封面 书名页 版权页 前言 目录页 第1章 基本概念 1.1 非参数统计 1.2 假设检验回顾 1.3 经验分布和生存函数 1.3.1 经验分布 1.3.2 生存函数 1.4 检验的相对效率 1.5 分位数和非参数估计 1.6 秩检验统计量 1.6.1 无结数据的秩及其性质 1.6.2 有结数据的秩及其性质 1.7 U统计量 案例与讨论：大学正态型成绩单与分布的力量 习题 第2章 单变量位置推断问题 2.1 符号检验和分位数检验 2.1.1 基本概念 2.1.2 大样本的检验方法 2.1.3 符号检验在配对样本比较中的应用 2.1.4 分位数检验——符号检验的推广 2.2 Cox-Stuart趋势存在性检验 2.2.1 最优权重Cox-Stuart统计量 2.2.2 无权重Cox-Stuart统计量 2.3 随机游程检验 2.3.1 两类随机游程检验 2.3.2 三类及多类游程检验 2.4 Wilcoxon符号秩检验 2.4.1 基本概念 2.4.2 Wilcoxon符号秩检验和抽样分布 2.5 估计量的稳健性评价 2.6 单组数据的位置参数置信区间估计 2.6.1 顺序统计量位置参数置信区间估计 2.6.2 基于方差估计法的位置参数置信区间估计 2.7 正态记分检验 2.8 分布的一致性检验 2.8.1 х^2拟合优度检验 2.8.2 Kolmogorov-Smirnov正态性检验 2.8.3 Lilliefor正态分布检验 2.9 单一总体渐近相对效率比较 案例与讨论1：排球比赛中的局点 案例与讨论2：我们发明了趋势，趋势是我们理解的那样吗？ 习题 第3章 两独立样本数据的位置和尺度推断 3.1 Brown-Mood中位数检验 3.2 Wilcoxon-Mann-Whitney秩和检验 3.3 Mann-Whitney U统计量与ROC曲线 3.4 置换检验 3.5 Mood方差检验 3.6 Moses方差检验 案例与讨论：等候还是离开 习题 第4章 多组数据位置推断 4.1 试验设计和方差分析的基本概念回顾 4.2 多重检验问题 4.3 HC高阶鉴定法 4.4 Kruskal-Wallis单因素方差分析 4.5 Jonckheere-Terpstra检验 4.6 Friedman秩方差分析法 4.7 随机区组设计数据的调整秩和检验 4.8 Cochran检验 4.9 Durbin不完全区组分析法 案例与讨论：薪酬、学历与不定时工作时间之间的关系 习题 第5章 分类数据的关联分析 5.1 r×s列联表和х^2独立性检验 5.2 х^2齐性检验 5.3 Fisher精确性检验 5.4 McNemar检验 5.5 Mantel-Haenszel检验 5.6 关联规则 5.6.1 关联规则基本概念 5.6.2 Apriori算法 5.7 Ridit检验法 5.8 对数线性模型 5.8.1 泊松回归 5.8.2 对数线性模型的基本概念 5.8.3 模型的设计矩阵 5.8.4 模型的估计和检验 5.8.5 高维对数线性模型和独立性 案例与讨论1：数字化运营转化率 案例与讨论2：影响婴儿出生低体重的相关因素分析 习题 第6章 秩相关和稳健回归 6.1 Spearman秩相关检验 6.2 Kendall т相关检验 6.3 多变量Kendall协和系数检验 6.4 Kappa一致性检验 6.5 HBR基于秩的稳健回归 6.5.1 基于秩的R估计 6.5.2 假设检验 6.5.3 多重决定系数CMD 6.5.4 回归诊断 6.6 中位数回归系数估计法 6.6.1 Brown-Mood方法 6.6.2 Theil方法 6.6.3 关于α和β的检验 6.7 线性分位回归模型 案例与讨论：中医与西医治疗方法之间的差异分析 习题 第7章 非参数密度估计 7.1 直方图密度估计 7.1.1 基本概念 7.1.2 理论性质和最优带宽 7.1.3 多维直方图 7.2 核密度估计 7.2.1 核函数的基本概念 7.2.2 理论性质和带宽 7.2.3 置信带和中心极限定理 7.2.4 多维核密度估计 7.2.5 贝叶斯分类决策和非参数核密度估计 7.3 k近邻估计 案例与讨论：景区游客时空分布密度与预测框架 习题 第8章 非参数回归 8.1 Nadaraya-Watson核回归 8.2 局部多项式回归 8.2.1 局部线性回归 8.2.2 局部多项式回归 8.3 LOWESS稳健回归 8.4 k近邻回归 8.5 正交序列回归 8.6 罚最小二乘法 8.7 样条回归 8.7.1 样条回归模型 8.7.2 样条回归模型的节点 8.7.3 常用的样条基函数 8.7.4 样条回归模型误差的自由度 案例与讨论：排放物成分与燃料空气当量比和发动机压缩比关系 习题 第9章 数据挖掘与机器学习 9.1 分类问题 9.2 Logistic回归 9.2.1 Logistic回归模型 9.2.2 Logistic回归模型的极大似然估计 9.2.3 Logistic回归和线性判别函数LDA的比较 9.3 k近邻 9.4 决策树 9.4.1 决策树的基本概念 9.4.2 分类回归树（CART） 9.4.3 决策树的剪枝 9.4.4 回归树 9.4.5 决策树的特点 9.5 提升（Boosting） 9.5.1 Boosting算法 9.5.2 AdaBoost.M1算法 9.6 支持向量机 9.6.1 最大边距分类 9.6.2 支持向量机问题的求解 9.6.3 支持向量机的核方法 9.7 随机森林树 9.7.1 随机森林树算法的定义 9.7.2 随机森林树算法的性质 9.7.3 确定随机森林树算法中树的节点分裂变量 9.7.4 随机森林树的回归算法 9.7.5 有关随机森林树算法的一些评价 9.8 多元自适应回归样条（MARS） 9.8.1 MARS与CART的联系 9.8.2 MARS的一些性质 习题 附录A R基础 A.1 R基本概念和操作 A.1.1 R环境 A.1.2 常量 A.1.3 算术运算 A.1.4 赋值 A.2 向量的生成和基本操作 A.2.1 向量的生成 A.2.2 向量的基本操作 A.2.3 向量的运算 A.2.4 向量的逻辑运算 A.3 高级数据结构 A.3.1 矩阵的操作和运算 A.3.2 数组 A.3.3 数据框 A.3.4 列表 A.4 数据处理 A.4.1 保存数据 A.4.2 读入数据 A.4.3 数据转换 A.5 编写程序 A.5.1 循环和控制 A.5.2 函数 A.6 基本统计计算 A.6.1 抽样 A.6.2 统计分布 A.7 R的图形功能 A.7.1 plot函数 A.7.2 多图显示 A.7.3 ggplot绘图 A.8 R帮助和包 A.8.1 R帮助 A.8.2 R包 习题 附录B R Markdown B.1 R Markdown简介 B.2 R Markdown安装 B.3 编写 B.3.1 文档组成 B.3.2 元数据 B.3.3 文字 B.3.4 代码 B.4 输出 附录C 常用统计分布表 参考文献 ..更多