本书是基于R软件编写的多元统计分析教材，主要从应用角度结合实例和R软件编写。主要内容包括绪论、多元线性模型、广义线性模型、聚类分析、判别分析、主成分分析、因子分析、对应分析、典型相关分析和多维标度法。本书采用生动具体的实例讲解多元统计分析方法，方便读者学习；将统计理论与R软件有机结合，通过R软件实现多元统计的计算和分析，并详细解读R软件的分析结果。 本书可作为高等学校经济学类、管理类专业本科生和硕士研究生课程教材，也可作为其他相关专业的参考书，对广大社会工作者也具有参考价值。

第1章 绪论
1.1 多元统计分析简介
1.1.1 多元统计分析的含义
1.1.2 各章内容安排
1.2 矩阵代数回顾
1.2.1 矩阵及其基本运算
1.2.2 矩阵拉直和Kronecker积
1.2.3 矩阵的分解
1.2.4 二次型
1.2.5 矩阵的导数
1.3 R简介
1.3.1 为什么用R
1.3.2 R的安装与运行
1.3.3 如何获取R的帮助
1.3.4 R的基本原理
1.3.5 本书相关的R程序包和函数
本章小结
习题1
参考文献
第2章 多元线性模型
2.1 多元正态分布
2.1.1 多元正态分布的定义
2.1.2 多元正态分布的性质
2.2 多元线性模型
2.2.1 模型定义
2.2.2 回归模型的参数估计
2.2.3 回归方程和系数的检验
2.3 变量选择
2.4 回归诊断
2.4.1 残差分析和异常点探测
2.4.2 回归诊断的一般方法
2.5 回归预测
本章小结
习题2
参考文献
第3章 广义线性模型
3.1 指数族分布的定义
3.2 常见的指数族分布
3.3 指数族分布的性质
3.4 广义线性模型
3.5 二元变量和logistie模型（probit模型）
3.6 分类变量和名义及有序logit模型
3.6.1 名义logit模型
3.6.2 有序logit模型
3.7 计数变量和Poisson对数线性模型
3.8 列联表和对数线性模型
本章小结
习题3
参考文献
第4章 聚类分析
4.1 相似性度量
4.2 系统聚类法
4.3 k均值聚类法
4.4 EM聚类法
本章小结
习题4
参考文献
第5章 判别分析
5.1 距离判别
5.1.1 距离判别简介
5.1.2 两个总体的距离判别
5.1.3 多个总体的距离判别
5.2 Fisher判别
5.2.1 两总体的Fisher判别
5.2.2 多总体的Fisher判别
5.3 Bayes判别
5.3.1 两总体的Bayes判别
5.3.2 多总体的Bayes判别
5.4 二次判别
5.5 案例分析与R实现
本章小结
习题5
参考文献
第6章 主成分分析
6.1 主成分分析的基本思想
6.2 总体主成分
6.2.1 主成分的含义
6.2.2 主成分的计算
6.2.3 主成分的主要性质
6.2.4 主成分个数的确定
6.2.5 变量的标准化及意义
6.3 样本主成分
6.3.1 样本主成分的性质和计算
6.3.2 主成分分析的步骤和相关R函数
6.4 案例分析与R实现
本章小结
习题6
参考文献
第7章 因子分析
7.1 因子分析模型的设定
7.2 常用估计方法
7.2.1 主成分法
7.2.2 迭代主因子法
7.2.3 最大似然估计法
7.3 因子旋转
7.4 因子得分的预测
7.4.1 加权最小二乘法
7.4.2 回归法
本章小结
习题7
参考文献
第8章 对应分析
8.1 对应分析的×2检验
8.2 对应分析方法的原理
8.2.1 对应分析的数据转换方法
8.2.2 对应分析的理论依据
8.2.3 对应分析的计算步骤
8.3 案例分析与R实现
本章小结
习题8
参考文献
第9章 典型相关分析
9.1 典型相关分析基本理论和方法
9.1.1 总体典型相关变量的概念及其解法
9.1.2 典型相关变量的性质
9.1.3 原始变量与典型相关变量的相关系数
9.1.4 简单相关、复相关和典型相关之间的关系
9.1.5 分量的标准化处理
9.2 样本典型相关分析方法
9.2.1 典型相关系数的显著性检验
9.2.2 被解释样本方差的比例
9.3 案例分析与R实现
本章小结
习题9
参考文献
附录
第10章 多维标度法
10.1 多维标度法的基本思想
10.2 古典多维标度法
10.2.1 多维标度法的几个基本概念
10.2.2 已知距离矩阵时CMDS解的计算
10.2.3 已知相似系数矩阵时CMDS解的计算
10.3 案例分析与R实现
本章小结
习题10
参考文献