實用多元統計分析

前言
第1章 隨機向量與多元正態(tài)分布
1．1 隨機向量
1．2 統計距離
1．3 多元正態(tài)分布
1．4 JMP軟件上機實現
第2章 均值向量和協方差陣的統計推斷
2．1 均值向量和協方差陣的估計
2．2 常用抽樣分布
2．3 單個正態(tài)總體均值的檢驗
2．4 兩個正態(tài)總體均值的比較
2．5 多個正態(tài)總體均值的比較
2．6 協方差陣的檢驗
2．7 JMP軟件上機實現
第3章 回歸分析
3．1 引言
3．2 一元線性回歸
3．3 質量控制應用案例分析
3．4 多元線性回歸
3．5 在回歸模型中運用虛擬變量和交互作用項
3．6 二次回歸模型
3．7 JMP軟件上機實現
第4章 違背經典假設的經濟計量模型
4．1 異方差
4．2 自相關
4．3 多重共線性
4．4 其他軟件實現
第5章 主成分分析
5．1 主成分基本思想與理論
5．2 主成分分析的幾何意義
5．3 總體主成分
5．4 樣本主成分
5．5 主成分的選取
5．6 案例分析
5．7 主成分分析的SPSS軟件操作
5．8 JMP軟件上機實現
第6章 因子分析
6．1 因子分析模型
6．2 模型參數的統計意義
6．3 變量之間的相關性檢驗
6．4 模型的參數估計方法
6．5 因子得分
6．6 因子分析的SPSS軟件操作
6．7 JMP軟件上機實現
第7章 聚類分析
7．1 距離和相似性度量
7．2 系統聚類法
7．3 動態(tài)聚類法
7．4 有序樣品的聚類
7．5 聚類分析SPSS軟件操作
7．6 JMP軟件上機實現
第8章 判別分析
8．1 判別分析應用實例
8．2 距離判別
8．3 Bayes判別
8．4 Fisher判別
8．5 逐步判別
8．6 SPSS中判別分析方法和概念的介紹
8．7 判別分析的上機實現
8．8 JMP軟件上機實現
第9章 分類神經網絡
9．1 案例
9．2 分類的基本原理
9．3 機器學習的基本原理
9．4 分類神經網絡
9．5 JMP軟件上機實現
9．6 結論與思考
第10章 路徑分析
10．1 案例
10．2 基本理論與概念
10．3 路徑系數分解
10．4 路徑分析模型的調試和檢驗
10．5 路徑分析方法的優(yōu)點與局限性
10．6 案例分析
第11章 結構方程模型
11．1 案例
11．2 結構方程模型的基本概念
11．3 結構方程模型的組成
11．4 結構方程模型的主要特點
11．5 結構方程模型的實施步驟
11．6 結構方程模型的優(yōu)點和局限性
11．7 案例分析
附錄
附表1 t分布圖
附表2 F分布圖
附錄3 杜賓-瓦森檢驗臨界值表