统计学作为一门应用数学与数据科学的交叉学科，在中国人民大学统计学博士考核中始终强调理论深度与实践能力的双重培养。考生需系统掌握数理统计基础、现代统计方法及跨学科应用，以下为人大考博核心参考书目解析与备考策略：

核心教材体系包含《数理统计与数据分析》（胡八一，2017）与《统计学（第六版）》（贾俊平，2021）两大支柱。前者作为概率论与数理统计的进阶教材，重点涵盖抽样分布理论（第5章）、参数估计（第6-7章）及假设检验（第8章），其中复合抽样分布与贝叶斯估计的证明过程需深入推导；后者则强化应用统计实务，重点掌握方差分析（第11章）、回归分析（第12章）与时间序列分析（第13章），需结合R语言或Python完成案例建模。

拓展阅读建议《回归分析基础》（王学仁，2008）与《时间序列分析》（刘超，2020），前者从岭回归（第5章）到空间回归（第9章）构建高维数据建模框架，后者系统阐释ARIMA模型（第3章）与状态空间模型（第7章）的算法实现。近三年新增《机器学习中的统计方法》（周志华，2022）作为交叉学科补充，重点掌握SVM核函数设计（第4章）与集成学习框架（第6章）。

备考策略需遵循"三阶段递进"：基础阶段（3个月）完成前两本教材精读，每日保持2小时数学推导训练，重点突破似然比检验（第8章3-4节）与广义线性模型（第12章5-6节）的证明；强化阶段（2个月）开展专题突破，建立计量经济学（面板数据模型）、生物统计（生存分析）与金融统计（极值理论）三大应用模块，每周完成1套计算题（如GMM估计参数求解）与1篇文献综述（如《统计研究》近五年热点）。

真题模拟阶段（1个月）需严格遵循人大统计学院近十年考题规律：每年必考3道计算题（涵盖区间估计、假设检验、回归诊断），2道综合论述（如因果推断与机器学习的统计融合），1道开放性研究设计（要求结合2023年《Nature Statistics》前沿提出创新点）。特别关注《非参数统计》（Rao, 2015）中的核平滑方法（第5章）与《高维统计》（Wang, 2021）中的稀疏建模（第4章），近五年出现3次相关考点。

附加建议：定期参加统计科学研究所的学术沙龙（每周三14:00-16:00），关注《统计与概率论研究》期刊的预印本专栏；建立"理论-软件-应用"三位一体笔记体系，使用Notion数据库分类存储Stata/R代码（如mlogit命令、ARIMA建模流程）与实证案例（如CARS模型在新能源汽车销量预测中的应用）；最后冲刺阶段重点研读2022年《中国统计学年刊》特刊，掌握因果发现（DAG图构建）与数据挖掘（XGBoost特征重要性分析）的交叉创新点。

考生需特别注意数学基础强化，重点补足矩阵论（二次型分布、特征值分解）与最优化理论（拉格朗日乘数法、凸优化），建议完成《矩阵分析与应用》（吴文俊，2001）的第3-4章习题。科研素养方面，需在开题报告中体现统计思想的原创性，如将生存分析中的Cox模型改进应用于区块链交易行为研究，或结合贝叶斯网络构建金融风险预警系统。