发帖
雷达卡
这本教材的作者是北京航空航天数学科学学院的副教授，刘教授曾与中国人民大学的袁卫教授和吴喜之教授合编过统计学教材。本书适合作为高等学校理、工、农、医、经济、管理、人文社会科学专业以及其他领域的回归分析课程教材。这本书是刘教授多年教学的总结。不同于目前市面上以方法的讲解和软件的操作为主的教材，本书根据数据类型逐步引入了各种回归模型提取数据中有价值的信息。首先,针对常规的正态数据介绍了一元/多元线性回归模型。然后基于模型结果一一阐述在回归分析中可能遇到的各种问题(如模型假设是否违反、自变量的共线性、相关误差、线性模型是否合适等问题)以及解决这些问题的方法。对于同一数据,不同的处理方法往往可以获得多个模型。因此,接下来介绍了AIC准则、逐步回归等模型选择方法以及岭回归、Lasso等收缩方法,以期得到小而美的回归模型。接着,针对因变量的非正态性或其他问题,本书介绍了非线性模型。一些非线性关系可以通过变量变换获得线性化,也有一些内在的非线性回归模型。广义线性模型可以将正态因变量扩展到指数族分布,从而可以处理范围更广的数据。无论是线性回归还是非线性回归,都是参数回归方法。参数回归需要假设模型的具体形式,只是其中的参数待定。然而,当过去的经验较少时,盲目地使用线性假设可能会带来毫无意义的结果。而且,无论指定什么样的有限参数族,总是会排除许多合理的函数。此时,可以使用核估计、局部回归、样条、小波、加法模型等非参数回归方法灵活地拟合数据。这些非参数方法体现了寻找变量之间统计规律的不同侧重点。为了更好地适应分类自变量以及大数据的需求,本书还用回归分析的视角介绍了机器学习模型与人工神经网络模型。它们不仅不需要对总体进行分布的假定,而且能够更灵活地适应更大和更复杂的数据集,对于预测也很容易解释。高质量的数据是高质量回归建模的重要保障。最后,本书对数据中经常出现的缺失数据以及处理方法进行了介绍。本书的项目种类丰富，每章以目的与要求开篇，中间根据内容的需要设置了扩充知识量的二维码，结尾是小结和练习题。此外，本书的封底以二维码的形式提供了本书的数据、代码和课件等辅助资源。本书的版面设计活泼，图与文字，代码交叉显示，看着轻松不沉闷。
京公网安备 11010802022788号
