克里金(Kriging)插值的原理与公式推导
学过空间插值的人都知道克里金插值，但是它的变种繁多、公式复杂，还有个半方差函数让人不知所云
本文讲简单介绍基本克里金插值的原理，及其推理过程，全文分为九个部分：
0.引言－从反距离插值说起
1.克里金插值的定义
2.假设条件
3.无偏约束条件
4.优化目标／代价函数
5.代价函数的最优解
6.半方差函数
7.普通克里金与简单克里金
8.小结
统计
加权线性回归(Weighted Linear Regression)的公式及其推理
1.加权线性回归与普通线性回归
对于一组有N个观测的数据
$$(x_i,y_i), i = 1,2,3,4,…, N$$
可以使用一元线性回归模型
$$y = a x + b + \epsilon$$
来拟合 \(x\) 与 \(y\) 之间的关系。其中的参数 \(a,b\) 通常使用最小二乘拟合，即寻找使代价函数
$$J(a,b) = \frac{1}{N}\sum^{N}_{i=1}{(y_i-ax_i-b)^2}$$
最小的\(a,b\)，使得拟合曲线尽可能地接近所有的观测点。
但在实际应用中，观测点之间可能是有差异的。比如，有的观测点误差大，有的观测点误差小，这就需要让我们的拟合直线\(y=ax+b\)，不必考虑误差大的观测点，而要尽可能逼近误差小的观测点。这时就可以使用一个权重系数\(w_i\)来表示第\(i\)个观测点的权重（例如，对于误差小的观测点，\(w_i\)的值更大） 而考虑了这个权重系数\(w_i\)的线性回归，就是加权线性回归。
在R语言中进行Games-Howell检验
主要参考http://www.gcf.dkf.unibe.ch/BCB/files/BCB_10Jan12_Alexander.pdf
当方差分析发现组间均值的显著性差异之后，我们会进一步需要知道哪几组有显著性差异，这就要用到多重比较(Multiple comparisons)
但是我们不能使用传统的t检验来进行多重比较，因为传统的t检验犯第一类错误的概率为a，若用t检验进行多重比较，会把犯第一类错误概率提升到1-(1-a)^(n(n-1)/2)，其中n是组数，n越大多重比较结果犯第一类错误概率越大。