UCL STAT0015《医学统计 2》：考试占 90%，三种交付层次共用同一套考核

伦敦大学学院 STAT0015《医学统计 2》是硕士层级学期模块：15 学分，考试占 90%、课业 10%——本科与研究生三种交付层次共用同一套考核。

课程官网（学校官网）：https://www.ucl.ac.uk/module-catalogue/modules/medical-statistics-2-stat0015

STAT0015 是一门什么课？

一句话：医学统计的进阶课——生存分析、风险预测、聚类数据、四类试验设计、meta 分析与缺失数据，一学期走完医学研究方法学的高阶工具箱。

这是伦敦大学学院（University College London）的模块，模块代码 STAT0015，英文名 Medical Statistics 2，中文常译「医学统计 2」。

几条身份信息：

• 学部与院系：数学与物理科学学部（Faculty of Mathematical and Physical Sciences）、统计科学系（Statistical Science）。
• 学分：15 学分。
• 场次：2026/27 学年 Term 2 开课。
• 交付形态：三种交付层次并存，均面授（In Person）——Undergraduate（FHEQ Level 6）、Postgraduate（FHEQ Level 7）、Undergraduate（FHEQ Level 7）。三种层次考核构成完全一致。
• 模块负责人：Professor Gareth Ambler。
• 上学年修读人数：本科 Level 6 八人、研究生 Level 7 九人、本科 Level 7 一人。

「三种层次同班」这件事要单独说（分析）：同一门课按三种资历层级登记，内容与考核一样，只是登记层级不同。本文按研究生层级（FHEQ Level 7）落位，但准备标准跟其他两轨没有差别（分析）。

内容十项，是一条「建模→设计→综合」的链（分析）：

• 做预测：诊断测试与风险预测模型。
• 建生存模型：用参数模型建模生存数据。
• 处理聚类：聚类数据导论（含聚类随机试验、重复测量与 GEE）。
• 分层回归：连续、二分类与生存结局的分层回归模型。
• 管试验过程：试验中期分析。
• 认试验设计：等效性试验、交叉试验、早期阶段试验。
• 综合证据：系统综述与 meta 分析。
• 补数据缺口：缺失数据。

课程定位说得很清楚：学校官网写明它提供医学统计的延续学习，强调「流行病学方法与临床试验设计分析的更高级主题」，主要面向统计系三四年级本科生与授课型研究生（含 MASS 项目），也作为 MSc Health Economics and Decision Science 的选修。

这句话的关键词是「更高级」（分析）：它不是入门统计课的续集，而是把方法学往前推一大步——生存模型、GEE、分层回归这些内容，在入门课里通常只提一句（分析）。

六条学习成果，是从建模到综合的一条线：

• 能用参数回归模型建模生存数据。
• 能开发并验证一个风险预测模型。
• 能用回归模型分析聚类数据。
• 能设计并分析交叉试验、聚类随机试验、等效性试验与早期阶段试验。
• 能理解关于中期分析与缺失数据的议题。
• 能执行一项 meta 分析。

注意第六条用的是「执行」（分析）：它要求你真的做完一次 meta 分析流程，而不是知道 meta 分析是什么（分析）。

教材：学校官网未列具体书名（照实）——核心教材经 ReadingLists@UCL 平台提供。书单要等开课后在平台上取（分析）。

选修限制十二个项目：Affiliate Statistics、BSc Data Science、BSc(Econ) Economics and Statistics、BSc/MSci Mathematics and Statistical Science、BSc Statistics、BSc Statistics and Management for Business、BSc Statistics Economics and Finance、BSc Statistics Economics and a Language、MSc Health Economics and Decision Science、MSc Medical Statistics and Data Science、MSc Statistics、MSci Statistical Science (International Programme)。不在名单内的项目不能选（照实）。

与国内同类课程的差异

国内本科「医学统计学」以基础方法为主；这里十项内容全是高阶方法学，一学期走完（分析）。

第二个差异是考核形态。考试 90%＋课业 10%；国内同类课多为「平时分＋期末」且笔试权重略低。

第三个差异是班级结构。三种交付层次统一开课、多项目混编；国内按年级分班。

第四个差异是先修衔接。STAT0014 或 STAT0039 是硬先修，十二个项目限定；国内先修要求通常更宽。

第五个差异是教材形态。经 ReadingLists@UCL 平台按需发布；国内多指定单一教材。

考核怎么算？

考试 90% 加课业 10%，合计 100%，数字记分制。

三种交付层次（本科 Level 6／研究生 Level 7／本科 Level 7）考核构成完全相同——这一点学校官网写明了。

四条结构性判断：

第一，九成压在一张卷子上，六条成果全覆盖。 十项内容都要出题、六条成果都要考到（分析）——这意味着没有「押题放弃某一块」的空间（分析）。

第二，笔试考的是「手算＋解读」两件事。 会推导公式但写不出结果解读，或者会解读但手算步骤写不全，都会掉分（分析）。这两项要分开练，不能混着练（分析）。

第三，课业那 10% 是实操的练兵场，不是分数来源。 它占比小（分析）——但它练的动作跟笔试要的是同一套，做不好课业，笔试也难好（分析）。

第四，补考与重修口径学校官网未提及。 模块页只给了正考构成（照实）。这件事别靠猜：开学第一周问模块负责人，问清楚补考是否保留课业分、重修怎么算（分析）。

先修要求是什么？

学校官网写明：学术先修为 STAT0014 或 STAT0039。

原句是「The academic prerequisite ... is STAT0014 or STAT0039」——即医学统计入门或等效的统计基础（照实）。

另一道门槛是项目限定：本模块仅对十二个统计相关项目注册学生开放（名单见第一节）。不在名单内不能选（照实）。

两个门槛一起，保证全班水平齐整（分析）：先修卡住方法学的起点，项目限定卡住背景的相似度（分析）。

先修这一条要读重一点（分析）：后半学期的聚类数据与分层回归，是直接建在医学统计入门内容之上的——STAT0014 的假设检验与线性回归如果只是「过了一遍」，这里就会一路吃力（分析）。

具体要补的三样：

• 假设检验的推导逻辑：不只是会用检验，还要知道为什么这么构造。
• 线性回归的矩阵形式与假设：分层回归是它的直接延伸。
• 手算的流畅度：笔试要求写过程，算不动就是丢分。

对非统计背景学生的判断：先确认项目在限定名单内，再补先修（分析）——顺序反过来会白费功夫（分析）。

学完能做什么？

学完你能设计并分析多种临床试验、用参数模型分析生存数据、开发并验证风险预测模型、处理聚类与缺失数据，并独立完成一次 meta 分析。

学校官网的六条成果，按能力归成四层（分析）：

• 建模层：参数回归模型建生存数据（LO1）、回归模型分析聚类数据（LO3）。
• 预测层：开发并验证风险预测模型（LO2）——验证这一步常被忽略（分析）。
• 设计层：设计并分析交叉试验、聚类随机试验、等效性试验与早期阶段试验（LO4）。
• 意识与综合层：理解中期分析与缺失数据的议题（LO5）、执行一项 meta 分析（LO6）。

四层里最容易被低估的是「验证」和「议题」两层（分析）：开发和理解都是「知道了就行」，验证与议题判断要求你下判断、给理由（分析）——这也正是笔试最容易设问的地方（分析）。

去向层面：临床试验统计师、医学研究员、CRO 数据分析、流行病学研究、监管统计都是直接对口的方向（分析）。meta 分析与系统综述的训练，直接服务证据合成与卫生技术评估（HTA）方向（分析）。

一条长期判断（分析）：这门课教的是「设计与因果判断」——这部分不是工具能替代的。

难点与常见挂因

这门课的难点在「设计决定分析」：每种试验设计都绑定一整套分析方法，设计认不清，分析一定走偏。

一、生存模型的参数族选择：不看假设就报结果

机制：指数、Weibull、Gompertz 三个参数族各有形状假设，选错就预测偏差（分析）。

为什么卡：三个族的公式长得像，形状假设的差别要画图才看得出（分析）——学生容易挑最熟的那个族直接用（分析）。

卡了会怎样：生存分析题不报 AIC、不看残差诊断，是最明确的早期信号（分析）。

怎么补：用同一个数据集跑三个参数族做对比，报 AIC 与残差（分析）。三个族跑过一遍，形状假设就变成看得见的东西（分析）。

二、聚类数据的层级识别：忽略 cluster 直接跑回归

机制：聚类随机试验里，同一个 cluster 内的个体不独立，标准回归会低估方差（分析）。

为什么卡：数据表看起来就是一张普通表（分析）——层级信息藏在「这些行属于同一个中心／同一个班」这种背景里（分析）。

卡了会怎样：聚类分析题完全不提 cluster，直接当独立样本处理（分析）。

怎么补：每个数据集先画层级结构图，再选对应方法（GEE 或混合模型）（分析）。先画图再选方法，顺序不能反（分析）。

三、交叉试验的周期效应：不留清洗期

机制：carry-over 效应与周期效应要分开处理，混淆即错（分析）。

为什么卡：交叉设计的分析表看起来跟普通设计差不多（分析）——差别在「谁先谁后、中间隔多久」（分析）。

卡了会怎样：交叉设计题不查 carry-over，把两期数据当独立两组比（分析）。

怎么补：背死一个三步检查清单：随机化—清洗期—周期序，每个交叉题先过一遍（分析）。清单过完再动笔，顺序错不了（分析）。

四、meta 分析的异质性：只画森林图就下结论

机制：固定效应与随机效应的选择取决于异质性检验，判错综合结论就偏（分析）。

为什么卡：森林图最直观，也最容易让人以为分析做完了（分析）——异质性检验是图后面那一步（分析）。

卡了会怎样：画出森林图直接报结论，不写 Q 统计量、不写 I²（分析）。

怎么补：每个 meta 题固定写三样：Q 统计量、I²、模型选择的理由（分析）。三样写全，模型选择才有依据（分析）。

五、缺失数据的机制判断：一律删除

机制：MCAR／MAR／MNAR 三种机制对应不同处理策略，机制判断比技术选择更根本（分析）。

为什么卡：删缺失是最省事的路径，而且在多数数据集上看不出代价（分析）——代价要在结论的偏倚里才显形（分析）。

卡了会怎样：遇到缺失数据直接 listwise 删除，不写机制假设（分析）。

怎么补：每个数据集先写一句「缺失机制假设及其依据」，再选多重插补或敏感性分析（分析）。假设写在前面，方法才不是随手挑的（分析）。

六、三种交付层次同班：节奏统一，深浅自调

机制：三种层次共用同一份大纲与同一套考核（分析）——课堂只有一个节奏（分析）。

为什么卡：登记在研究生层级的学生，容易以为内容会自动更深（分析）——实际是「同一课堂、自己加深度」（分析）。

卡了会怎样：课上听得懂，卷子上答不深——因为深度是你自己加的，不是课给的（分析）。

怎么补：每讲完一个方法，自己往深走一层：这个方法的假设在哪失效、失效后怎么办（分析）。每讲加一层，一学期就是二十几个深度点（分析）。

七、90% 笔试：手算与解读必须同时过关

机制：考试占 90%，要求写推导过程并解读统计输出的含义（分析）。

为什么卡：推导与解读是两种训练：推导靠练手，解读靠读文献与看真实输出（分析）——多数人只练一边（分析）。

卡了会怎样：公式推得出来但写不出解读，或解读写得很顺但过程跳步（分析）。

怎么补：每学一个新方法就做「公式推导—手算过程—结果解读」三步完整题（分析）。三步都写全，才算会这个方法（分析）。

八、十项内容的高覆盖密度：没有可放弃的块

机制：十项内容对应六条成果，卷面全覆盖（分析）——不留死角（分析）。

为什么卡：方法密度高，每个方法都要推导＋手算＋解读三件事（分析）——时间永远不够，于是本能地放弃最不熟的那块（分析）。

卡了会怎样：某一块完全空白——而它一定在卷面上（分析）。

怎么补：按「会不会手算」给十项排序，最不熟的三项优先补到能写完整过程（分析）。补到「能写过程」就够了，不必补到「能讲原理」（分析）。

九、先修硬衔接：后半程跟不上

机制：学术先修是 STAT0014 或 STAT0039，后半学期的聚类与分层建模直接建在它上面（分析）。

为什么卡：先修过了不等于底子扎实（分析）——「及格线通过」和「能推能算」是两回事（分析）。

卡了会怎样：开学前两周就感到吃力，越往后越落后（分析）。

怎么补：开课前翻一遍医学统计入门的讲义，把假设检验与线性回归的推导自己过一遍（分析）。手算无障碍再往下学（分析）。

十、风险预测模型的「验证」被跳过

机制：第二条成果写的是「开发并验证」——验证是独立的一步（分析）。

为什么卡：开发模型有成就感，验证模型像在给自己挑错（分析）——学生常把「建模完成」当成「任务完成」（分析）。

卡了会怎样：预测模型题只报模型与系数，不报区分度与校准（分析）。

怎么补：每个预测模型都固定写两行：区分度指标、校准情况（分析）。两行写不出来，就说明验证那一步没做（分析）。

留学生特别提醒

中国学生最容易在六处吃亏：方法学术语不精准、先修底子没接上、多项目混编找不到搭子、推导与解读两头不齐、笔试书写速度慢、极小班不敢发言。

• 按「设计类型＋分析方法＋报告规范」三列做术语中英对照卡：每词配一个临床试验场景例句，开课前先备好二十五词，随周滚动补充，考试前完整过一遍并抽查默写。
• 开课前翻一遍医学统计入门的讲义：重点把假设检验与线性回归的推导自己过一遍，确保手算无障碍再往下学。
• 第一周摸清同学背景，找一个互补的学习搭子（如纯统计配卫生经济背景）：多项目混编的班里，互补比同质有用。
• 每学一个新方法就做一次「公式推导—手算过程—结果解读」三步完整题：三步写全才算会，缺一步考场上就卡。
• 每周一套限时题组，专门练书写速度：90% 笔试考的是在规定时间内把过程写完整。
• 每周备好两个问题或观点，课堂上至少发言一次：上年修读人数只有八到九人，沉默在极小班里是显性缺席。

怎么准备？

准备的关键是三条：先把先修底子接上、把每个方法练成三步完整题、把十项内容按「会不会手算」排一遍。

• 补先修：假设检验与线性回归的推导自己过一遍，手算无障碍。
• 查资格：确认项目在十二个限定名单内，再谈选课。
• 建术语卡：二十五词起步，三列结构，配临床试验例句。
• 列十项清单：按「会不会手算」排序，最不熟的三项优先。
• 练三步题：每学一个方法做「推导—手算—解读」。
• 跑参数族：同一数据集跑三个分布族，报 AIC 与残差。
• 画层级图：聚类数据先画结构图，再选 GEE 或混合模型。
• 过交叉清单：随机化—清洗期—周期序，每题先过。
• 写 meta 三样：Q 统计量、I²、模型选择理由。
• 判缺失机制：先写机制假设与依据，再选处理方法。
• 问清补考：开学第一周问模块负责人补考是否保留课业分。

中英术语速查

• medical statistics —— 医学统计。
• epidemiological methods —— 流行病学方法。
• clinical trial —— 临床试验。
• survival analysis —— 生存分析。
• parametric model —— 参数模型。
• exponential / Weibull / Gompertz —— 指数／Weibull／Gompertz 分布族。
• hazard ratio —— 风险比。
• risk prediction model —— 风险预测模型。
• discrimination —— 区分度。
• calibration —— 校准。
• clustered data —— 聚类数据。
• cluster randomised trial —— 聚类随机试验。
• repeated measures —— 重复测量。
• GEE (generalised estimating equations) —— 广义估计方程。
• mixed model —— 混合模型。
• stratified regression —— 分层回归。
• cross-over trial —— 交叉试验。
• carry-over effect —— 携带效应。
• washout period —— 清洗期。
• period effect —— 周期效应。
• equivalence trial —— 等效性试验。
• early phase trial —— 早期阶段试验。
• interim analysis —— 中期分析。
• systematic review —— 系统综述。
• meta-analysis —— meta 分析。
• heterogeneity —— 异质性。
• fixed effect / random effect —— 固定效应／随机效应。
• I² statistic —— I² 统计量：异质性程度的量化指标。
• missing data —— 缺失数据。
• MCAR / MAR / MNAR —— 完全随机缺失／随机缺失／非随机缺失。
• multiple imputation —— 多重插补。
• sensitivity analysis —— 敏感性分析。
• FHEQ Level 7 —— 英国资历框架研究生层级。

关于我们

鱼之跃做在读留学生的学业支持，服务分两块，界限很清楚：

辅导＝老师授课：由 QS 前 200 院校的硕博老师把课程的知识点、推导链、作业要求讲透，按对口专业配课；覆盖同步辅导、论文辅导、考前辅导、预习。

护航＝你的学业管家：排计划、理材料、理流程这些杂事都替你打点好，该提前准备的他先想到；你只管学，有事随时找，需要时都在。同地区的留学学姐，熟悉你所在学校的节奏。

学术问题上的申诉，我们做材料梳理与流程陪跑，不代写、不代考、不碰学术诚信边界，也不承诺任何成绩。

课程官网与核对说明

课程官网（学校官网）：https://www.ucl.ac.uk/module-catalogue/modules/medical-statistics-2-stat0015

本文涉及学校、学部与院系（数学与物理科学学部／统计科学系）、模块代码、学分（15 学分）、场次（2026/27 学年 Term 2）、三种交付层次（本科 Level 6／研究生 Level 7／本科 Level 7，均面授）与考核构成一致、模块负责人、上学年三个层次的修读人数、十项内容、六条学习成果、十二个项目选修限制、考核构成（Exam 90%＋Coursework 10%，Numeric Marks，三层次相同）、补考与重修官网未提及、先修 STAT0014 或 STAT0039 原句、教材经 ReadingLists@UCL 提供但未列书名等事实，均来自上述学校官网模块页；核对时间为 2026-11-01。文中标「（分析）」的句子为基于官网事实的推导或判断，不代表学校官方表述。

← 学业指南首页课程库