Applied Multivariate Statistical Analysis and Re/普通高等教育“十二五”规划教材

图书标准信息

• 作者 吴浪、邱瑾 著
• 出版社 科学出版社
• 出版时间 2014-06
• 版次 1
• ISBN 9787030412430
• 定价 48.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 236页
• 字数 100千字
• 正文语种 简体中文
• 丛书 普通高等教育“十二五”规划教材·浙江财经大学省级重点学科重点专业统计学系列教材

【内容简介】

  The main contents of this book include principal components analysis, factor analysis, discriminant analysis and cluster analysis, inference for a multivariate normal population,discrete or categorical multivariate data, copula models, linear and nonlinear regression models, generalized linear models,multivariate regression and MANOVA models, longitudinal data, panel data, and repeated measurements, methods for missing data, robust multivariate analysis, and selected topics. The focus of this book is on conceptual understanding of the models and methods for multivariate data, rather than tedious mathematical derivations or proofs. Extensive real data examples are presented using software R. This book is written as a textbook for undergraduate and graduate students i statistics, as well as graduate students in other fields.

【目录】

Preface

Chapter 1 Introduction

1.1 Goal of Statistics

1.2 Univariate Analysis

1.3 Multivariate Analysis

1.4 Multivariate Normal Distribution

1.5 Unsupervised Learning and Supervised Learning

1.6 Data Analysis Strategies and Statistical Thinking

1.7 Outline

Exercises 1

Chapter 2 Principal Components Analysis

2.1 The Basic Idea

2.2 The Principal Components

2.3 Choose Number of Principal Components

2.4 Considerations in Data Analysis

2.5 Examples in R

Exercises 2

Chapter 3 Factor Analysis

3.1 The Basic Idea

3.2 The Factor Analysis Model

3.3 Methods for Estimation

3.4 Examples in R

Exercises 3

Chapter 4 Discriminant Analysis and Cluster Analysis.

4.1 Introduction

4.2 Discriminant Analysis

4.3 Cluster Analysis

4.4 Examples in R

Exercises 4

Chapter 5 Inference for a Multivariate Normal Population

5.1 Introduction

5.2 Inference for Multivariate Means

5.3 Inference for Covariance Matrices

5.4 Large Sample Inferences about a Population Mean Vector

5.5 Examples in R

Exercises 5

Chapter 6 Discrete or Categorical Multivariate Data

6.1 Discrete or Categorical Data

6.2 The Multinomial Distribution

6.3 Contingency Tables

6.4 Associations Between Discrete or Categorical Variables

6.5 Logit Models for Multinomial Variables

6.6 Loglinear Models for Contingency Tables

6.7 Example in R

Exercises 6

Chapter 7 Copula Models

7.1 Introduction

7.2 Copula Models

7.3 Measures of Dependence

7.4 Applications in Actuary and Finance

7.5 Applications in Longitudinal and Survival Data

7.6 Example in R

Exercises 7

Chapter 8 Linear and Nonlinear Regression Models

8.1 Introduction

8.2 Linear Regression Models

8.3 Model Selection

8.4 Model Diagnostics

8.5 Data Analysis Examples with R

8.6 Nonlinear Regression Models

8.7 More on Model Selection

Exercises 8

Chapter 9 Generalized Linear Models

9.1 Introduction

9.2 The Exponential Family

9.3 The General Form of a GLM

9.4 Inference for GLM

9.5 Model Selection and Model Diagnostics

9.6 Logistic Regression Models

9.7 Poisson Regression Models

Exercises 9

Chapter 10 Multivariate Regression and MANOVA Models

10.1 Introduction

10.2 Multivariate Regression Models

10.3 MANOVA Models

10.4 Examples in R

Exercises 10

Chapter 11 Longitudinal Data, Panel Data, and Repeated Measurements

11.1 Introduction

11.2 Methods for Longitudinal Data Analysis

11.3 Linear Mixed Effects Models

11.4 GEE Models

Exercises 11

Chapter 12 Methods for Missing Data

12.1 Missing Data Mechanisms

12.2 Methods for Missing Data

12.3 Multiple Imputation Methods

12.4 Multiple Imputation by Chained Equations

12.5 The EM Algorithm

12.6 Example in R

Exercises 12

Chapter 13 Robust Multivariate Analysis

13.1 The Need for Robust Methods

13.2 General Robust Methods

13.3 Robust Estimates of the Mean and Standard Deviation

13.4 Robust Estimates of the Covariance Matrix

13.5 Robust PCA and Regressions

13.6 Examples in R

Exercises 13

Chapter 14 Selected Topics

14.1 Likelihood Methods

14.2 Bootstrap Methods

14.3 MCMC Methods and the Gibbs Sampler

14.4 Survival Analysis

14.5 Data Science, Big Data, and Data Mining

References

Index