基于R的應用（第2版）

第一章  引言
1.1  作為科學的統(tǒng)計
1.2  數(shù)據(jù)分析的實踐
1.3  數(shù)據(jù)的形式以及可能用到的模型
1.3.1  橫截面數(shù)據(jù)：因變量為實軸上的數(shù)量變量
1.3.2  橫截面數(shù)據(jù)：因變量為分類（定性）變量或者頻數(shù)
1.3.3縱向數(shù)據(jù)，多水平數(shù)據(jù)，面板數(shù)據(jù)，重復觀測數(shù)據(jù)
1.3.4  多元數(shù)據(jù)各變量之間的關系：多元分析
1.3.5  路徑模型/結(jié)構方程模型
1.3.6  多元時間序列數(shù)據(jù)
1.4  R  軟件入門
1.4.1  簡介
1.4.2  動手
第二章  橫截面數(shù)據(jù)：  因變量為實數(shù)軸上的數(shù)量變量
2.1  簡單回歸回顧
2.1.1  對例2.1數(shù)據(jù)的簡單擬合
2.1.2  對例2.1數(shù)據(jù)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(shù)及分位數(shù)回歸簡介
2.2  簡單線性模型不易處理的橫截面數(shù)據(jù)
2.2.1  標準線性回歸中的指數(shù)變換
2.2.2  生存分析數(shù)據(jù)的Cox回歸模型
2.2.3  數(shù)據(jù)出現(xiàn)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(shù)據(jù)：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(jīng)網(wǎng)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(jié)果
2.2.12  方法的穩(wěn)定性及過擬合
第三章  橫截面數(shù)據(jù)：因變量為分類變量及因變量為頻數(shù)（計數(shù)）變量的情況
3.1經(jīng)典logistic回歸，probit回歸和僅適用于數(shù)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(jīng)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(jié)果
3.3因變量為頻數(shù)（計數(shù)）的情況
3.3.1  經(jīng)典的Poisson對數(shù)線性模型回顧
3.3.2  使用Poisson對數(shù)線性模型時的散布問題
3.3.3  零膨脹計數(shù)數(shù)據(jù)的Poisson回歸
3.3.4  機器學習的算法模型擬合計數(shù)數(shù)據(jù)
3.3.5  關于模型驅(qū)動還是數(shù)據(jù)驅(qū)動的簡單討論
3.3.5  多項logit模型及多項分布對數(shù)線性模型回顧
第四章  縱向數(shù)據(jù)（多水平數(shù)據(jù)，面板數(shù)據(jù)）
4.1  縱向數(shù)據(jù)：  線性隨機效應混合模型
4.2  縱向數(shù)據(jù)：  廣義線性隨機效應混合模型
4.3  縱向數(shù)據(jù)：  決策樹及隨機效應模型
4.4  縱向數(shù)據(jù)：  縱向生存數(shù)據(jù)
4.4.1  Cox  隨機效應混合模型
4.4.2  分步聯(lián)合建模
§4.5  計量經(jīng)濟學家的視角：  面板數(shù)據(jù)
第五章  多元分析
5.1  實數(shù)軸上的數(shù)據(jù)：  經(jīng)典多元分析內(nèi)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(jīng)典多元數(shù)據(jù)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(shù)據(jù)的關聯(lián)規(guī)則分析
第六章  路徑建模（結(jié)構方程建模）數(shù)據(jù)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(xié)方差方法簡介
6.4  結(jié)構方程模型的一些問題
第七章  多元時間序列數(shù)據(jù)
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(xié)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(xié)整檢驗
7.2.4  Granger因果檢驗
7.3  VAR  模型，VARX  模型與狀態(tài)空間模型
7.3.1  VAR模型的擬合與預測
7.3.2  VARX模型的擬合與預測
7.3.3  狀態(tài)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）
7.4.4  Logistic平滑過渡自回歸模型（LSTAR）
7.4.5  神經(jīng)網(wǎng)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(xié)整
附錄練習：熟練使用R  軟件
參考文獻