商品簡介
《分類數據分析》內容簡介：由于分類數據分析技術的發展以及分類數據在現實應用中的獨特價值，許多統計系或生物統計系都開設了有關分類數據分析的課程。《分類數據分析》可以用作該類課程的教科書。《分類數據分析》的第1-7章涵蓋了該類課程的核心內容。其中，第1-3章介紹分類結果變量的分布以及傳統的二維列聯表分析方法。第4-7章介紹關于二分和多項分布結果變量的Logistic回歸以及相應的Logit模型。第8章和第9章的內容則是用于分析列聯表數據的對數線性模型。隨著時間的推移，對數線性模型的重要性似乎有所降低，所以本版在一定程度上縮減了對該模型的討論，并相應增加了有關logistic回歸的內容。
在過去10年間，這一領域的新發展主要集中于對重復測量和其他形式的群組分類數據的分析方法。第10-13章講述這些方法，其中包括邊際模型和具有隨機效應的廣義線性混合模型。第14-15章介紹《分類數據分析》所使用的最大似然估計的理論基礎以及其他可供選擇的估計方法。第16章簡單回顧了分類數據分析技術的發展歷程，并介紹了諸如皮爾遜和費舍爾等著名統計學家的貢獻，他們的開創性工作為分類數據分析方法的發展奠定了基礎。
作者簡介
作者：(美國)阿蘭?阿格萊斯蒂(Alan Agresti) 譯者：齊亞強
目次
1 引言：分類數據的分布與統計推斷
1.1 分類數據
1.2 分類數據的分布
1.3 分類數據的統計推斷
1.4 二項分布參數的統計推斷
1.5 多項分布參數的統計推斷
注解
習題
2 對列聯表的描述
2.1 列聯表的概率結構
2.2 兩個比例的比較
2.3 分層2×2表格中的偏關聯
2.4 擴展到I×J表格
注解
習題
3 列聯表的統計推斷
3.1 關聯參數的置信區間
3.2 二維列聯表的獨立性檢驗
3.3 對卡方檢驗的進一步分析
3.4 定序變量的二維表格
3.5 小樣本的獨立性檢驗
3.6 2×2表格的小樣本置信區間
3.7 對多維表格以及非表格形式結果變量的擴展
注解
習題
4 廣義線性模型簡介
4.1 廣義線性模型
4.2 二分數據的廣義線性模型
4.3 計數數據的廣義線性模型
4.4 廣義線性模型的矩量和似然函數
4.5 廣義線性模型的統計推斷
4.6 廣義線性模型的擬合
4.7 類似然函數與廣義線性模型
4.8 廣義可加模型
注解
習題
5 Logistic回歸
5.1 Logistic回歸參數的解釋
5.2 Logistic回歸的統計推斷
5.3 包括分類預測變量的Logit模型
5.4 多元Logistic回歸
5.5 Logistic回歸模型的擬合
注解
習題
6 Logistic回歸模型的構建與應用
6.1 模型選擇的策略
6.2 Logistic回歸診斷
6.3 2×2×K表格中條件關聯的統計推斷
6.4 利用模型提高推斷效能
6.5 樣本規模與統計效能
6.6 Pmbit模型和補余雙對數模型
6.7 條件Logistic回歸與精確分布
注解
習題
7 關于多項結果變量的Logit模型
7.1 定類結果變量：基線類別Logit模型
7.2 定序結果變量：累積L0git模型
7.3 定序結果變量：累積連結模型
7.4 關于定序結果變量的其他模型
7.5 I×J×K表格中的條件獨立性檢驗
7.6 離散選擇多項Logit模型
注解
習題
8 關于列聯表的對數線性模型
8.1 關于二維表格的對數線性模型
……
9 對數線性模型和Logit模型的構建與擴展
10 關于配對數據的模型
11 對重復測量的分類結果變量的分析
12 隨機效應：關于分類結果變量的廣義線性混合模型
13 關于分類數據的其他混合模型
14 參數模型的漸近理論
15 參數模型的其他估計理論
16 分類數據分析的歷史回顧
參考文獻
例子索引
主題索引
書摘/試閱
定類變量是定性的變量——它的不同取值之間存在質的區別，而不是量的差異。定距變量是定量的變量——其不同取值表示所關注的特質的量的多少。至于定序變量到底屬于定量的還是定性的變量并不是很明確。數據分析者經常將其視為定性的變量，并利用定類變量的分析方法來處理定序變量。但是在許多方面，定序變量實際上更接近于定距變量而不是定類變量。定序變量包含了重要的量化特征：每一類別都比其他類別具有較多或較少的特質。而且，盡管無法測量，一般都認為在定序變量背後隱含著潛在的連續變量。例如，對政治傾向的定序測度（開放、中間、保守），可以看作是對一個內在的連續特質的一種粗糙測量。數據分析者常常利用定序變量所具有的量化特征，對其類別賦以確定的數值或假定存在一個潛在的連續分布而加以分析。這樣做往往需要很強的判斷能力以及有經驗的研究者的具體指導，不過其好處在于可以借用許多針對定距變量的分析方法。
1.1.5 本書的結構
本書所討論的關于分類結果變量的模型與用于連續性結果變量的回歸模型相似；其主要區別在于，分類結果變量的模型假定二項、多項或者泊松分布而不是正態分布。在這里我們將重點討論兩種模型：logistic回歸和對數線性模型。普通的logistic回歸模型（logistic regression models），也稱為Logit模型（Logit models），應用于二分的（binary）結果變量（即具有兩個類別），并假定該變量服從二項分布。擴展的logistic模型可應用于包括多個類別的結果變量，假定相應變量服從多項分布。對數線性模型（1oglinear。models）應用于計數數據（count data），并且假定服從泊松分布。Logistic回歸與對數線性模型之間存在著一定的等價性。
