滿額折
商品簡介
作者簡介
名人/編輯推薦
目次
相關商品
商品簡介
第一版面世以來，得到了廣大讀者的支持和鼓勵。第二版根據需要做了一些修正、改動及增補，在第七章補充了Granger因果檢驗，增加了非線性時間序列一節。
本書特點：（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軟件入門及全部例子計算的R代碼及數據的網址；（4）各章獨立。
本書讀者對象包括統計學、應用統計學、經濟學、數學、應用數學、精算、環境、計量經濟學、生物醫學等專業的本科生、碩士及博士生，各領域的教師和實際工作者。
作者簡介
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、北卡羅來納大學以及南開大學、北京大學等多所著名學府執教。
名人/編輯推薦
《復雜數據統計方法——基于R的應用(第2版)》由吳喜之編著，本書以數據形式為導向，對應不同的數據形式介紹可能使用的一些方法。首先引入某些感興趣類型的數據，再介紹并且對比可能適合這些數據的一些統計方法。這些統計方法可能屬于許多不同的模型，屬于不同的統計方向，但只要適用于同一類數據，我們就盡量將它們都予以介紹。筆者覺得這種以數據為主導的學習方式有助于理解統計作為數據科學的本質，有助于實際工作者通過數據學習多種統計方法的應用。我們列舉了可能用于同類數據的若干方法，希望對創造新的數據分析方法有所啟發并促使進一步探索，同時也讓讀者免受查閱大量不同文獻之苦。本書不可能介紹所有的方法，大量新方法在你閱讀本書的時候正在誕生。
目次
第一章引言
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：因變量為實軸上的數量變量
1.3.2橫截面數據：因變量為分類（定性）變量或者頻數
1.3.3縱向數據，多水平數據，面板數據，重復觀測數據
1.3.4多元數據各變量之間的關系：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軟件入門
1.4.1簡介
1.4.2動手
第二章橫截面數據：因變量為實數軸上的數量變量
2.1簡單回歸回顧
2.1.1對例2.1數據的簡單擬合
2.1.2對例2.1數據的進一步分析
2.1.3對簡單線性回歸的一些討論
2.1.4損失函數及分位數回歸簡介
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人工神經網絡回歸
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
第三章橫截面數據：因變量為分類變量及因變量為頻數（計數）變量的情況
3.1經典logistic回歸，probit回歸和僅適用于數量自變量的判別分析回顧
3.1.1 Logistic回歸和probit回歸
3.1.2廣義線性模型簡介
3.1.3經典判別分析
3.2因變量為分類變量，自變量含有分類變量：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
3.2.7分類方法五折交叉驗證結果
3.3因變量為頻數（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機器學習的算法模型擬合計數數據
3.3.5關于模型驅動還是數據驅動的簡單討論
3.3.5多項logit模型及多項分布對數線性模型回顧
第四章縱向數據（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
4.4.1 Cox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
第五章多元分析
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基于主成分分析的聚類
5.3多元數據的關聯規則分析
第六章路徑建模（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
第七章多元時間序列數據
7.1時間序列的基本概念及單變量時間序列方法回顧
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，協整檢驗及Granger因果檢驗
7.2.1概述
7.2.2單位根檢驗
7.2.3協整檢驗
7.2.4Granger因果檢驗
7.3VAR模型，VARX模型與狀態空間模型
7.3.1VAR模型的擬合與預測
7.3.2VARX模型的擬合與預測
7.3.3狀態空間模型的擬合與預測
7.3.4模型的比較
7.4非線性時間序列
7.4.1引言
7.4.2線性AR模型
7.4.3自門限自回歸模型（SETAR）
7.4.4Logistic平滑過渡自回歸模型（LSTAR）
7.4.5神經網絡模型
7.4.6可加AR模型
7.4.7模型的比較
7.4.8門限協整
附錄練習：熟練使用R軟件
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：因變量為實軸上的數量變量
1.3.2橫截面數據：因變量為分類（定性）變量或者頻數
1.3.3縱向數據，多水平數據，面板數據，重復觀測數據
1.3.4多元數據各變量之間的關系：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軟件入門
1.4.1簡介
1.4.2動手
第二章橫截面數據：因變量為實數軸上的數量變量
2.1簡單回歸回顧
2.1.1對例2.1數據的簡單擬合
2.1.2對例2.1數據的進一步分析
2.1.3對簡單線性回歸的一些討論
2.1.4損失函數及分位數回歸簡介
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人工神經網絡回歸
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
第三章橫截面數據：因變量為分類變量及因變量為頻數（計數）變量的情況
3.1經典logistic回歸，probit回歸和僅適用于數量自變量的判別分析回顧
3.1.1 Logistic回歸和probit回歸
3.1.2廣義線性模型簡介
3.1.3經典判別分析
3.2因變量為分類變量，自變量含有分類變量：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
3.2.7分類方法五折交叉驗證結果
3.3因變量為頻數（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機器學習的算法模型擬合計數數據
3.3.5關于模型驅動還是數據驅動的簡單討論
3.3.5多項logit模型及多項分布對數線性模型回顧
第四章縱向數據（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
4.4.1 Cox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
第五章多元分析
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基于主成分分析的聚類
5.3多元數據的關聯規則分析
第六章路徑建模（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
第七章多元時間序列數據
7.1時間序列的基本概念及單變量時間序列方法回顧
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，協整檢驗及Granger因果檢驗
7.2.1概述
7.2.2單位根檢驗
7.2.3協整檢驗
7.2.4Granger因果檢驗
7.3VAR模型，VARX模型與狀態空間模型
7.3.1VAR模型的擬合與預測
7.3.2VARX模型的擬合與預測
7.3.3狀態空間模型的擬合與預測
7.3.4模型的比較
7.4非線性時間序列
7.4.1引言
7.4.2線性AR模型
7.4.3自門限自回歸模型（SETAR）
7.4.4Logistic平滑過渡自回歸模型（LSTAR）
7.4.5神經網絡模型
7.4.6可加AR模型
7.4.7模型的比較
7.4.8門限協整
附錄練習：熟練使用R軟件
參考文獻
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。
優惠價：87
172
海外經銷商無庫存，到貨日平均30天至45天