1 回归分析

1.1 一元线性回归及相关性

1.2 多元线性回归及相关性

1.3 线性回归的应用

2 SAS软件工具的基础知识

2.1 线性回归模型与分析

2.2 线性回归一例

2.3 用SAS检查数据

2.4 多元回归分析

2.5 变量正态性的初步检查

2.6 SAS中回归分析模块综述

3 用SAS作回归分析

3.1 本书用到的数据

3.2 对锻炼数据作回归分析

3.3 检查数据1：核查连续型变量的观测数据

3.4 检查数据2：考查连续型变量之间的相关程度

3.5 检查数据3：分类型变量校验

3.6 主要变量的交互作用

3.7 一元线性回归

3.8 残差图与回归分析模型的假设

3.9 连续型变量的多元回归分析

3.10 多元回归分析的检验

3.11 单个变量的变换

3.12 两个变量的变换

4 分类预测变量的回归分析

4.1 分类数据编码

4.2 二水平分类预测变量的回归分析

4.3 多水平分类预测变量的回归分析

4.4 多个分类预测变量的回归分析

4.5 含交互效应的回归模型

4.6 含有连续预测变量和分类预测变量的回归模型

4.7 连续型变量和分类变量的交互效应

4.8 均值和最小二乘均值

4.9 分类预测变量的交互作用

4.10 分类预测变量的估计和对比

5 回归模型诊断

5.1 回归模型诊断方法概述

5.2 异常且有影响力的数据

5.3 检测有强影响力数据的方法

5.4 残差的正态性检验

5.5 异方差性检验

5.6 多重共线性检验

5.7 非线性性检验

5.8 变量选择

5.9 独立性检验

6 广义线性模型

6.1 广义线性模型导论

6.2 多元回归方程的参数估计

6.3 广义线性模型

6.4 各种分析模型

6.5 估计和假设检验

6.6 GLM模型的基本假设

7 多元方差分析的一般模型

7.1 引言

7.2 MANOVA的基本假设

7.3 广义线性模型及检验

7.4 MANOVA的基本步骤

7.5 MANOVA实例

7.6 MANOVA讨论

8 重复测量模型

8.1 用于本章的数据和基本概念

8.2 配对t检验与无组间效应重复二次试验的方差分析

8.3 有组间效应重复二次试验的方差分析

8.4 多次试验的重复测量方差分析

8.5 高阶效应的重复测量方差分析

8.6 时间对照

8.7 多重交叉

8.8 用mixed分析重复测量数据

9 预测变量的共线性检验

9.1 共线性的影响

9.2 共线性的直观识别方法

9.3 共线性与预测

9.4 共线性问题的处理方法

9.5 特征根和特征向量的计算

9.6 共线性检验

9.7 岭回归

参考文献