应用多元统计分析 基于R的实验
出版时间： 2019年版
内容简介
《应用多元统计分析：基于R的实验》基于《应用多元统计分析》第2版（韩明，同济大学出版社）的内容，编写了基于R的实验。在每一章（从第2章开始）的前面，首先按照原教材简要介绍有关概念、理论和相关背景，然后是与本章内容对应的实验。全书由12章组成，通过40个实验，着重培养学生的动手能力、应用R软件分析和解决多元统计问题的能力。实验的内容与原教材的例题、应用案例不重复。
《应用多元统计分析：基于R的实验》既可以与原教材配套使用，也可以单独使用。
《应用多元统计分析：基于R的实验》注重可读性，图文并茂，可供高等院校有关专业本科生和研究生作为“多元统计分析”“多元统计实验”等课程的教材（或参考书），也可作为全国大学生（研究生）“数学建模竞赛”、全国大学生“统计建模大赛”的培训教材（或参考书），还可供相关专业的教师和科技人员、广大自学者参考。
目录
前言
1 绪论
1．1 多元统计分析概述
1．2 多元统计分析的应用
1．3 本书的基本框架和内容安排
1．4 用于实验的数据集
2 多元数据的表示及可视化
2．1 多元数据的表示
2．1．1 多元数据的一般格式
2．1．2 多元数据的数字特征
2．2 多元数据的可视化
2．3 实验
2．3．1 实验2．3．1 mtcars数据集的展示
2．3．2 实验2．3．2 iris数据集的描述和展示
2．3．3 实验2．3．3 mtcars数据集的可视化
2．3．4 实验2．3．4 iris数据集的可视化
2．3．5 实验2．3．5 四个城市销售数据的展示和可视化
2．3．6 附录：RColorBrewer包的配色方案介绍
3 线性回归分析
3．1 一元线性回归的回顾
3．1．1 数学模型
3．1．2 回归参数的估计
3．1．3 回归方程的显著性检验
3．1．4 预测
3．2 多元线性回归
3．2．1 多元线性回归模型
3．2．2 回归参数的估计
3．2．3 回归方程的显著性检验
3．2．4 预测
3．3 实验
3．3．1 实验3．3．1 women数据集的回归分析
3．3．2 实验3．3．2 Boston数据集的回归分析
3．3．3 实验3．3．3 state．x77数据集的回归分析
3．3．4 实验3．3．4 mtcars数据集的回归分析
4 逐步回归与回归诊断
4．1 逐步回归
4．1．1 变量的选择
4．1．2 逐步回归的计算
4．2 回归诊断
4．3 Box-Cox变换
4．4 实验
4．4．1 实验4．4．1 stackloss数据集的逐步回归
4．4．2 实验4．4．2 stackloss数据集的回归诊断
4．4．3 实验4．4．3 state．x77数据集的逐步回归和回归诊断
4．4．4 实验4．4．4 stackloss数据集的Box-Cox变换
5 广义线性模型与非线性模型
5．1 广义线性模型
5．1．1 广义线性模型概述
5．1．2 Logist4c模型
5．1．3 对数线性模型
5．2 非线性模型
5．3 实验
5．3．1 实验5．3．1 淋巴细胞白血病人生存数据的Logistic模型
5．3．2 实验5．3．2 The Children Ever Born Data的对数线性模型
5．3．3 实验5．3．3 “挑战者号”航天飞机O形环失效的广义线性模型
5．3．4 实验5．3．4 柑橘重量与直径的非线性模型
5．3．5 实验5．3．5 USPop数据集的非线性模型
6 方差分析
6．1 单因素方差分析
6．1．1 数学模型
6．1．2 方差分析
6．1．3 均值的多重比较
6．2 双因素方差分析
6．2．1 不考虑交互作用
6．2．2 考虑交互作用
6．3 多元方差分析
6．4 实验
6．4．1 实验6．4．1 cholesterol数据集的方差分析
6．4．2 实验6．4．2 果汁含铅比实验数据的方差分析
6．4．3 实验6．4．3 老鼠存活时间的方差分析
6．4．4 实验6．4．4 UScereal数据集的方差分析
7 聚类分析
7．1 聚类分析的基本思想与意义
7．2 Q型聚类分析
7．2．1 两点之间的距离
7．2．2 两类之间的距离
7．2．3 系统聚类法
7．2．4 均值聚类
7．3 R型聚类分析
7．3．1 变量相似性度量
7．3．2 变量聚类法
7．4 实验
7．4．1 实验7．4．1 iris数据集的聚类分析
7．4．2 实验7．4．2 城镇居民消费性支出的聚类分析
7．4．3 实验7．4．3 城镇居民消费性支出的k均值聚类
7．4．4 实验7．4．4 城镇居民消费性支出中8个变量的聚类分析
8 判别分析
8．1 距离判别
8．1．1 马氏距离
8．1．2 判别准则与判别函数
8．1．3 多总体情形
8．2 Fisher判别
8．2．1 判别准则
8．2．2 判别函数中系数的确定
8．2．3 确定判别函数
8．3 Bayes判别
8．3．1 误判概率与误判损失
8．3．2 两总体的Bayes判别
8．4 实验
8．4．1 实验8．4．1 iris数据集的判别分析
8．4．2 实验8．4．2 心肌梗塞患者的判别分析
8．4．3 实验8．4．3 根据人文发展指数的判别分析
9 主成分分析
9．1 主成分分析的基本思想及方法
9．2 特征值因子的筛选
9．3 主成分回归分析
9．4 实验
9．4．1 实验9．4．1 首批沿海开放城市的主成分分析
9．4．2 实验9．4．2 USJudgeRatings数据集的主成分分析
10 因子分析
10．1 因子分析模型
10．1．1 数学模型
10．1．2 因子分析模型的性质
10．1．3 因子载荷矩阵中的几个统计性质
10．2 因子载荷矩阵的估计方法
10．2．1 主成分分析法
10．2．2 主因子法
10．3 因子旋转
10．4 因子得分
10．4．1 因子得分的概念
10．4．2 加权最小二乘法
10．5 因子分析的步骤
10．6 实验
10．6．1 实验10．6．1 ability．cov数据集的因子分析
10．6．2 实验10．6．2 Harman74数据集的因子分析
11 对应分析
11．1 对应分析简介
11．2 对应分析的原理
11．2．1 对应分析的数据变换方法
11．2．2 对应分析的原理和依据
11．2．3 对应分析的计算步骤
11．3 实验
11．3．1 实验11．3．1 美国授予哲学博士学位的对应分析
11．3．2 实验11．3．2 汉字读写能力与数学成绩的对应分析
11．3．3 实验11．3．3 收入与品牌的对应分析
11．3．4 实验11．3．4 caith数据集的对应分析
11．3．5 实验11．3．5 smoke数据集的对应分析
12 典型相关分析
12．1 典型相关分析的基本思想
12．2 典型相关的数学描述
12．3 原始变量与典型变量之间的相关性
12．4 典型相关系数的检验
12．5 实验
12．5．1 实验12．5．1 投资性变量与国民经济变量的典型相关分析
12．5．2 实验12．5．2 科学研究、开发投入与产出的典型相关分析
参考文献
