回归分析：方法、数据与R的应用

　　数据已经成为许多人日常生活的一部分，数据分析的需求也日益提高。本书尝试了解学习者的想法和需要，以初学者的视角力求让读者能够轻松、愉快地了解回归分析的基本思想和应用价值。基于实际数据的特点和归纳演绎的认知规律，本书精心挑选了丰富的实例，形象生动而又系统详尽地阐述了回归分析的基本理论和具体的应用技术，还辅以启发式的分析和直观的图形方法，不仅从理论上介绍了当今统计学中用到的传统回归方法，还补充介绍了伴随着大数据而产生的前沿的回归方法。同时，基于数据处理实际过程指出方法的不足，提供相应的改进思路，为读者呈现出思路清晰、易于操作的回归建模过程。本书也用回归分析的观点介绍了部分机器学习、神经网络网络，为读者呈现一个“大”回归建模的分析框架。本书可读性强，语言轻松活泼，内容通俗易懂，R软件的使用也便于读者模仿练习。\t本书可作为高等学校理、工、农、医、经济、管理、人文社会科学专业以及其他领域的统计学教材，也可以供从事商务活动和经济分析等实际工作的各类人员参考。

　　刘超，中国人民大学统计学博士，现为北京航空航天大学数学科学学院副教授。主持国家社科基金等10余项课题，在国内外期刊发表30余篇论文。获得宝钢优秀教师奖、北航蓝天新星等10余项教学科研奖励。出版统计学教材和译著等10余本。

第1章 绪论
1．1 “回归”的由来
1．2 回归模型的作用
1．3 回归模型的一般形式
1．4 回归分析的基本概念
1．5 回归分析的数据收集
1．6 回归分析的方法体系
1．7 R软件的使用简介
1．8 小结
练习题
第2章 一元线性回归
2．1 基本模型
2．2 数据描述
2．3 模型估计
2．4 模型检验和评价
2．5 残差与回归值
2．6 预测
2．7 小结
练习题
第3章 多元线性回归
3．1 基本模型
3．2 数据描述
3．3 模型估计
3．4 模型检验和评价
3．5 残差与回归值
3．6 预测
3．7 小结
练习题
第4章 模型诊断
4．1 检验误差假设
4．2 检测异常观测
4．3 检查模型结构
4．4 小结
练习题
第5章 自变量的问题
5．1 测量误差
5．2 测量尺度
5．3 共线性
5．4 小结
练习题
第6章 误差的问题
6．1 广义最小二乘
6．2 加权最小二乘
6．3 拟合不足的检验
6．4 稳健回归
6．5 分位数回归
6．6 小结
练习题
第7章 模型选择
7．1 基于标准的方法
7．2 基于检验的方法
7．3 小结
练习题
第8章 收缩方法
8．1 岭回归
8．2 Lasso
8．3 自适应Lasso
8．4 主成分回归
8．5 偏最小二乘回归
8．6 小结
练习题
第9章 非线性回归
9．1 因变量的变换
9．2 自变量的变换
9．3 多项式回归
9．4 分段回归
9．5 内在的非线性回归
9．6 小结
练习题
第10章 广义线性模型
10．1 基本原理
10．2 Logistic回归模型
10．3 Softmax回归模型
10．4 Poisson回归模型
10．5 小结
练习题
第11章 非参数回归
11．1 核估计
11．2 局部回归
11．3 样条
11．4 小波
11．5 非参数多元回归
11．6 加法模型
11．7 小结
练习题
第12章 机器学习的回归模型
12．1 决策树
12．2 随机森林
12．3 AdaBoost模型
12．4 小结
练习题
第13章 人工神经网络
13．1 基本模型
13．2 三层前馈神经网络
13．3 类似于神经网络的统计模型
13．4 神经网络的应用
13．5 小结
练习题
第14章 缺失数据
14．1 缺失数据的类型
14．2 删除法
14．3 单一插补法
14．4 多重插补法
14．5 小结
练习题
索引