Answers:
对此可能会有不同的意见，但我会将总体数据视为样本并假设一个假设总体，然后以通常的方式进行推断。考虑这一点的一种方法是，有一个底层的数据生成过程负责收集的数据，即“人口”分布。
在您的特定情况下，这可能更有意义，因为您将来会有很多同类。那么您的人口确实是那些甚至在将来都参加考试的队列。这样，如果您拥有超过一年的数据，则可以考虑基于时间的变化，或者尝试通过错误模型考虑潜在因素。简而言之，您可以开发功能更强大的丰富模型。
实际上，如果您确实很乐观，那么您可以拥有全部人口，甚至无需进行统计。然后，您确切地知道差异有多大，并且没有任何理由再进行测试。一个典型的错误是将统计显着性用作“相关”显着性。如果您对总体进行抽样，则差异是实际的。
另一方面，如果您重新提出假设，则候选者可以被视为可能候选者的样本，这将允许进行统计检验。在这种情况下，通常要测试男性和女性在手头测试中是否有所不同。
正如ars所说，您可以使用多年的测试并将时间作为随机因素。但是，如果您的兴趣确实在于在此特定测试上这些候选项之间的差异，则您不能使用泛化，并且测试是毫无意义的。
传统上，统计推断是在概率样本和抽样误差的本质中进行的。该模型是检验重要性的基础。但是，还有其他方法可以模拟系统性的机会偏离，结果表明我们的参数（基于采样）测试倾向于很好地近似于这些选择。
假设的参数检验依赖于抽样理论来估计可能的误差。如果从总体中抽取给定大小的样本，则有关样本系统性的知识将使检验和置信区间有意义。对于总体而言，抽样理论根本就没有意义，传统意义上的检验也没有意义。推论是没有用的，没有什么可推论的，只有东西...参数本身。
有些人通过吸引当前人口普查代表的超级人口来解决这个问题。我发现这些吸引力令人信服-参数测试以概率抽样及其特征为前提。给定时间的人口可能是随时间和地点的较大人口的样本。但是，我看不出有任何方法可以合理地论证这是一个随机样本（或更普遍地说是概率的任何形式）。如果没有概率样本，则样本理论和传统的测试逻辑根本不适用。您也可以根据方便性示例进行测试。
显然，要在使用总体时接受测试，我们需要在抽样程序中放弃这些测试的基础。一种方法是识别样本理论检验（例如t，Z和F）与随机化程序之间的紧密联系。随机化测试基于手头的样本。如果我收集有关男性和女性收入的数据，则概率模型和我们误差估计的基础是实际数据值的重复随机分配。我可以将观察到的跨组差异与基于这种随机化的分布进行比较。（顺便说一下，我们一直在实验中一直这样做，从总体模型中随机抽样很少是合适的）。
现在，事实证明样本理论检验通常是随机检验的良好近似。因此，最终，我认为来自人群的测试在此框架内是有用且有意义的，并且可以帮助区分系统差异和机会差异，就像基于样本的测试一样。到达那里的逻辑有些不同，但是对测试的实际意义和使用没有太大影响。当然，直接使用随机化和置换测试可能会更好，因为我们所有的现代计算能力都可以轻松使用它们。
假设结果表明候选人在性别方面有所不同。例如，完成测试的人的比例如下：女性40％，男性60％。显而易见，40％与60％不同。现在重要的是决定：1）您感兴趣的人群；2）您的观察与感兴趣的人群之间的关系。以下是有关这两个问题的一些详细信息：
如果您感兴趣的人群只是您所观察到的候选人（例如，2016年申请大学的100名候选人），则无需报告统计显着性检验。这是因为您的兴趣人群已被完全采样...您所关心的就是拥有完整数据的100个候选对象。也就是说，60％等于40％。这个问题的答案是，应用于该计划的100名人口中是否存在性别差异？这是一个描述性问题，答案是肯定的。
但是，许多重要的问题是关于在不同环境中会发生什么。也就是说，许多研究人员想提出过去的趋势，以帮助我们预测（然后计划）未来。这方面的一个示例性问题是：候选人的未来测试在性别方面可能会有所不同吗？这样，感兴趣的人群比上面的方案1中的人群要广。此时，要问的一个重要问题是：您观察到的数据是否可能代表未来趋势？这是一个推论性问题，根据原始海报提供的信息，答案是：我们不知道。
总之，您要报告的统计信息取决于您要回答的问题的类型。
关于基础研究设计的思考可能最有帮助（请在此处尝试：http : //www.socialresearchmethods.net/kb/design.php）。如果您想要更多的高级信息，那么考虑超级人口可能会有所帮助（这里的文章可能会有所帮助：http : //projecteuclid.org/euclid.ss/1023798999#ui-tabs-1）。
如果您考虑要衡量的是一个随机过程，那么统计检验是相关的。例如，掷硬币十次以查看它是否公平。您得到6头和4尾–您的结论是什么？