具体描述
内容简介
本书较详细地介绍了多种常用的统计模型和分析方法，其中包括：极大似然法、
分布的估计与检验、线性回归、方差分析与试验设计、寿命数据的模型与分析以及分
类数据的模型与分析等。书中各章还配备了适量的练习和参考文献。在书后附有关于
SAS/STAT统计软件的简介及常用的统计数表，以备查阅。
本书可作为高等院校非数学专业的硕士和博士研究生和高年级本科生学习应用
统计课程的教科书，也可作为具有相当学历的读者自学应用统计的参考书。
作者简介
陆 璇 副教授，1947年生人。1982年本
科毕业于清华大学应用数学系，1986年获博
士学位，研究方向为数理统计。长期从事理
论和应用统计的研究、教学和开发工作，为
我国进行统计软件的国际商业开发的先行
者之一。十多年来在清华大学共开设了六门理论或应用统计
课程。共发表论文十余篇，出版著作《数理统计基础》一本。
目录信息
前言
第1章 极大似然法及其应用
1.1 极大似然估计
1.1.1 极大似然估计的定义
1.1.2 似然方程及ML估计的数值解法
1.1.3 ML估计的相合性质及渐近正态性
1.1.4 单参数ML估计的近似分布
1.1.5 多参数ML估计的近似分布
1.2 似然比与基于ML估计的检验
1.2.1 单参数模型下的似然比检验
1.2.2 多参数模型下的似然比检验
1.2.3 基于ML估计的检验
1.2.4 实例分析
课外练习
参考文献
第2章 分布的估计与检验
2.1 基于经验分布的估计与检验
2.1.1 引言
2.1.2 经验分布函数与直方图
2.1.3 单个分布假设的科尔莫戈罗夫检验
2.2 分布的X2检验
2.2.1 单个分布的x2检验
2.2.2 分布族的x2检验
2.3 正态性检验
2.3.1 偏度和峰度检验
2.3.2 正态概率纸检验
课外练习
参考文献
第3章 线性回归
3.1 简单线性回归模型
3.1.1 引言
3.1.2 回归系数的最小二乘估计
3.1.3 误差方差的估计
3.1.4 统计量的分布
3.1.5 参数区间估计与t检验
3.1.6 决定系数和F统计量
3.1.7 预测
附录
3.2 多重线性回归模型
3.2.1 参数估计
3.2.2 参数估计的分布与置信区间
3.2.3 多重线性模型的有效性检验
3.2.4 单个参数的检验
3.2.5 预测
3.3 变量选择及多重共线性问题
3.3.1 变量选择的maxR2法
3.3.2 向后、向前和逐步回归
3.3.3 交叉验证
3.3.4 多重共线性
3.3.5 克服多重共线性困难的方法
3.4 模型与变量的扩展
3.4.1 线性回归模型的扩展
3.4.2 变量的扩展
3.5 残差分析
3.5.1 残差的分布与学生化残差
3.5.2 残差点图所提供的信息
3.5.3 离群值与影响点
3.5.4 关于误差的正态性
课外练习
参考文献
第4章 方差分析与试验设计
4.1 单因子方差分析
4.2 双因子方差分析
4.2.1 双因子有重复试验的方差分析
4.2.2 双因子无重复试验的方差分析
4.3 正交因子试验设计原理
4.3.1 多因子方差分析简述
4.3.2 正交设计的思路及一例
4.3.3 正交试验设计的一般原理
4.4 正交表及其应用
4.4.1 正交表与无交互效应模型
4.4.2 用正交表分析交互效应模型
4.4.3 用正交表安排区组试验
4.4.4 拟水平
4.4.5 要不要方差分析
课外练习
参考文献
第5章 寿命数据的模型与分析
5.1 基本概念
5.1.1 寿命分布及有关的参数
5.1.2 常用寿命分布
5.1.3 截尾数据及似然函数
5.2 参数估计与假设检验
5.2.1 指数分布参数的估计与假设检验
5.2.2 韦布尔分布参数的估计与假设检验
5.2.3 伽玛分布与对数正态分布模型
5.3 生命表、非参数方法与图方法
5.3.1 生命表
5.3.2 非参数方法
5.3.3 图方法
5.4 回归模型
5.4.1 对数线性模型
5.4.2 比例危险模型
课外练习
参考文献
第6章 分类数据的模型与分析
6.1 引言
6.1.1 分类变量
6.1.2 简单抽样与分层抽样
6.1.3 估计与检验方法的概述
6.2 两个分类变量的模型与分析
6.2.1 对数线性模型
6.2.2 独立性检验
6.2.3 分层抽样的齐次性检验
6.2.4 退化模型
附录
6.3 三个分类变量的模型与分析
6.3.1 对数线性模型
6.3.2 常用层次模型
6.4 多变量的对数线性模型
6.4.1 一般对数线性模型
6.4.2 层次模型
6.4.3 参数估计
6.4.4 检验统计量及自由度的计算
6.4.5 序贯检验
6.5 Logit和Logistic回归
6.5.1 L0git回归模型
6.5.2 L0gistic回归模型
课外练习
参考文献
附录 AsAS/STAT程序库简介
A.1 SAS系统
A.2 SAS统计程序库――SAS/STAT
参考文献
附录B 常用统计表
B.1 常用分布及分位数表
B.1.1 标准正态分布表
B.1.2 x2分布分位数x2n，a表
B.1.3 t分布分位数t，a表
B.1.4 F分布分位数F，f2，。表
B.2 常用正交设计表
只21I（23）主
B.2.2 L8（27）表
B.2.3 L12（211）表
B.2.4 L16（215）表
B.2.5 L，（34）表
B.2.6 L18（37×21）表
B.2.7 L27（313）表
B.2.8 L16（45）表
B.2.9 L25（56）表
中英文名词索引
· · · · · · (收起)
读后感
用户评价
我购买这本书时，主要目的是想系统地学习多元统计分析的技术。坦白说，很多教材在多元方差分析（MANOVA）和主成分分析（PCA）的部分，常常写得像是一份技术规格说明书，让人抓不住重点。《应用统计》在这方面做得非常出色。作者不仅清晰地阐述了PCA的特征值和特征向量背后的几何意义——即如何通过降维来保留方差最大的信息——还通过一个高维生物学数据的降维示例，直观地展示了降维后数据在二维平面上的可解释性。在面对需要选择合适分析方法的抉择点时，书中提供了一个非常实用的流程图，将数据类型、研究目的和模型假设要求完美地串联起来，犹如一张导航地图，让我能迅速定位到最适合当前问题的工具。唯一稍微觉得内容略显不足的是，对于结构方程模型（SEM）的介绍相对简略，虽然提到了基本框架，但若能增加更深入的拟合优度指标的讨论和模型修正的实例，那就更为完美了。即便如此，对于中高级的数据分析师来说，它仍旧是一本不可多得的案头常备书。
说实话，市面上关于统计学的书籍太多了，很多都停留在对公式的堆砌，读完后感觉脑子里装了一堆用不到的符号。然而，这本《应用统计》却有着一种独特的“人文关怀”。作者似乎非常理解学习者在面对复杂概率分布时的那种无力感，因此在介绍概率论基础时，他采用了大量生活化的比喻来阐释那些抽象的概念。例如，用彩票中奖的概率来解释大数定律的魅力，或者用排队买咖啡的场景来描绘泊松分布的适用范围。这种叙事方式极大地降低了阅读门槛，让那些原本对数学有抵触情绪的读者也能循序渐进地建立起统计思维的框架。更让我欣赏的是，它对统计推断的哲学层面的探讨，没有回避统计学本身的局限性和潜在的偏见。书中专门用了一章讨论“如何用统计数据误导人”，这视角非常犀利，促使读者在应用这些工具时必须保持高度的批判性思维。它不仅教你如何“计算”，更教你如何“质疑”计算结果，这种成熟度，是很多初级读物所欠缺的。
这本书的装帧和排版本身就给人一种专业而沉稳的感觉，厚实的纸张和清晰的字体，阅读起来是一种享受。我是一个习惯于通过大量练习来巩固知识的人，《应用统计》在这方面展现了极高的诚意。每一章的末尾都附带了分层级的练习题，从简单的概念验证到复杂的实际问题求解，难度梯度设计得非常科学。特别是其中的“编程实现”部分，虽然没有直接指定具体的软件语言（这可能让一些习惯于固定代码库的读者感到略微不便），但它以伪代码的形式展示了核心算法的逻辑结构，这反而培养了我们对底层机制的理解，而不是仅仅依赖于鼠标点击或一行现成的代码。我尝试着将书中的一个关于聚类分析的案例，用我熟悉的R语言进行了复现，结果发现书中的理论描述与代码执行结果完美契合，这种“验证”的成功感极大地增强了学习的内驱力。这本书不仅是知识的传授者，更像是一位严谨的导师，它要求你动手实践，并且对实践结果进行深入的审视和反思。
这本《应用统计》给我的感觉就像是拿到了一份厚重的工具箱，里面塞满了各种闪闪发光的精密仪器。初翻时，那些复杂的公式和密集的图表确实让人有些望而生畏，仿佛置身于一个巨大的迷宫入口。我特别欣赏作者在讲解基础概念时所展现出的那种耐心和条理——那种深入浅出的叙述方式，即使是对统计学背景不深的读者来说，也像是一位经验丰富的向导，耐心地指引着方向。它不是那种轻描淡写的入门读物，而是真正致力于让你理解“为什么”要用这种方法，而不是仅仅告诉你“怎么做”。书中对实际案例的引用非常到位，比如在描述回归分析时，它并没有停留在理论的空中楼阁，而是通过一个关于市场占有率与广告投入的案例，将抽象的斜率和截距具象化成了能影响决策的实际数字。当然，对于我个人而言，书中关于假设检验的章节需要反复阅读，那里的逻辑链条环环相扣，稍不留神就可能跟不上作者的思路，但一旦真正理解了P值的含义和I类、II类错误的权衡，那种豁然开朗的感觉是其他任何学习体验都无法比拟的。这本书的价值，在于它迫使你进行深度思考，而不是简单地记忆步骤。
翻开这本书的时候，我正焦头烂额地处理手头一个关于用户行为预测的难题，当时急需一本能将理论与实战无缝对接的参考书。《应用统计》的出现，简直就像是及时雨。我最喜欢的一点是它对数据清洗和预处理的详尽论述，这部分内容在很多教材中常被一笔带过，但实际上却是分析工作中最耗时的环节。作者没有把数据想象成完美无瑕的理想体，而是赤裸裸地展示了现实世界中数据缺失、异常值和异方差的种种“恶疾”，并提供了多种应对的“药方”。比如，它对比了均值插补和更复杂的蒙特卡洛方法在不同数据结构下的优劣，这种细致的比较对于项目经理和初级分析师来说是无价的。另外，书中对非参数检验的介绍也十分全面，这在处理那些不满足正态分布假设的“顽固”数据时，提供了强有力的备选方案。我得承认，阅读过程中，我频繁地使用书签夹住了好几页关于时间序列分析的章节，那里的模型构建和残差诊断部分写得尤为精妙，让人感觉自己正在参与一场严谨的科学实验，而不是在读一本枯燥的教科书。这本书的实战指导性，远超出了我的预期。
