英国兰卡斯特大学统计学StatisticsMSc课程结合了理论研究和现实世界的应用。学生将发展高级统计技能和知识，同时有机会将所学付诸实践，并获得宝贵的实际经验。除此之外，学生还将提高编程和通信方面的关键可转移技能。以下是统计学硕士核心课程概述。

一、统计学硕士论文

为期三个月的论文(六月中旬至九月中旬)将涉及统计学方法在实际问题中的应用。学生将对超出理学硕士课程范围的高级统计方法有一个透彻的理解，并将了解原始统计方法的发展，这将有助于更全面地理解现有的方法。课程要求学生创造性地使用统计方法，从而获得实质性的发现，这些发现不是通过常规应用标准技术就能轻易获得的。

二、统计基础1

本课程将涉及的领域是使用最大似然和广义线性模型(GLMs)的统计推断。基于本科水平的数学、统计学(假设检验和线性回归)和概率(单变量离散分布和连续分布；期望、方差和协方差；多元正态分布)，这门课将激发对模型拟合通用方法的需求，然后演示最大似然如何提供解决方案。在此基础上，课程将介绍GLM这一广泛和常规使用的统计模型家族，作为线性回归模型的扩展。

三、统计基础2

本课程将通过扩展数字和理论方面来发展先前在统计基础1中介绍的最大似然推断的核心主题。数值方面将包括使用R中的数值优化函数获得最大似然估计，以及使用轮廓似然函数获得最大似然估计和置信区间。涵盖的理论要素将包括最大似然估计量、偏差和剖面偏差的渐近分布的推导。

四、统计学习

本课程介绍了统计学习。涵盖的一般主题涉及大数据、缺失数据、有偏样本和新近性。似然性和交叉验证将作为拟合和选择统计学习模型的一般方法引入。交叉验证需要了解如何将样品分成校准、训练和验证样品。然后，重点将转移到通过变量归约方法(如Lasso和Elastic Net)处理大型数据集的回归问题。课程将涵盖各种分类方法，例如逻辑和多项式逻辑模型、回归树、随机森林以及装袋和增压。对分类方法的检验将最终形成神经网络，神经网络将作为广义线性模型的扩展来呈现。然后介绍了大数据的无监督学习，包括K-means、pAM和CLARA，接着是混合模型和潜在类别分析。

五、统计学实践

本课程的目的是向学生提供应用统计工作所必需的一系列技能，包括团队合作、口头陈述、统计计算和编写包括统计分析在内的书面报告。所有学生都将彻底掌握R(包括R对象和函数、图形、基本模拟和编程)，并学习第二个统计计算软件。学生还将学习如何利用LaTex编写复杂且结构化的科学报告，其中可能包括数学公式、表格和图表，以及学习有效的科学写作风格的复杂性，如语法、参考资料以及在适当的表格和图表中呈现结果。

除上述核心课程之外，英国兰卡斯特大学统计学硕士学位还提供了一系列多样的选修课，有关选修课的具体内容，我们之后会详细进行介绍，同学可以随时关注。