先问研究问题，再选择数据方法
AP Statistics 的抽样和推断题不只是术语配对。做题前先问三个问题：研究者想了解谁，数据从哪里来，最后要描述、比较还是推断什么。只有把总体、样本、变量和目标参数分清楚，后面的方法选择才不会变成机械背诵。
常见抽样方法怎么区分？
- 简单随机抽样：总体中的每个个体或每个等大小样本有相同的被抽取机会。
- 分层随机抽样：先按重要特征分成层，再在每层中随机抽取，适合希望确保不同群体都被代表的情境。
- 整群抽样：把总体分成群，随机选取部分群并调查群内个体；设计方便，但要考虑群之间是否足够相似。
- 系统抽样：按顺序排列总体，随机确定起点后每隔固定间隔抽取一个对象；要留意排列是否存在周期性。
便利样本和自愿样本容易执行，却可能产生覆盖不足、无回答或自我选择偏差。无论题目出现哪种抽样方法，都要进一步判断样本是否可能系统性偏离目标总体。
抽样误差和偏差不是一回事
抽样误差是用样本估计总体时自然存在的波动，增加随机样本量通常可以降低波动，但不能保证每一次结果都接近总体。偏差则来自抽样框不完整、部分人没有回答、问题表述影响回答或样本自己选择参加等系统性问题。增加一个有偏样本的数量，并不会自动消除偏差。
观察研究与实验能说明什么？
观察研究记录变量之间的关系，通常不能单独支持因果结论。实验则通过研究者施加处理，并尽可能使用随机分配、对照和重复来比较结果。随机抽样和随机分配解决的是不同问题：前者帮助推广到总体，后者帮助研究处理是否可能造成差异。
回答实验设计题时，可以按“实验单位—因子—水平—处理—响应变量”的顺序描述。若有分组、区组或配对，也要说明它们为什么能控制已知差异。
p-value 到底表示什么？
p-value 是在原假设为真、且其他条件保持不变的前提下，观察到当前结果或更极端结果的概率。它不是原假设为真的概率，也不是结果在现实中重要程度的直接衡量。判断显著性时，要把 p-value 与题目给出的显著性水平比较，并说明证据支持的方向。
置信区间应该怎么解释？
置信区间描述的是根据一种抽样程序得到的、对总体参数的合理估计范围。写解释时要指出参数是什么、区间的单位是什么以及置信水平的含义。不要把置信水平写成“这个特定区间有 95% 的概率包含参数”，也不要把总体参数和样本统计量混为一谈。
一套考试前检查清单
- 我能指出研究总体、样本和目标参数吗？
- 我能解释随机抽样和随机分配分别解决什么问题吗？
- 我能说出当前方法的条件，并判断条件是否满足吗？
- 我能用题目情境解释 p-value、区间或回归斜率吗？
- 我的结论是否避免“证明”“一定”“导致”等超出数据支持范围的词？
多伦多、Markham 和 North York 的学生在练习时可以用校园调查、通勤时间、运动习惯或社区数据做自己的小例子，但示例数据不应替代正式的 AP 题目训练。真实情境的价值，是帮助学生理解统计术语背后的研究逻辑。