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
