✍ Scribed by 吴喜之
No coin nor oath required. For personal study only.
本书自面世以来，得到了广大读者的支持和鼓励。目前的第三版在第二版的基础上做了相当大的增补，并且重新安排了章节，主要增加了贝叶斯网络、 定序变量的比例优势模型、调查问卷的垃圾比例计算等，总共增加将近1/3的篇幅.
本书没有按照数学模型的分类来编排，选择的数据也不像标准教科书中的例子那样“规范”，但这正是对真实数据和现实世界的反映。本书试图让读者理解世界是复杂的，数据形式是多种多样的，必须有超越书本、超越自我的智慧和勇气。
本书的读者对象包括数学、应用数学、统计、精算、经济、旅游、环境等专业的本科生以及数学、应用数学、统计、计量经济学、生物医学、应用统计、经济学等专业的硕士和博士生。
前言
第一章引言
1.1作为科学的统计
1.2数据分析的实践
1.3数据的形式以及可能用到的模型
1.3.1横截面数据：因变量为实轴上的数量变量
1.3.2横截面数据：因变量为分类变量、频数或定序变量
1.3.3纵向数据、多水平数据、面板数据、重复观测数据
1.3.4多元数据各变量之间的关系：多元分析
1.3.5抽样调查数据中垃圾比例的计算
1.3.6路径模型／结构方程模型
1.3.7贝叶斯网络
1.3.8多元时间序列数据
1.4R软件入门
1.4.1简介
1.4.2安装和运行小贴士
1.4.3动手
1.5国内统计教学（课本）的若干误区
1.5.1假设检验的误区：不能拒绝就接受
1.5.2假设检验的误区：p值小于0.05就显著
1.5.3置信区间的误区
1.5.4最小二乘线性回归中的误区
1.5.5样本量是多少才算大样本
1.5.6用31个省、直辖市、自治区数据能做什么
1.5.7汇总数据（比如部分均值）和原始观测值的区别
第二章横截面数据回归：经典方法
2.1简单回归回顾
2.1.1对例2.1数据的简单拟合
2.1.2对例2.1数据的进一步分析
2.1.3对简单线性回归的一些讨论
2.1.4损失函数及分位数回归简介
2.2简单线性模型中的指数变换
2.3生存分析数据的Cox回归模型
2.4数据出现多重共线性情况：岭回归、lasso回归、适应性lasso回归、偏最小二乘回归
2.4.1岭回归
2.4.2lasso回归
2.4.3适应性lasso回归
2.4.4偏最小二乘回归
第三章横截面数据回归：机器学习方法
3.1没有任何先验假定的数据：机器学习回归方法
3.2决策树回归（回归树）
3.2.1拟合全部数据
3.2.2交叉验证
3.3boosting回归
3.4bagging回归
3.5随机森林回归
3.6支持向量机回归
3.6.1SVM
3.6.2SVR
3.6.3交叉验证
3.7人工神经网络回归
3.7.1确定合适的隐藏层节点数目
3.7.2交叉验证
3.810折交叉验证结果汇总及方法稳定性讨论
第四章横截面数据分类：经典方法
4.1logistic回归和probit回归
4.1.1广义线性模型简单回顾
4.1.2脊柱数据例子
4.1.3logistic回归
4.1.4probit回归
4.2经典判别分析
4.2.1关于例4.1column.2C.csv数据的两分类判别
4.2.2例4.1column.2C.csv数据两分类判别诸方法的10折交叉验证结果
4.2.3关于例4.1column.3C.csv数据的三分类判别
4.2.4关于例4.1column.3C.csv数据的三分类判别的三种方法的10折交叉验证结果
第五章横截面数据分类：机器学习方法
5.1对变量没有任何限制：机器学习分类方法
5.1.1概论和例子
5.1.2产生交叉验证数据集
5.2决策树分类（分类树）
5.2.1拟合全部数据
5.2.2交叉验证
5.3adaboost分类
5.3.1拟合全部数据
5.3.2交叉验证
5.4bagging分类
5.4.1拟合全部数据
5.4.2交叉验证
5.5随机森林分类
5.5.1拟合全部数据
5.5.2交叉验证
5.6支持向量机分类
5.6.1拟合全部数据
5.6.2交叉验证
5.7最近邻方法分类
5.8神经网络分类
5.8.1拟合
5.8.2神经网络对于不同参数的拟合效果分析
5.9分类方法10折交叉验证结果汇总
第六章横截面数据：计数或有序因变量
6.1概要和例子
6Poisson
6.2经典的Poisson对数线性模型回顾
6.3使用Poisson对数线性模型时的散布问题
6.4零膨胀时的Poisson回归
6.5用机器学习的算法模型拟合计数因变量数据
6.5.1随机森林拟合例6.1数据的10折交叉验证
6.5.2决策树（回归树）拟合例6.1数据的10折交叉验证
6.5.3支持向量机拟合例6.1数据的10折交叉验证
6.5.4各种方法拟合例6.1数据的10折交叉验证结果比较和一些讨论
6.6多项logit模型及多项分布对数线性模型回顾
6.6.1多项logit模型回顾
6.6.2多项分布对数线性模型回顾
6.7有序变量的比例优势模型
……
第七章纵向数据（多水平模型、面板数据）
第八章多元分析
第九章多元数据的关联规则分析
第十章调查数据中垃圾比例的计算
第十一章路径建模（结构方程建模）数据的PLS分析
第十二章贝叶斯网络
第十三章多元时间序列数据
附录练习：熟练使用R软件
参考文献
📜 SIMILAR VOLUMES
<p>《统计分析教材:SPSS统计分析方法及应用(第3版)》以统计分析的应用需求为主线，以通俗易懂的语言对SPSS中主要统计分析方法的核心思想进行系统的介绍，并对其在SPSS中的操作实现步骤进行详尽说明，同时配合应用案例分析，使读者能够较快领会方法的要点，掌握方法的实现操作，明确方法的适用特点。《统计分析教材:SPSS统计分析方法及应用(第3版)》克服了SPSS手册类教材只注重操作说明而忽略原理讲解的不足，同时弥补了统计专业教材只注重原理述论而缺乏实现工具的缺憾，是一本特色鲜明、具有广泛使用价值的精品教材。配套光盘中为书中相关章节的示例数据文件，供读者练习时参考使用。</p>
本书系统阐述了数据库的基础理论、基本技术和方法。书中第1~6章为理论篇，主要内容包括：数据库系统概述、关系数据库、关系数据库标准语言SQL、关系数据库规范化理论、数据库设计、数据保护； 第7~16章为实验篇，共10个实验，内容包括：SQL Server 2008的安装与操作环境、创建数据库、数据更新、简单查询、复杂查询、视图操作、TransactSQL程序设计、存储过程与触发器、数据库备份与恢复和数据转换。本书结构完整、内容精练、实用性强。本书在阐述数据库基本理论的同时，围绕基本理论介绍了SQL Server 2008的相关知识，并配有10个相关的实验，方便实验课程的开展。 本书可作为高等学
书签已装载， 书签制作方法请找 [email protected] 完全免费 （若有印刷不清等问题也请发送相关邮件，会尽快更新的） 《统计学习导论:基于R应用》读者对象是那些希望运用统计学习前沿技术分析数据的人士，既包括统计学专业的师生，也包括非统计学专业的从业者。
丹尼尔 A.鲍威斯和谢宇教授合著的《分类数据分析的统计方法》一书对分类数据分析的方法和模型，以及在社会科学研究中的应用作了全面的介绍。本书的一个明确目标是整合变换方法和潜在变量方法，它们是两类不同但又相互补充的处理分类数据分析的传统方法。这也是第一次在一单册书中严密地介绍针对离散因变量、交叉分类和跟踪数据的模型和方法。目前还没有看到有类似的著作。 本书的第二版增加了应用于分类数据的多水平模型。许多章节的内容经过了进一步的修订，并扩充了新的应用和实例。第二版中显著的特点是详细讨论了针对分层或多水平模型的经典贝叶斯估计技术，拓展了离散时间生存分析模型和Cox回归模型的内容，以及针对背离模型假设的
<p>统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。本书分为监督学 习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k 近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM 算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和 PageRank 算法等。除有关统计学习、监督学习和无监督学习的概论和总结的四章外，每章介绍一种方法。叙述力求从具体问题或实例入手， 由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运