,是对样本信息的一个精炼提取,以此反映总体情况的工具。我们通常记统计量为T=T(x1,x2...xn)T=T(x1,x2...xn)T=T(x_1,x_2...x_...

    统计量及其分布

    这章的核心是认识经验分布函数,统计量以及三大抽样分布,这些构成了数理统计的基础。数理统计围绕着总体和样本,希望通过了解样本的情况,提出相应的统计量,并通过了解统计量的分布,也即抽样分布来估计总体参数。
    经验分布函数参考经验分布函数与格里纹科定理

    统计量

    统计量是什么?从定义上说,统计量是不含未知参数的样本函数。统计量是一个函数,是对样本信息的一个精炼提取,以此反映总体情况的工具。我们通常记统计量为 T=T(x1,x2...xn) T = T ( x 1 , x 2 . . . x n )
    常用的统计量有,样本均值,样本方差,样本峰度,样本偏度。
    对于统计量的分布,称为抽样分布。通过了解抽样分布可以得到总体参数的点估计与区间估计,达到样本估计总体的目的。

    充分统计量

    统计量中有一个重要的概念是充分统计量,从数学上讲,样本的条件分布与总体参数无关,则T即为充分统计量,即

    p(x|T;θ)=f(X|T(x1,x2...xn)=t) p ( x | T ; θ ) = f ( X | T ( x 1 , x 2 . . . x n ) = t )

    通俗来讲意即我们定义的统计量T能够涵盖样本的所有信息,由此可导出 充分性原则
    对总体参数的估计都应基于充分统计量,并且UMVUE(一致最小方差无偏估计)一定可表示为充分统计量的函数
    通常来说,充分统计量即用到了全部样本信息的统计量,如样本均值(是所有样本值的平均),样本的次序统计量( x(i) x ( i ) 是 将 所 有 样 本 排 序 后 得 到 的 ),不难理解这样的统计量能概括所有的样本信息,因此更适合做统计推断。关于UMVUE将在以后的微博阐述。

    因子分解定理

    要是每次都通过求样本的条件分布来判断充分统计量,是非常困难且计算量大的。这里给出因子分解定理,将能帮助判断是否是充分统计量:

    设总体密度函数为 f(x;θ),x1......xnT(x1......xn)g(t,θ)h(x1......xn)使θx1......xnf(x1......xn)=g(T(x1......xn),θ)×h(x1......xn) f ( x ; θ ) , x 1 . . . . . . x n 是 样 本 , T ( x 1 . . . . . . x n ) 为 充 分 统 计 量 的 充 要 条 件 是 : 存 在 两 个 函 数 g ( t , θ ) 和 h ( x 1 . . . . . . x n ) 使 得 对 于 任 意 的 θ 和 任 意 一 组 x 1 . . . . . . x n , 有 f ( x 1 . . . . . . x n ) = g ( T ( x 1 . . . . . . x n ) , θ ) × h ( x 1 . . . . . . x n )
    接下来判断充分统计量即找出相应的g和h了。举个例子:

    假设总体服从指数分布 Exp(λ) E x p ( λ ) ,密度函数为 f(x;θ)=λeλx f ( x ; θ ) = λ e − λ x ,则 f(x1......xn)=λneλni=1xi f ( x 1 . . . . . . x n ) = λ n e − λ ∑ i = 1 n x i
    T(x1......xn)=x¯,g(T,λ)=λneλnx¯,h(x1......xn)=1 T ( x 1 . . . . . . x n ) = x ¯ , g ( T , λ ) = λ n e − λ n x ¯ , h ( x 1 . . . . . . x n ) = 1
    则易得 f(x1......xn)=g(T(x1......xn),λ)×h(x1......xn) f ( x 1 . . . . . . x n ) = g ( T ( x 1 . . . . . . x n ) , λ ) × h ( x 1 . . . . . . x n )
    因此 x¯ x ¯ 是充分统计量。
    通过这种方式,判断充分统计量变得容易的多。


    三大抽样分布

    下面将阐述统计学中三大重要的抽样分布卡方分布,F分布与t分布,基于这三种分布可得到许多假设检验方式。

    卡方分布

    X1......Xn X 1 . . . . . . X n 是来自总体N(0,1)的独立同分布样本,称 i=1nX2i ∑ i = 1 n X i 2 的分布为自由度为n的 χ2 χ 2 分布,记为 χ2 χ 2 (n).

    χ2(n)Ga(n2,12) χ 2 ( n ) 即 G a ( n 2 , 1 2 ) ,因此均值为n,方差为2n

    F分布

    设X ~ χ2(n) χ 2 ( n ) ,Y ~ χ2(m) χ 2 ( m ) 相互独立,称 X/nY/m X / n Y / m 服从F分布,记为F(n,m)

    由此可知,F分布由两个服从卡方分布的随机变量构造而来。

    t分布

    设X ~ N(0,1),Y ~ χ2(n) χ 2 ( n ) 相互独立,称 XY/n X Y / n 服从t分布,记为t(n)

    当n=1时,t分布为柯西分布,n>1时期望为0,n>2时方差有限且等于 nn2 n n − 2 ,因此可以发现t分布是对称的,且当n-> + + ∞ 时,方差趋于1,t分布逐渐趋于标准正态分布。

    展开全文
  • 充分统计量

    千次阅读 2018-08-20 23:18:53
    充分统计量直观来理解就是,对于未知参数的估计问题,若知道了充分统计量,那么就不再需要其它的单个或多个观测样本,就能完成对未知参数的估计,即充分统计量已经包含了估计未知参数所需要的信息,换句话说,充分...

    概念理解:

    充分统计量直观来理解就是,对于未知参数的估计问题,若知道了充分统计量,那么就不再需要其它的单个或多个观测样本,就能完成对未知参数的估计,即充分统计量已经包含了估计未知参数所需要的信息,换句话说,充分统计量从大量的观测样本中“抽取”或“浓缩”了估计未知参数需要的所有必要信息。

    我们注意到,教科书里证明充分统计量的思路通常都是把待证明的统计量带入到概率密度函数表达式中,使之变为条件概率密度函数,然后再推导条件概率密度函数与待估计参数无关,从而证明此估计量为充分估计量。

    这是为什么呢?强调一个概念:什么是概率密度函数(PDF)?从参数估计的角度来看,PDF描述了待估计参数与观测样本之间的概率关系,换句话说就是,PDF描述了待估计参数如何影响当前观测样本的发生概率(反过来想,为什么能从观测样本来估计参数就比较容易理解了)。若带入统计量后的条件PDF与待估计参数无关,那么就说明了若已知了该估计量,其它的观测样本与待估计参数已无概率关系了,也就说明这些观测样本对估计该未知参数无任何作用(不包含更多信息)。这与充分统计量的直观理解概念是一致的。

    展开全文
  • R语言以t统计量判断依据实现逐步回归向前选择向后选择逐步回归代码 向前选择 向前选择是先假设除截距项外,模型中不存在回归变量.通过一次向模型中添加一个回归变量,来求解最优的回归变量子集. step1 将所有回归...

    R语言以t统计量为判断依据实现逐步回归

    向前选择

    向前选择是先假设除截距项外,模型中不存在回归变量.通过一次向模型中添加一个回归变量,来求解最优的回归变量子集.
    step1
    将所有回归变量分别与Y做线性拟合,并求模型所产生的回归显著性F统计量,找出其中最大的F统计量,如果这个统计量大于事先给定的F值,则其所对应的回归变量就是第一部所选中的变量.为标记方便,不如记这个回归变量为 x 1 x_1 x1.
    step2
    在调整了第一个进入模型的回归变量对Y的影响后,现在与Y的简单相关系数为最大的回归变量则为第二步所选择的变量,其中,这个简单相关系数称为偏相关系数.
    偏相关系数:回归 y ^ = β ^ 0 + β ^ 1 x 1 \hat y=\hat β_0 +\hat β_1 x_1 y^=β^0+β^1x1的残差,与 x ^ j = α ^ 0 j + α ^ 1 j x 1 \hat x_j=\hat α_{0j }+\hat α_{1j} x_1 x^j=α^0j+α^1jx1的残差,偏相关系数就是这两个残差之间的简单相关系数.
    当模型中的回归变量不止一个时,只需将上式中修改为 y ^ = β ^ 0 + β ^ X \hat y=\hat β_0 +\hat βX y^=β^0+β^X
    x ^ j = α ^ 0 j + α ^ j X \hat x_j=\hat α_{0j }+\hat α_{j} X x^j=α^0j+α^jX
    其中, X X X为模型中所选择的回归变量构成的设计矩阵.
    为了书写方便,我们将第二步得到的回归变量记为 x 2 x_2 x2进入模型后,计算模型中的回归变量的t统计量,大于预设的t值则进入模型,反之舍去.

    接下来就是重复step2直至向模型中添加了最后一个回归变量,则程序终止.

    向后剔除

    向前选择是从模型中没有回归变量开始,向后剔除则是从相反的方向开始求解,也就是从模型包含所有回归变量开始.然后计算每个回归变量的t统计量(或者F统计量),当最小的t值小于预设的t统计量 t o u t t_{out} tout则剔除这个值所对应的回归变量。接下来再使用剩下的回归变量拟合模型,并重复上述过程。当最小的t值不小于预设的预设的t统计量 t o u t t_{out} tout则终止程序.

    逐步回归

    逐步回归其实就是上述两种算法的组合. 其中,我使用的是以下的算法。
    step1(同向前选择step1
    将所有回归变量分别与Y做线性拟合,并求模型所产生的回归显著性F统计量,找出其中最大的F统计量,如果这个统计量大于事先给定的F值,则其所对应的回归变量就是第一部所选中的变量.为标记方便,不如记这个回归变量为 x 1 x_1 x1.
    step2(同向前选择step2
    在调整了第一个进入模型的回归变量对Y的影响后,现在与Y的简单相关系数为最大的回归变量则为第二步所选择的变量,其中,这个简单相关系数称为偏相关系数.
    偏相关系数:回归 y ^ = β ^ 0 + β ^ 1 x 1 \hat y=\hat β_0 +\hat β_1 x_1 y^=β^0+β^1x1的残差,与 x ^ j = α ^ 1 j + α ^ 1 j x 1 \hat x_j=\hat α_{1j }+\hat α_{1j} x_1 x^j=α^1j+α^1jx1的残差,所谓偏相关系数就是这两个残差之间的简单相关系数.
    为了书写方便,我们将第二步得到的回归变量记为 x 2 x_2 x2进入模型后,计算模型中的回归变量的t统计量,大于预设的t值则进入模型,反之舍去。若出现 x 1 x_1 x1的t统计量小于 t o u t t_{out} tout则剔除 x 1 x_1 x1
    step3
    重复上述step2,当模型中最小的t值不小于预设的预设的t统计量 t o u t t_{out} tout则终止程序.
    PS

    • 为了偷懒,在这个算法中,step2里面剔除的回归变量,再后面的循环里面我都没有再考虑过将其加入模型中。可能这样做起来算法会比较简单,但是这个在理论上是否可行,依旧需要 证实。在这里,我默认是可行的.
    • 另外,在R语言中存在step()函数,也可以实现逐步回归,但是这个判断是否选择或剔除回归变量的依据是根据AIC,对于部分模型来说,可能会出现一些问题.因此才有了以下自己写的程序.
    • 对判断依据的说明:在这里使用的是t统计量,实际上 t 2 α / 2 = F α , 1 , v {t^2}_{α/2}=F_{α,1,v} t2α/2=Fα,1,v因此,为了计算简单,我们这里以t统计量为判断依据.

    代码

    接下来是程序部分,以R语言为例。

    step_byf=function(x,y,F_in,F_out,alpha_in,alpha_out){
      ####数据处理
      x=as.matrix(x);y=as.matrix(y)
      p=ncol(x)
      n=length(y)
      #### step 1 ####
      fm0=lm(y~1)
      r=c()
      for (i in 1:p) {
        fm=lm(y~x[,i])
        r0=summary(fm)$r.squared
        r=c(r,r0)
      }
      pp=which.max(r)
      t=summary(lm(y~x[,pp]))$coefficients[2,3]
      p_use=c()
      if(abs(t)>=qf(alpha_in,F_in,n-1,lower.tail = F)){p_use=c(p_use,pp)}
      out=c()
      #### function #######
      use_function=function(x,in_index,out_index){
        p_use=in_index;out=out_index
        ppp=length(p_use)
        x_in=x[,p_use]
        cor=c()
        for (i in 1:p) {
          cor1=cor(lm(y~x_in)$residuals,lm(x[,i]~x_in)$residuals)
          cor=c(cor,cor1)
        }
        #####假定剔除的变量不会再进入模型
        no_use=c(p_use,out)
        cor[no_use]=0
        pp=which.max(abs(cor))
        
        #### t 统计量
        t=summary(lm(y~x[,c(p_use,pp)]))$coefficients[-1,3]
        #### 判断
        
        t_in=sqrt(qf(alpha_in,F_in,n-ppp-2,lower.tail = F))
        t_out=sqrt(qf(alpha_out,F_in,n-ppp-2,lower.tail = F))
        in_index=which(abs(t[1:ppp])>=t_out)
        out_index1=which(abs(t[1:ppp])<t_out)
        out_model=p_use[out_index1]
        out_index2=c()
        if(abs(t[ppp+1])>=t_in) {
          p_use=c(p_use[in_index],pp)
          }else out_index2=pp
        return(list(use_index=p_use,nouse_index=c(out_index,out_model,out_index2)))
      }
      #### step 2 #####
      out_p=use_function(x,p_use,out)$nouse_index
      in_p=use_function(x,p_use,out)$use_index
      #### 循环 ######
      repeat{
        a=use_function(x,in_p,out_p)
        in_p=a$use_index
        out_p=a$nouse_index
        index=c(in_p,out_p)
        if(length(index)==p)break()
      }
      fm=lm(y~x[,in_p])
      return(fm)
    }
    

    这里,我们以《Introduction_to_Linear_Regression_Analysis》中example10.4数据为例.

    fme10.4=step_byf(data[,-1],data[,1],1,1,0.15,0.1)
    summary(fme10.4)
    anova(fme10.4)
    

    在这里插入图片描述

    展开全文
  • t统计量和z统计量

    万次阅读 2013-05-06 20:03:20
    z统计和t统计可以用来检验两个平均数... 第二步:计算统计量Z值,对于不同类型的问题选用不同的统计量计算方法,  1、如果检验一个样本平均数()与一个已知的总体平均数(μ0)的差异是否显著。其Z值计算公式为:...

    z统计和t统计可以用来检验两个平均数之间差异显著的程度,z适合大样本的情况(样本数大于30),t适合小样本的情况。

    z检验的步骤:

    第一步:建立虚无假设 H01 = μ2 ,即先假定两个平均数之间没有显著差异,

      第二步:计算统计量Z值,对于不同类型的问题选用不同的统计量计算方法,

      1、如果检验一个样本平均数(\bar{X})与一个已知的总体平均数(μ0)的差异是否显著。其Z值计算公式为:

      Z=\frac{\bar{X}-\mu_0}{\frac{S}{\sqrt{n}}}

      其中:

    • \bar{X}是检验样本的平均数;
    • μ0是已知总体的平均数;
    • S是样本的标准差
    • n是样本容量。

      2、如果检验来自两个的两组样本平均数的差异性,从而判断它们各自代表的总体的差异是否显著。其Z值计算公式为:

      Z=\frac{\bar{X_1}-\bar{X_2}}{\sqrt{\frac{S_1}{n_1}+\frac{S_2}{n_2}}}

      其中:

    • \bar{X_1},\bar{X_2}是样本1,样本2的平均数;
    • S1,S2是样本1,样本2的标准差;
    • n1,n2是样本1,样本2的容量。

      第三步:比较计算所得Z值与理论Z值,推断发生的概率,依据Z值与差异显著性关系表作出判断。如下表所示:

    Z值与P值关系
    \left| Z \right|P值差异程度
    \ge2.58\le0.01非常显著
    \ge1.96\le0.05显著
    <1.96>0.05不显著

      第四步:根据是以上分析,结合具体情况,作出结论。

     

    以下是对Z统计和T统计的计算方法和区别的理解:

    z统计是用来衡量样本均值偏离整体均值的方差倍数,就是偏离方差的程度。

    根据中心极限定理,总体样本N,每次抽样数n,每次抽样的均值的分布趋近正态分布。也就是随机误差符合正态分布。其分布的数学期望为总体均值μ,方差为总体方差的1/n。

     

    定义符号:

    x:样本均值

    μ:抽样均值,也等于总体均值

    ss:抽样标准差

    σ:总体的标准差

    s:样本标准差

    当我们想知道某次抽样的样本均值μi离总体均值有多少个标准差那么远,可以用如下算式来表示,称

    这个值为Z统计:

    样本均值-抽样分布均值/抽样分布标准差

     

    这里通常抽样分布标准差不知道,而抽样分布标准差可以用总体标准差表示:

     ss=σ/n^1/2

    因此z分布可以写成:

     这里总体的标准差也往往得不到,因此当抽样样本数大于30的时候

    总体标准差可以近似地用样本标准差替代:

     

    当样本数小于30的时候样本就不符合正态分布了,而是符合t分布,

    t统计的值和z统计的区别是一个要查z统计值表,另一个是要查t统一值表。

     

    展开全文
  • 第K顺序统计量的求解

    千次阅读 2014-06-22 22:43:36
    一个n个元素组成的集合中,第K个顺序统计量(Order Statistic)指的是该集合中第K小的元素,我们要讨论的是如何在线性时间(linear time)里找出一个数组的第K个顺序统计量。 一、问题描述 问题:给定一个含有n个...
  • 常用的统计量

    千次阅读 2018-07-29 22:49:12
    在协方差基础上除以两个变量的标准差,消除变量的变化幅度对相关性判断的影响 [-1,1] 当相关系数为1时,说明两个变量正相关相似度最大,你变大一倍我也变大一倍的形式,完全正相关, 在二维坐标系中可以画...
  • 概率统计中的样本矩和顺序统计量

    千次阅读 2014-10-05 12:21:19
    1.样本k阶(原点)矩 2.样本k阶中心矩 3.顺序统计量
  • 目的为了识别图像来源于相机还是其他电子设备,提出一种基于小波高阶统计量的图像来源取证方法。方法利用生成途径对图像性质的影响和数理统计方法,通过对比不同来源的数字图像的生成途径对它们各自性质的影响,从图像...
  • 霍普金斯统计量是一种空间统计量,用于检验空间分布的变量的空间随机性,从而判断数据是否可以聚类。 计算步骤: 均匀地从D的空间中抽取n个点p1,p2,…pn,对每个点pi(1≤i≤n),找出pi在D中的最近邻,并令xi为pi与它...
  • 关于非参数统计量

    千次阅读 2006-07-20 14:00:00
    这两天仔细读了臧老师在2004年发表在NeuroImage上的使用KENDALL和谐系数作为度量fMRI数据的局部一致性(ReHo)的文章,对于其选作秩序统计量(rank order statistics)KCC作为量化指标,有了一些统计学上的理解。...
  • 算法导论—中位数与顺序统计量

    万次阅读 2015-07-07 23:17:29
    华电北风吹 天津大学认知计算与应用重点实验室 ...所以只需要让第一个值为初始最大值或者初始最小值,所有的值与这个值比较,更新这个值即可。def minimum(a): minNum=a[0] for i in range(1,len(a)):
  • 推断统计研究的是如何根据样本数据去推测总体特征的方法。进行推断的原因是在实际生产中,获取总体数据通常比较困难,甚至不可能完成,因此需要对总体进行抽样,通过样本统计量去估计总体参数。
  • js实现统计访问js实现统计访问

    热门讨论 2011-04-12 23:45:40
    js实现统计访问js实现统计访问js实现统计访问js实现统计访问
  • 充分统计量(Sufficient Statistics)

    千次阅读 2013-11-11 23:33:53
    一个随机变量的分布,可以取决于一些参数的值。...也就是说,如果知道充分统计量的值,那么这个随机变量关于它的条件分布,不再取决于原来参数的值。网上找到的定义如下: In statistics, a stat
  • 线性拟合 相关统计量理解

    万次阅读 2017-10-31 14:35:22
    “回归分析”是解析“注目变量”和“因于变量”并明确两者关系的统计方法。此时,我们把因子变量称为“说明变量”,把注目变量称为“目标变量址(被说明变量)”。清楚了回归分析的目的后,下面我们以回归分析预测法的...
  • 有代码或者包来实现求R方、半偏R方、伪F等统计量的吗? sas里的过程直接会得到这些值,R里有代码或者包来求这些统计量吗?![图片说明](https://img-ask.csdn.net/upload/201611/24/1479967646_242995.jpg)
  • 流式数据中的数学统计量计算

    千次阅读 2017-07-03 22:38:04
    在科技飞速发展的今天,每天都会产生大量新数据,例如银行交易记录,卫星飞行记录,网页点击信息,用户日志等。...分批处理也即每次处理的数据之间没有交集,此时需要考虑的问题是吞吐和批处理的大小。滑
  • 假设检验_统计判断

    2019-11-30 22:32:22
    从总体当中抽取一定的样本,基于样本的统计量来推断总体特征 两大定理 大数定律(Law of Large Numbers) 样本N越大,样本均值几乎必然等于总体均值。 中心极限定理(Central Limit Theorem) 当样本量N逐渐趋于无穷大...
  • 先做出假设(原假设),同时写出假设的对立面(备择假设),对于这个假设找出相关的统计量。算一下这个假设下,应该服从什么分布。根据这个分布找一下接收域和拒绝域。如果落在拒绝域里面,就判断原假设是错误的。...
  • 描述性统计部分(一)----统计量

    千次阅读 2016-11-25 14:23:53
    描述性统计部分(一)—-统计量标签(空格分隔): 概率论与数理统计1、期望E(X)E(X)又叫均值、加权算术平均值,其计算公式为:E(X)=∑ni=1xin=∑ji=1xi⋅ki∑ji=1ki=∑i=1∞xi⋅pi=∫∞−∞x⋅f(x)dx=∑i=1∞g(yi)...
  • 计量经济学 联合假设检验 F统计量

    千次阅读 2021-04-22 21:48:08
    考虑这样一个问题,现在你拥有1个被解释变量y和4个解释变量,如何判断x3,x4这2个变量是没有必要的? 或者换个说法,你现在有x1,x2这2个解释变量,突然你在寻找数据时,发现了另外2个变量x3,x4可能能够被在...
  • 推断性统计部分(一)—样本与分布的关系及其检验统计量标签(空格分隔): 概率论与数理统计统计除了可以描述随机变量特征之外,还有一个重要作用,推断!这也是为什么把统计分为描述性统计和推断性统计的原因,以...
  • 职工工作量统计系统

    2013-01-12 21:12:41
    职工工作量统计系统 部分代码
  • DW(德宾-沃森)统计量临界值表

    万次阅读 2015-12-09 15:32:43
    DW(德宾—沃森)统计量临界值表(萨白1977表)供大家共享。 A-1为显著性水平为0.01时的上、下界。A-2为显著性水平为0.05时的上、下界。K为变量数,n为样本数。 本表适用于带截距项的线性方程。
  • 在机器学习领域,对于大多数常见问题,通常会有多个模型可供选择。...这个性能由不同的统计量来度量,包括准确率( accuracy )、精确率( precision )、召回率( recall )等等。选择我们会根据某个特定的应用场景...
  • 估计理论(3):充分统计量的完备性

    千次阅读 2020-08-18 10:38:13
    因此,为了判断统计量是否是充分的,就需要确定这个条件PDF,并且证实其独立于 AAA。 所谓充分统计量,就是把待估计参数的所有信息都包含在内。为了证明这一点,就需要证实这个条件PDF与 AAA无关。 3.2 如何找到充分...
  • 统计ip地址访问

    千次阅读 2017-04-19 00:26:37
    访问统计,通过filter实现
  • 代码量统计工具源码

    千次阅读 2018-05-21 15:29:20
    - VALID_SUFFIX_SET可定制,默认只统计.java源码; - EXCLUDE_DIRECTORY_SET可定制,默认过滤路径包含src/test或者target目录; - main()方法中projectNameList包含要统计源码工程名集合,可定制;默认统计C:\...
  • 文章目录每天一个文件记录磁盘使用情况统计IP访问量统计所有进程使用的内存总量 每天一个文件记录磁盘使用情况 #!/bin/bash d=`date +%F` dir=/data/disklog #判断文件存放目录是否存在 if [ ! -d $dir ] then ...
  • application对象介绍: application对象由多个客户端用户共享,它的应用范围是所有的客户。服务器启动后,新建一个application对象,该对象一旦建立,就一直保持到...所以可以application对象保存服务器运行时的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 271,546
精华内容 108,618
关键字:

如何判断需要用统计量