第1章 多个因变量的假设检验:多变量方差分析
1.1 多变量方差分析
1.1.1 多变量方差分析简介
1.1.2 多变量方差分析的应用条件
1.2 多变量方差分析案例:不同舞蹈学校的分数差异分析
1.2.1 选择变量
1.2.2 设置模型选项
1.2.3 设置事后选项
1.2.4 选项设置
1.2.5 输出结果
1.3 本章小结
第2章 校正混杂因素:协方差分析
2.1 协方差分析简介
2.2 协方差分析案例:早读对成绩的影响
2.2.1 回归拟合线平行性检验
2.2.2 计算和检验修正均数(正式进行协方差分析)
2.3 本章小结
第3章 因变量为连续变量的估计与预测:线性回归分析
3.1 线性回归分析简介
3.1.1 简单线性回归分析简介
3.1.2 多重线性回归分析简介
3.2 简单线性回归分析
3.2.1 简单线性回归分析的假设条件
3.2.2 简单线性回归分析案例:身高和体重的关系
3.3 多重线性回归分析
3.3.1 多重线性回归分析的假设条件
3.3.2 多重线性回归分析案例:年收入的影响因素
3.4 回归诊断
3.4.1 异常值判断
3.4.2 独立性检验
3.4.3 正态性检验
3.4.4 方差齐性检验
3.4.5 多重共线性诊断
3.5 权重估计
3.5.1 权重估计简介
3.5.2 权重估计案例:收入影响因素分析
3.6 加权最小二乘法
3.6.1 加权最小二乘法简介
3.6.2 加权最小二乘法案例:收入影响因素分析
3.7 二阶最小二乘法
3.7.1 二阶最小二乘法简介
3.7.2 二阶最小二乘法案例:影响成绩的数据
3.8 分层回归分析
3.8.1 分层回归分析简介
3.8.2 分层回归分析案例:影响个人收入的因素
3.9 本章小结
第4章 因变量为离散变量的估计与预测:Logistic回归模型
4.1 Logistic回归模型简介
4.1.1 Logistic回归模型的公式
4.1.2 Logistic回归分析的目的
4.1.3 Logistic回归模型的适用条件
第5章 回归模型进阶:其他回归模型
第6章 简化多变量复杂关系:主成分分析与因子分析
第7章 数据归约技术:聚类分析
第8章 建立分组预测模式:判别分析
第9章 预测变量的二元分离:决策树
第10章 自适应、自学习:神经网络
第11章 时序数据的预测:时间序列分析
第12章 发现多个分类变量间的潜在关系:对应分析
第13章 两组变量的相关分析:典型相关分析
第14章 交互效应分析进阶:简单效应与简单简单效应
第15章 调节变量与中介变量分析方法:调节效应与中介效应
第16章 多项选择题的分析处理:多重响应分析
参考文献
展开