# Casella–Berger × House Prices

以 **Casella & Berger《Statistical Inference》第 2 版**为主线，用模拟和 Kaggle [House Prices](https://www.kaggle.com/competitions/house-prices-advanced-regression-techniques) 复习概率论与数理统计。分 6 次做，预计共 5–6 小时，具体事项见 [PLAN.md](PLAN.md)。

内容包括概率分布模拟、统计推断练习和房价回归。Kaggle 数据主要用于回归部分，其他章节配合模拟、纸笔题和课程习题复习。

## 快速开始

建议 Python 3.13（至少 3.11），以下命令在仓库根目录运行：

```powershell
python -m venv .venv
.\.venv\Scripts\python.exe -m pip install -r requirements.txt
.\.venv\Scripts\python.exe -m ipykernel install --user --name cb-statprep --display-name "CB Statistics"
.\.venv\Scripts\python.exe scripts/run_baseline.py --demo
.\.venv\Scripts\python.exe -m unittest discover -s tests -v
```

在 VS Code 的 Jupyter 扩展中选择 `CB Statistics` 内核，按顺序打开 `notebooks/`。前 3 个 Notebook 离线运行；第 4 个默认用明确标记的合成数据。下载真实数据后，把第 4 个 Notebook 的 `USE_DEMO` 改为 `False`。

在 Kaggle 登录、加入比赛并按页面规则下载数据，将 `train.csv`、`test.csv` 解压到 `data/raw/`，然后：

```powershell
.\.venv\Scripts\python.exe scripts/run_baseline.py
```

生成 `outputs/submission.csv`，再手动提交 Kaggle。仓库不自动接受比赛规则或提交；不要上传原始数据、令牌或课程 PDF。验证 Notebook：`python scripts/check_notebooks.py`（会在 `outputs/executed/` 保存执行结果）。

## 目录

```text
PLAN.md                       分六次完成的待办清单
docs/chapter_map.md            第 1–12 章覆盖方式与课程优先级
docs/exercises.md              原创纸笔题、简短自查答案
docs/exam_checklist.md         考前自测与常见误区
notebooks/01_probability.ipynb 概率、变换、联合分布
notebooks/02_estimation.ipynb  抽样分布、充分性、估计
notebooks/03_inference.ipynb   检验、区间、渐近、ANOVA
notebooks/04_regression.ipynb  房价回归、诊断与解释
statprep/                     可复用的数据和回归代码
scripts/                      baseline、Notebook 执行检查
tests/                        数学公式、数据校验、提交格式检查
data/raw/                     仅本地保存数据
outputs/                      仅本地保存结果
```

## 模型与评估

预先固定 `log(SalePrice) ~ 1 + log(GrLivArea) + (YrSold - YearBuilt)`，先检查简单的线性模型。一次固定随机种子的 80/20 holdout，与训练集对数价格均值基线比较。缺失值中位数只在训练分割上估计；比较后在完整训练集重拟合生成提交。holdout 只用于比较，不据此反复筛变量并报告未经调整的 p 值。

比赛使用 **RMSE(log 预测价格, log 真实价格)**。`exp(预测 log 价格)` 面向该对数损失；它通常不是原价格的条件均值。推断中的经典 t/F 和区间依赖固定满秩设计、独立正态同方差误差；实际房价数据不自动满足这些条件。展示 HC3 稳健标准误作为对照，其理论是渐近的。相关系数和回归系数不能直接解释为因果效应。

Notebook 默认演示与自动验证使用合成数据。真实 Kaggle 成绩需要下载数据并提交后查看。

依据：[Kaggle 比赛](https://www.kaggle.com/competitions/house-prices-advanced-regression-techniques)、[数据说明](https://www.kaggle.com/competitions/house-prices-advanced-regression-techniques/data)。章节名按 C&B 第 2 版组织；课程安排参考本人的课程大纲，未上传教学材料。代码和原创练习采用 MIT License；数据权利与使用条件以 Kaggle 比赛页面为准。