复杂数据统计方法: 基于R的应用(第三版)

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