第一章 引言

1.1作为科学的统计

1.2数据分析的实践

1.3数据的形式以及可能用到的模型

1.3.1横截面数据：因变量为实轴上的数量变量

1.3.2横截面数据：因变量为分类变量、频数或定序变量

1.3.3纵向数据、多水平数据、面板数据、重复观测数据

1.3.4多元数据各变量之间的关系：多元分析

1.3.5抽样调查数据中垃圾比例的计算

1.3.6路径模型/结构方程模型

1.3.7贝叶斯网络

1.3.8多元时间序列数据

1.4 R软件入门

1.4.1简介

1.4.2安装和运行小贴士

1.4.3动手

1.5国内统计教学（课本）的若干误区

1.5.1假设检验的误区：不能拒绝就接受

1.5.2假设检验的误区：p值小于0.05就显著

1.5.3置信区间的误区

1.5.4最小二乘线性回归中的误区

1.5.5样本量是多少才算大样本

1.5.6用31个省、直辖市、自治区数据能做什么

1.5.7汇总数据（比如部分均值）和原始观测值的区别

第二章 横截面数据回归：经典方法

2.1简单回归回顾

2.1.1对例2.1数据的简单拟合

2.1.2对例2.1数据的进一步分析

2.1.3对简单线性回归的一些讨论

2.1.4损失函数及分位数回归简介

2.2简单线性模型中的指数变换

2.3生存分析数据的Cox回归模型

2.4数据出现多重共线性情况：岭回归、lasso回归、适应性lasso回归、偏最小二乘回归

2.4.1岭回归

2.4.2 lasso回归

2.4.3适应性lasso回归

2.4.4偏最小二乘回归

第三章 横截面数据回归：机器学习方法

3.1没有任何先验假定的数据：机器学习回归方法

3.2决策树回归（回归树）

3.2.1拟合全部数据

3.2.2交叉验证

3.3 boosting回归

3.4 bagging回归

3.5随机森林回归

3.6支持向量机回归

3.6.1 SVM

3.6.2 SVR

3.6.3交叉验证

3.7人工神经网络回归

3.7.1确定合适的隐藏层节点数目

3.7.2交叉验证

3.8 10折交叉验证结果汇总及方法稳定性讨论

第四章 横截面数据分类：经典方法

4.1 logistic回归和probit回归

4.1.1广义线性模型简单回顾

4.1.2脊柱数据例子

4.1.3 logistic回归

4.1.4 probit回归

4.2经典判别分析

4.2.1关于例4.1 column.2C.csv数据的两分类判别

4.2.2例4.1 column.2C.csv数据两分类判别诸方法的10折交叉验证结果

4.2.3关于例4.1 column.3C.csv数据的三分类判别

4.2.4关于例4.1 column.3C.csv数据的三分类判别的三种方法的10折交叉验证结果

第五章 横截面数据分类：机器学习方法

5.1对变量没有任何限制：机器学习分类方法

5.1.1概论和例子

5.1.2产生交叉验证数据集

5.2决策树分类（分类树）

5.2.1拟合全部数据

5.2.2交叉验证

5.3 adaboost分类

5.3.1拟合全部数据

5.3.2交叉验证

5.4 bagging分类

5.4.1拟合全部数据

5.4.2交叉验证

5.5随机森林分类

5.5.1拟合全部数据

5.5.2交叉验证

5.6支持向量机分类

5.6.1拟合全部数据

5.6.2交叉验证

5.7最近邻方法分类

5.8神经网络分类

5.8.1拟合

5.8.2神经网络对于不同参数的拟合效果分析

5.9分类方法10折交叉验证结果汇总

第六章 横截面数据：计数或有序因变量

6.1概要和例子

6.2经典的Poisson对数线性模型回顾

6.3使用Poisson对数线性模型时的散布问题

6.4零膨胀时的Poisson回归

6.5用机器学习的算法模型拟合计数因变量数据

6.5.1随机森林拟合例6.1数据的10折交叉验证

6.5.2决策树（回归树）拟合例6.1数据的10折交叉验证

6.5.3支持向量机拟合例6.1数据的10折交叉验证

6.5.4各种方法拟合例6.1数据的10折交叉验证结果比较和一些讨论

6.6多项logit模型及多项分布对数线性模型回顾

6.6.1多项logit模型回顾

6.6.2多项分布对数线性模型回顾

6.7有序变量的比例优势模型

第七章纵 向数据（多水平模型、面板数据）

7.1线性随机效应混合模型

7.2广义线性随机效应混合模型

7.3决策树及随机效应模型

7.4纵向生存数据分析

7.4.1 Cox随机效应混合模型

7.4.2分步联合建模

7.5计量经济学家的视角：面板数据

第八章 多元分析

8.1实数轴上的数据：经典多元分析内容回顾

8.1.1主成分分析及因子分析

8.1.2分层聚类及k均值聚类

8.1.3典型相关分析

8.1.4对应分析

8.2非经典多元数据分析：可视化

8.2.1主成分分析

8.2.2对应分析

8.2.3多重对应分析

8.2.4多重因子分析

8.2.5分层多重因子分析

8.2.6基于主成分分析的分层聚类

第九章 多元数据的关联规则分析

9.1问题的提出

9.2数据的初步处理

9.3一些基本概念

9.4频数和规则

第十章调查数据中垃圾比例的计算

10.1动机

10.2我们的着眼点在于数据本身

10.3解剖一个数据

10.4计算例10.1Income2000.csv数据中各种比例及置信区间

10.4.1一些计算准备工作

10.4.2主要函数

10.4.3更多的计算

10.5通过一个简单人造数值例子解释本章代码的意义

第十一章 路径建模（结构方程建模）数据的PLS分析

11.1路径模型概述

11.1.1路径模型

11.1.2路径模型的两种主要方法

11.2 PLS方法：顾客满意度的例子

11.3协方差方法简介

11.4结构方程模型的一些问题

第十二章贝叶斯网络

12.1引言

12.2贝叶斯网络涉及的一些基本概念

12.2.1贝叶斯网络

12.2.2贝叶斯网络中的条件独立性概念

12.3通过贝叶斯网络做推断

12.4学习贝叶斯网络

12.4.1网络学习算法的种类

12.4.2几种可能面对的问题

12.5贝叶斯网络的数值例子及计算

12.5.1全部变量是离散变量的情况

12.5.2全部变量是连续变量的情况

12.5.3连续变量和离散变量混合的情况

第十三章 多元时间序列数据

13.1时间序列的基本概念及单变量时间序列方法的回顾

13.1.1时间序列的一些定义和基本概念

13.1.2常用的一元时间序列方法

13.2单位根检验、协整检验及Granger因果检验

13.2.1概述

13.2.2单位根检验

13.2.3协整检验

13.2.4 Granger因果检验

13.3 VAR模型、VARX模型与状态空间模型

13.3.1 VAR模型的拟合与预测

13.3.2 VARX模型的拟合与预测

13.3.3状态空间模型的拟合与预测

13.3.4模型的比较

13.4非线性时间序列

13.4.1引言

13.4.2线性AR模型

13.4.3自门限自回归模型

13.4.4 Logistic平滑过渡自回归模型

13.4.5神经网络模型

13.4.6可加AR模型

13.4.7模型的比较

13.4.8门限协整

附录练习：熟练使用R软件

参考文献