非参数统计-(含光盘) 内容简介

《应用统计学系列教材：非参数统计》是非参数统计教材，内容从经典非参数统计推断到现代前沿，包括R基础、基本概念、单一样本的推断问题、两独立样本数据的位置和尺度推断、多组数据位置推断、分类数据的关联分析、秩相关和分位数回归、非参数密度估计、一元非参数回归和数据挖掘与机器学习共计10章。本书配有大量与社会、经济、金融、生物等专业相关的例题和习题，给出示范解答过程。方便自学。《应用统计学系列教材：非参数统计》可以作为高等院校统计、经济、金融、管理专业的本科生课程的教材，也可以作为其他相关专业研究生的教材和教学参考书，另外，对广大从事与统计相关工作的实际工作者也极具参考价值。

非参数统计-(含光盘) 本书特色

本书是一本专门讲授非参数统计理论和方法的教科书。内容主要分为两个部分：传统的非参数统计推断和现代非参数统计方法。传统的非参数推断内容由单一样本、两样本及多样本非参数统计估计和假设检验、分类数据的关联分析方法、定量数据的相关和回归等内容构成；现代非参数统计方法部分包含非参数密度估计、非参数回归和数据挖掘与机器学习技术等内容。

非参数统计-(含光盘) 目录

第1章 R基础 1.1 R基本概念和操作1.1.1 R环境1.1.2 常量1.1.3 算术运算1.1.4 赋值 1.2 向量的生成和基本操作1.2.1 向量的生成1.2.2 向量的基本操作1.2.3 向量的运算1.2.4 向量的逻辑运算 1.3 高级数据结构1.3.1 矩阵的操作和运算1.3.2 数组1.3.3 数据框1.3.4 列表 1.4 数据处理1.4.1 保存数据1.4.2 读入数据1.4.3 数据转换 1.5 编写程序1.5.1 循环和控制1.5.2 函数 1.6 基本统计计算1.6.1 抽样1.6.2 统计分布 1.7 R的图形功能1.7.1 plot函数1.7.2 多图显示 1.8 R帮助和包1.8.1 R帮助1.8.2 R包 习题第2章 基本概念 2.1 非参数统计概念与产生 2.2 假设检验回顾 2.3 经验分布和分布探索2.3.1 经验分布2.3.2 生存函数 2.4 检验的相对效率 2.5 分位数和非参数估计 2.6 秩检验统计量 2.7 U统计量 习题第3章 单一样本的推断问题 3.1 符号检验和分位数推断3.1.1 基本概念3.1.2 大样本计算3.1.3 符号检验在配对样本比较中的应用3.1.4 分位数检验——符号检验的推广 3.2 Cox—Staut趋势存在性检验 3.3 随机游程检验 3.4 Wilcoxon符号秩检验3.4.1 基本概念3.4.2 Wilcoxon符号秩检验和抽样分布 3.5 单组数据的位置参数置信区间估计3.5.1 顺序统计量位置参数置信区间估计3.5.2 基于方差估计法的位置参数置信区间估计 3.6 正态记分检验 3.7 分布的一致性检验3.7.1 x2拟合优度检验3.7.2 Kolmogorov—Smirnov正态性检验3.7.3 Liliefor正态分布检验 3.8 单一总体渐近相对效率比较 习题第4章 两独立样本数据的位置和尺度推断 4.1 Brown—Mood中位数检验 4.2 Wilcoxon—Mann—whitney秩和检验 4.3 Mood方差检验 4.4 Moses方差检验 习题第5章 多组数据位置推断 5.1 试验设计和方差分析的基本概念回顾 5.2 Kruskal—Wallis单因素方差分析 5.3 Jonckheere—Terpstra检验 5.4 Friedman秩方差分析法 5.5 随机区组数据的调整秩和检验 5.6 Cochran检验 5.7 Durbin不完全区组分析法 习题第6章 分类数据的关联分析 6.1 r×s列联表和x2独立性检验 6.2 x2齐性检验 6.3 Fisher精确性检验 6.4 Mantel-Haenszel检验 6.5 关联规则6.5.1 关联规则基本概念6.5.2 Apriori算法 6.6 Ridit检验法 6.7 对数线性模型6.7.1 对数线性模型的基本概念6.7.2 模型的设计矩阵6.7.3 模型的估计和检验6.7.4 高维对数线性模型和独立性 习题第7章 秩相关和分位数回归 7.1 Spearman秩相关检验 7.2 Kendall T.相关检验 7.3 多变量Kendall协和系数检验 7.4 Kappa一致性检验 7.5 中位数回归系数估计法7.5.1 Brown-Mood方法7.5.2 Theil方法7.5.3 关于α和β的检验 7.6 线性分位回归模型 习题第8章 非参数密度估计 8.1 直方图密度估计 8.2 核密度估计8.2.1 核函数的基本概念8.2.2 贝叶斯决策和非参数密度估计 8.3 k近邻估计 习题第9章 一元非参数回归 9.1 核回归光滑模型 9.2 局部多项式回归9.2.1 局部线性回归9.2.2 局部多项式回归的基本原理 9.3 LOWESS稳健回归 9.4 k近邻回归 9.5 正交序列回归 9.6 罚*小二乘法 习题第10章 数据挖掘与机器学习 10.1 分类一般问题 10.2 Logistic回归10.2.1 Logistic回归模型10.2.2 Logistic回归模型的极大似然估计10.2.3 Logistic回归和线性判别函数LDA的比较 10.3 k近邻 10.4 决策树10.4.1 决策树基本概念10.4.2 CART10.4.3 决策树的剪枝10.4.4 回归树10.4.5 决策树的特点 10.5 Boosting10.5.1 Boosting方法10.5.2 AdaBoost.M1算法 10.6 支持向量机10.6.1 *大边距分类10.6.2 支持向量机问题的求解10.6.3 支持向量机的核方法 10.7 随机森林树10.7.1 随机森林树算法的定义10.7.2 随机森林树算法的性质10.7.3 如何确定随机森林树算法中树的节点分裂变量10.7.4 随机森林树的回归算法10.7.5 有关随机森林树算法的一些评价 10.8 多元自适应回归样条10.8.1 MARS与CART的联系10.8.2 MARS的一些性质习题附录 常用统计分布表参考文献