中文书示例
前言
致谢
作者简介
1
Introduction
1.1
从问题说起
1.2
统计学及其研究过程
1.3
统计方法及其应用领域
1.4
统计数据类型
1.5
统计学中的几个基本概念
2
Data Collection
2.1
数据来源
2.2
调查设计
2.3
数据质量
3
Descriptive Statistics
3.1
数据的预处理
3.2
数据的整理与展示
3.3
数据的概括性度量
4
Sampling And Sample Distribution
4.1
抽样方法
4.2
正态分布
4.3
三种不同性质的分布
4.4
一个总体样本统计量的抽样分布
4.5
两个总体样本统计量的抽样分布
4.6
附录
5
Estimation
5.1
参数估计的一般问题
5.2
区间估计 Confidence Intervals
5.3
样本容量的确定
6
Hypothesis Test
6.1
基本思想
6.2
原假设和备择假设
6.3
第一类错误和第二类错误
6.4
统计量与拒绝域
6.5
利用p值进行决策
6.6
一个总体参数的检验
6.7
两个总体参数的检验
7
Goodness of Fit
7.1
多项分布
7.2
独立性
7.3
概率分布
8
ANOVA
8.1
方差分析的引论
8.1.1
方差分析的部分概念
8.1.2
方差分析的基本思想和原理
8.1.3
方差分析的基本假定
8.2
单因子方差分析（One-way ANOVA)
8.3
方差分析中的多重比较
8.4
双因子方差分析（Two-way ANOVA）
8.4.1
双因子方差分析的基本假定
8.4.2
无交互作用双因子方差分析
8.4.3
有交互作用双因子方差分析
8.5
实验设计初步
9
Linear Regression
9.1
变量间的关系
9.2
回归分析和简单线性回归分析
9.2.1
回归分析
9.2.2
简单线性回归分析
9.3
利用回归方程进行估计和预测
9.4
残差分析
9.5
多元线性回归(multiple regression model)
9.6
定性自变量的回归
9.7
非线性回归
9.8
建立回归模型
9.9
回归中的常见错误
9.10
Logistic 回归
10
Cluster Analysis
10.1
多元分布基本概念
10.2
数据的变换处理
10.3
聚类分析
10.4
样品间亲疏程度的测度
10.5
类与类之间的距离
10.6
系统聚类(hierarchical clustering method)
10.7
快速聚类(k-means clustering method)
10.8
有序聚类
10.9
聚类分析的主要步骤
10.10
R语言中聚类分析实现
11
Discriminant Analysis
11.1
判别分析应用
11.2
判别分析方法
11.2.1
距离判别法
11.2.2
Fisher判别法
11.2.3
Bayes判别法
11.3
建立判别函数的方法
11.4
判别分析的步骤及注意事项
11.5
R语言中判别分析实现
12
Priciple Component Analysis
12.1
主成分分析基本思想
12.2
几何解释与数学模型
12.2.1
几何解释
12.2.2
数学模型
12.3
主成分的推导
12.4
主成分的性质
12.5
主成分分析的步骤
12.6
主成分的应用与回归
12.7
主成分分析的R语言实现
13
Factor Analysis
13.1
因子分析概念
13.2
因子分析模型
13.3
因子载荷矩阵的估计方法
13.4
因子旋转（正交变换）
13.5
因子得分
13.6
因子分析步骤
13.7
因子分析的R语言实现
14
Case and Practice
14.1
描述性统计与抽样分布
14.2
参数估计与假设检验
14.3
方差分析与回归分析
14.4
作业文档
14.4.1
1 描述性统计与抽样分布
14.4.2
2 参数估计与假设检验
14.4.3
3 方差分析与回归分析
参考文献
本书由 bookdown 强力驱动
应用统计学与R语言实现学习笔记
参考文献