R速成：統(tǒng)計(jì)分析和科研數(shù)據(jù)分析快速上手

目錄
第1 章 R 簡(jiǎn)介 . 1
1.1 R 是什么？為什么要使用R？ . 2
1.2 RStudio 是什么？ . 5
1.3 如何安裝R 和RStudio？ . 6
1.3.1 在Windows 上使用R 6
1.3.2 在Mac 上使用R . 7
1.3.3 在Linux 上使用R . 7
1.3.4 在Windows、macOS 和Linux 上使用RStudio 8
1.4 了解 RStudio . 9
1.4.1 腳本窗口 . 9
1.4.2 控制臺(tái)窗口 11
1.4.3 環(huán)境窗口 11
1.4.4 圖形窗口 . 12
1.5 R 的線上資源 . 13
1.6 R 包的作用 . 15
1.7 更新R、RStudio 和R 包 . 17
1.8 本章小結(jié) 18
第2 章 在R 中導(dǎo)入和處理數(shù)據(jù) 21
2.1 如何在R 中表示數(shù)據(jù)集？ . 22
2.2 在R 中導(dǎo)入數(shù)據(jù) 23
2.3 在R 中輸入數(shù)據(jù) 29
2.4 如何在R 中使用數(shù)據(jù)集？ . 33
2.5 數(shù)據(jù)類(lèi)型 35
2.6 本章小結(jié) 39
第3 章 R 是怎樣工作的？ . 42
3.1 R 的工作方式 . 43
3.2 函數(shù)是什么？ . 44
3.3 對(duì)象是什么？ . 47
3.3.1 向量 . 48
3.3.2 數(shù)據(jù)框 . 51
3.3.3 矩陣 . 57
3.3.4 列表 . 58
3.4 本章小結(jié) 60
第4 章 數(shù)據(jù)管理 . 63
4.1 變量的數(shù)據(jù)管理 . 64
4.1.1 創(chuàng)建新變量 . 64
4.1.2 重新編碼變量 67
4.1.3 替換變量值 . 69
4.1.4 重命名變量 . 72
4.1.5 探索缺失值 . 73
4.1.6 生成虛擬變量 77
4.1.7 修改變量的數(shù)據(jù)類(lèi)型 79
4.1.8 標(biāo)簽變量 . 80
4.1.9 整理分類(lèi)變量 81
4.2 對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)管理 82
4.2.1 變量的選擇和排除 82
4.2.2 選擇觀察值 . 85
4.2.3 根據(jù)變量合并數(shù)據(jù)集 87
4.2.4 根據(jù)觀察值合并數(shù)據(jù)集. 89
4.2.5 對(duì)數(shù)據(jù)集排序 90
4.2.6 重塑數(shù)據(jù)集 . 91
4.2.7 給變量排序 . 92
4.2.8 從數(shù)據(jù)集中隨機(jī)抽取樣本 . 94
4.2.9 管道 . 95
4.3 本章小結(jié) 96
第5 章 用ggplot2 實(shí)現(xiàn)數(shù)據(jù)可視化 100
5.1 可視化在數(shù)據(jù)分析中的作用 .101
5.2 了解ggplot2 103
5.2.1 層的結(jié)構(gòu) 104
5.2.2 影響所有層的附加組件 114
5.3 R 示例圖 .122
5.3.1 單變量圖 123
5.3.2 二元圖 129
5.3.3 多元圖 132
5.4 本章小結(jié) .133
第6 章 描述性統(tǒng)計(jì) 137
6.1 單變量分析 .139
6.1.1 集中趨勢(shì)的度量 .140
6.1.2 散布的度量 143
6.1.3 偏度和峰度 147
6.1.4 離散分布 149
6.1.5 快速描述性分析 .152
6.2 描述變量之間的關(guān)系 157
6.2.1 相關(guān)系數(shù) 157
6.2.2 交叉表 161
6.3 分析組間變量 162
6.4 本章小結(jié) .166
第7 章 簡(jiǎn)單線性回歸 169
7.1 什么是回歸分析 170
7.2 簡(jiǎn)單線性回歸分析 171
7.2.1 普通最小二乘法 .173
7.2.2 擬合優(yōu)度 175
7.2.3 回歸系數(shù)的假設(shè)檢驗(yàn) .178
7.2.4 線性回歸預(yù)測(cè) .181
7.3 R 語(yǔ)言實(shí)例 181
7.4 本章小結(jié) .185
第8 章 多元線性回歸 188
8.1 多元線性回歸分析 189
8.1.1 參數(shù)估計(jì) 189
8.1.2 擬合優(yōu)度和F 檢驗(yàn) .190
8.1.3 調(diào)整的R2 .191
8.1.4 偏斜系數(shù) 192
8.1.5 使用多元線性回歸進(jìn)行預(yù)測(cè) 193
8.1.6 標(biāo)準(zhǔn)化和相對(duì)重要程度194
8.1.7 回歸假設(shè)和診斷 .195
8.2 R 語(yǔ)言實(shí)例 196
8.3 本章小結(jié) .208
第9 章 虛擬變量回歸 . 211
9.1 為什么要進(jìn)行虛擬變量回歸？ .212
9.1.1 創(chuàng)建虛擬變量 .212
9.1.2 虛擬變量回歸背后的邏輯 214
9.2 單一虛擬變量回歸 214
9.3 一個(gè)虛擬變量和一個(gè)協(xié)變量的回歸 217
9.4 多虛擬變量回歸 220
9.4.1 R 語(yǔ)言實(shí)例 .222
9.4.2 比較組間差異 .224
9.4.3 成對(duì)多重比較調(diào)整 .228
9.5 有一個(gè)以上虛擬變量和一個(gè)協(xié)變量的回歸.230
9.6 兩組獨(dú)立虛擬變量的回歸 .232
9.7 本章小結(jié) .237
第10 章 使用回歸法進(jìn)行調(diào)節(jié)/交互分析 . 240
10.1 交互作用/調(diào)節(jié)效應(yīng) .241
10.2 乘積-項(xiàng)方法 242
10.3 連續(xù)預(yù)測(cè)變量與虛擬調(diào)節(jié)變量的交互作用 .244
10.4 連續(xù)預(yù)測(cè)變量和連續(xù)調(diào)節(jié)變量之間的交互作用 .248
10.5 虛擬預(yù)測(cè)變量與虛擬調(diào)節(jié)變量的交互作用 .253
10.6 連續(xù)預(yù)測(cè)變量與多分類(lèi)調(diào)節(jié)變量的交互作用 .256
10.7 其他注意事項(xiàng) 261
10.7.1 顯著與不顯著的交互作用 261
10.7.2 中心化和標(biāo)準(zhǔn)化 .261
10.8 本章小結(jié) .262
第11 章 Logistic 回歸 265
11.1 R 實(shí)現(xiàn)簡(jiǎn)單Logistic 回歸 269
11.1.1 Logistic 回歸中系數(shù)的含義 272
11.1.2 擬合優(yōu)度和模型選擇 276
11.2 多重邏輯回歸 278
11.3 Logistic 回歸進(jìn)行分類(lèi) 287
11.4 本章小結(jié) .293
第12 章 多層次和縱向分析 . 296
12.1 嵌套數(shù)據(jù)結(jié)構(gòu)的表示 298
12.2 完全、部分和無(wú)聚集 303
12.3 線性混合模型的顯著性檢驗(yàn) .310
12.4 縱向混合模型的模型比較 .317
12.5 本章小結(jié) .321
第13 章 因子分析 . 324
13.1 什么是因子分析? 325
13.2 因子分析過(guò)程 327
13.2.1 確定因子的數(shù)量 .328
13.2.2 因子提取 329
13.2.3 因子旋轉(zhuǎn) 332
13.2.4 提煉和解釋因子 .334
13.3 綜合評(píng)分和信度檢驗(yàn) 335
13.4 R 語(yǔ)言實(shí)例 337
13.4.1 確定因子的數(shù)量 .337
13.4.2 用旋轉(zhuǎn)法提取因子 .339
13.5 本章小結(jié) .343
第14 章 結(jié)構(gòu)方程模型 347
14.1 什么是結(jié)構(gòu)方程模型？ .348
14.2 確認(rèn)性因子分析 350
14.2.1 模型設(shè)定 351
14.2.2 模型識(shí)別 352
14.2.3 參數(shù)估計(jì) 354
14.2.4 模型評(píng)估 355
14.2.5 模型修正 362
14.3 潛在路徑分析 365
14.3.1 LPA 模型的定義 .366
14.3.2 測(cè)量部分 366
14.3.3 結(jié)構(gòu)部分 370
14.4 本章小結(jié) .372
第15 章 貝葉斯統(tǒng)計(jì) 377
15.1 貝葉斯數(shù)據(jù)分析 380
15.2 用R 實(shí)現(xiàn)貝葉斯數(shù)據(jù)分析 381
15.3 R 語(yǔ)言實(shí)例 383
15.3.1 模型診斷 384
15.3.2 回歸系數(shù)的貝葉斯估計(jì) 386
15.3.3 貝葉斯模型的選擇 .391
15.3.4 模型檢驗(yàn) 395
15.3.5 先驗(yàn)分布的選擇 .397
15.4 本章小結(jié) .400