前言
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橫截麵數據：因變量為實軸上的數量變量
1.3.2橫截麵數據：因變量為分類變量、頻數或定序變量
1.3.3縱嚮數據、多水平數據、麵闆數據、重復觀測數據
1.3.4多元數據各變量之間的關係：多元分析
1.3.5抽樣調查數據中垃圾比例的計算
1.3.6路徑模型／結構方程模型
1.3.7貝葉斯網絡
1.3.8多元時間序列數據
1.4R軟件入門
1.4.1簡介
1.4.2安裝和運行小貼士
1.4.3動手
1.5國內統計教學（課本）的若乾誤區
1.5.1假設檢驗的誤區：不能拒絕就接受
1.5.2假設檢驗的誤區：p值小於0.05就顯著
1.5.3置信區間的誤區
1.5.4最小二乘綫性迴歸中的誤區
1.5.5樣本量是多少纔算大樣本
1.5.6用31個省、直轄市、自治區數據能做什麼
1.5.7匯總數據（比如部分均值）和原始觀測值的區彆
第二章橫截麵數據迴歸：經典方法
2.1簡單迴歸迴顧
2.1.1對例2.1數據的簡單擬閤
2.1.2對例2.1數據的進一步分析
2.1.3對簡單綫性迴歸的一些討論
2.1.4損失函數及分位數迴歸簡介
2.2簡單綫性模型中的指數變換
2.3生存分析數據的Cox迴歸模型
2.4數據齣現多重共綫性情況：嶺迴歸、lasso迴歸、適應性lasso迴歸、偏最小二乘迴歸
2.4.1嶺迴歸
2.4.2lasso迴歸
2.4.3適應性lasso迴歸
2.4.4偏最小二乘迴歸
第三章橫截麵數據迴歸：機器學習方法
3.1沒有任何先驗假定的數據：機器學習迴歸方法
3.2決策樹迴歸（迴歸樹）
3.2.1擬閤全部數據
3.2.2交叉驗證
3.3boosting迴歸
3.4bagging迴歸
3.5隨機森林迴歸
3.6支持嚮量機迴歸
3.6.1SVM
3.6.2SVR
3.6.3交叉驗證
3.7人工神經網絡迴歸
3.7.1確定閤適的隱藏層節點數目
3.7.2交叉驗證
3.810摺交叉驗證結果匯總及方法穩定性討論
第四章橫截麵數據分類：經典方法
4.1logistic迴歸和probit迴歸
4.1.1廣義綫性模型簡單迴顧
4.1.2脊柱數據例子
4.1.3logistic迴歸
4.1.4probit迴歸
4.2經典判彆分析
4.2.1關於例4.1column.2C.csv數據的兩分類判彆
4.2.2例4.1column.2C.csv數據兩分類判彆諸方法的10摺交叉驗證結果
4.2.3關於例4.1column.3C.csv數據的三分類判彆
4.2.4關於例4.1column.3C.csv數據的三分類判彆的三種方法的10摺交叉驗證結果
第五章橫截麵數據分類：機器學習方法
5.1對變量沒有任何限製：機器學習分類方法
5.1.1概論和例子
5.1.2産生交叉驗證數據集
5.2決策樹分類（分類樹）
5.2.1擬閤全部數據
5.2.2交叉驗證
5.3adaboost分類
5.3.1擬閤全部數據
5.3.2交叉驗證
5.4bagging分類
5.4.1擬閤全部數據
5.4.2交叉驗證
5.5隨機森林分類
5.5.1擬閤全部數據
5.5.2交叉驗證
5.6支持嚮量機分類
5.6.1擬閤全部數據
5.6.2交叉驗證
5.7最近鄰方法分類
5.8神經網絡分類
5.8.1擬閤
5.8.2神經網絡對於不同參數的擬閤效果分析
5.9分類方法10摺交叉驗證結果匯總
第六章橫截麵數據：計數或有序因變量
6.1概要和例子
6Poisson
6.2經典的Poisson對數綫性模型迴顧
6.3使用Poisson對數綫性模型時的散布問題
6.4零膨脹時的Poisson迴歸
6.5用機器學習的算法模型擬閤計數因變量數據
6.5.1隨機森林擬閤例6.1數據的10摺交叉驗證
6.5.2決策樹（迴歸樹）擬閤例6.1數據的10摺交叉驗證
6.5.3支持嚮量機擬閤例6.1數據的10摺交叉驗證
6.5.4各種方法擬閤例6.1數據的10摺交叉驗證結果比較和一些討論
6.6多項logit模型及多項分布對數綫性模型迴顧
6.6.1多項logit模型迴顧
6.6.2多項分布對數綫性模型迴顧
6.7有序變量的比例優勢模型
……
第七章縱嚮數據（多水平模型、麵闆數據）
第八章多元分析
第九章多元數據的關聯規則分析
第十章調查數據中垃圾比例的計算
第十一章路徑建模（結構方程建模）數據的PLS分析
第十二章貝葉斯網絡
第十三章多元時間序列數據
附錄練習：熟練使用R軟件
參考文獻
· · · · · · (收起)