《複雜數據統計方法》是吳喜之在2012年10月出版的一本書。《複雜數據統計方法——基於r的套用》用自由的R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。
基本介紹
- 作者：吳喜之
- ISBN：9787300163994
- 頁數：228
- 定價：33.00元
- 出版時間：2012-10
- 副標題：基於R的套用
內容介紹,作者介紹,作品目錄,
內容介紹
《複雜數據統計方法——基於r的套用》特點：(1)以數據為導向；(2)介紹最新的方法(附有傳統方法回顧)；(3)提供r軟體入門及全部例子計算的日代碼及數據的網址；(4)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。
作者介紹
吳喜之，北京大學數學力學系本科，美國北卡羅來納大學統計博士。中國人民大學統計學院教授，博士生導師。曾在美國加利福尼亞大學、美國北卡羅來納大學、南開大學、中國人民大學、北京大學等多所著名學府執教。
作品目錄
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)
2.2.6boosting回歸
2.2.7bagging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
3.1.1logistic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)
3.2.2adaboost分類
3.2.3bagging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
3.2.7分類方法五折交叉驗證結果
3.3因變數為頻數(計數)的情況
3.3.1經典的poisson對數線性模型回顧
3.3.2使用poisson對數線性模型時的散布問題
3.3.3零膨脹計數數據的poisson回歸
3.3.4使用機器學習的算法模型擬合計數數據
3.3.5多項logit模型及多項分布對數線性模型回顧
第4章縱向數據(多水平數據，面板數據)
4.1縱向數據：線性隨機效應混合模型
4.2縱向數據：廣義線性隨機效應混合模型
4.3縱向數據：決策樹及隨機效應模型
4.4縱向數據：縱向生存數據
4.4.1cox隨機效應混合模型
4.4.2分步聯合建模
4.5計量經濟學家的視角：面板數據
第5章多元分析(不區分因變數及自變數)
5.1實數軸上的數據：經典多元分析內容回顧
5.1.1主成分分析及因子分析
5.1.2分層聚類及k均值聚類
5.1.3典型相關分析
5.1.4對應分析
5.2非經典多元數據分析：可視化
5.2.1主成分分析
5.2.2對應分析
5.2.3多重對應分析
5.2.4多重因子分析
5.2.5分層多重因子分析
5.2.6基於主成分分析的聚類
5.3多元數據的關聯規則分析
第6章路徑建模(結構方程建模)數據的pls分析
6.1路徑模型概述
6.1.1路徑模型
6.1.2路徑模型的兩種主要方法
6.2 pls方法：顧客滿意度的例子
6.3協方差方法簡介
6.4結構方程模型的一些問題
第7章多元時間序列數據
7.1時間序列的基本概念及單變數時間序列方法回顧
7.1.1時間序列的一些定義和基本概念
7.1.2常用的一元時間序列方法
7.2單位根及協整檢驗
7.2.1概述
7.2.2單位根檢驗
7.2.3協整檢驗
7.3varx模型與狀態空間模型
7.3.1varx模型擬合
7.3.2狀態空間模型擬合
7.3.3模型的比較和預測
附錄練習：熟練使用r軟體
參考文獻
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)
2.2.6boosting回歸
2.2.7bagging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
3.1.1logistic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)
3.2.2adaboost分類
3.2.3bagging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
3.2.7分類方法五折交叉驗證結果
3.3因變數為頻數(計數)的情況
3.3.1經典的poisson對數線性模型回顧
3.3.2使用poisson對數線性模型時的散布問題
3.3.3零膨脹計數數據的poisson回歸
3.3.4使用機器學習的算法模型擬合計數數據
3.3.5多項logit模型及多項分布對數線性模型回顧
第4章縱向數據(多水平數據，面板數據)
4.1縱向數據：線性隨機效應混合模型
4.2縱向數據：廣義線性隨機效應混合模型
4.3縱向數據：決策樹及隨機效應模型
4.4縱向數據：縱向生存數據
4.4.1cox隨機效應混合模型
4.4.2分步聯合建模
4.5計量經濟學家的視角：面板數據
第5章多元分析(不區分因變數及自變數)
5.1實數軸上的數據：經典多元分析內容回顧
5.1.1主成分分析及因子分析
5.1.2分層聚類及k均值聚類
5.1.3典型相關分析
5.1.4對應分析
5.2非經典多元數據分析：可視化
5.2.1主成分分析
5.2.2對應分析
5.2.3多重對應分析
5.2.4多重因子分析
5.2.5分層多重因子分析
5.2.6基於主成分分析的聚類
5.3多元數據的關聯規則分析
第6章路徑建模(結構方程建模)數據的pls分析
6.1路徑模型概述
6.1.1路徑模型
6.1.2路徑模型的兩種主要方法
6.2 pls方法：顧客滿意度的例子
6.3協方差方法簡介
6.4結構方程模型的一些問題
第7章多元時間序列數據
7.1時間序列的基本概念及單變數時間序列方法回顧
7.1.1時間序列的一些定義和基本概念
7.1.2常用的一元時間序列方法
7.2單位根及協整檢驗
7.2.1概述
7.2.2單位根檢驗
7.2.3協整檢驗
7.3varx模型與狀態空間模型
7.3.1varx模型擬合
7.3.2狀態空間模型擬合
7.3.3模型的比較和預測
附錄練習：熟練使用r軟體
參考文獻
