複雜數據統計方法：基於R的套用

內容簡介

《複雜數據統計方法：基於r的套用》用自由的日軟體分析30多個可以從國外網站下載的真實數據，包括橫截面數據、縱向數據和時間序列數據，通過這些數據介紹了幾乎所有經典方法及最新的機器學習方法。《複雜數據統計方法：基於r的套用》特點：以數據為導向；介紹最新的方法（附有傳統方法回顧）；提供r軟體入門及全部例子計算的日代碼及數據的網址；各章獨立。《複雜數據統計方法：基於r的套用》的讀者對象包括統計學、套用統計學、經濟學、數學、套用數學、精算、環境、計量經濟學、生物醫學等專業的本科、碩士及博士生，各領域的教師和實際工作者。

圖書目錄

第1章引言

1.1 作為科學的統計

1.2 數據分析的實踐

1.3 數據的形式以及可能用到的模型

1.3.1 橫截面數據：因變數為實軸上的數量變數

1.3.2 橫截面數據：因變數為分類（定性）變數或者頻數

1.3.3 縱向數據，多水平數據，面板數據，重複觀測數據

1.3.4 多元數據各變數之間的關係：多元分析

1.3.5 路徑模型/結構方程模型

1.3.6 多元時間序列數據

1.4 r軟體入門

1.4.1 簡介

1.4.2 動手

第2章橫截面數據：因變數為實數軸上的數量變數

2.1 簡單回歸回顧

2.2 簡單線性模型不易處理的橫截面數據

2.2.1 標準線性回歸中的指數變換

2.2.2 生存分析數據的cox回歸模型

2.2.3 數據出現多重共線性情況：嶺回歸，lasso回歸，適應性lasso回歸，偏最小二乘回歸

2.2.4 無法做任何假定的數據：機器學習回歸方法

2.2.5 決策樹回歸（回歸樹）

2.2.6 boosting回歸

2.2.7 bagging回歸

2.2.8 隨機森林回歸

2.2.9 人工神經網路回歸

2.2.10 支持向量機回歸

2.2.11 幾種回歸方法五折交叉驗證結果

2.2.12 方法的穩定性及過擬合

第3章橫截面數據：因變數為分類變數及因變數為頻數（計數）變數的情況

3.1 經典logistic回歸，probit回歸和僅適用於數量自變數的判別分析回顧

3.1.1 logistic回歸和probit回歸

3.1.2 經典判別分析

3.2 因變數為分類變數，自變數含有分類變數：機器學習分類方法

3.2.1 決策樹分類（分類樹）

3.2.2 adaboost分類

3.2.3 bagging分類

3.2.4 隨機森林分類

3.2.5 支持向量機分類

3.2.6 最近鄰方法分類

複雜數據統計方法：基於R的套用

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條