顶部
收藏

生物实验设计与数据分析(翻译版)


作者:
蒋志刚、李春旺、曾岩等译
定价:
45.00元
ISBN:
978-7-04-013644-9
版面字数:
890千字
开本:
16开
全书页数:
580页
装帧形式:
平装
重点项目:
暂无
出版时间:
2004-02-16
读者对象:
高等教育
一级分类:
生物科学
二级分类:
生物统计学

  如何设计生物学实验,如何在空间设置安排实验处理区组,如何在不同时间施加实验处理,是生物学研究人员的必备知识。首先在设计生物学实验时,无论是生态学实验,还是细胞生物学实验,生物化学实验,都必须参考有关统计学和实验设计的专业书籍,考虑选用适当的统计方法。本书深入浅出地介绍了生物学研究中最常见的实验设计方法,适用于连续型与离散型数据的统计方法。作者有针对性地分析了当前生物学研究文献中的具体实例,介绍了具体生物统计方法的运用,便于读者掌握。通过对该书的学习,读者将知道为什么我们要以一种特定的实验设计来探讨一个生物学问题以及怎样来分析实验数据;同时,作者提供了该书中所有原始数据的网址,读者可以自己利用生物统计软件包分析这些原始数据。最后,作者以相当的篇幅介绍了如何简明扼要地展示生物统计分析结果。读者通过对本书的学习,能够了解生物学统计模型的基本假设前提条件,能够利用有限的时间与资源优化设计实验与抽样过程,能够正确地应用适当的统计模式分析设计实验或野外采集的生物学数据,能够理解生物统计分析软件包输出的结果。
  本书适合高校生物学科、生物技术专业以及农林医类相关专业的高年级本科生和研究生作为生物学实验设计与统计分析的教材或参考书,还可以作为有关研究人员案头的实验设计与统计分析参考书。
  • 第1章 导论
    • 1.1 科学方法
      • 1.1.1 模式描述
      • 1.1.2 模型
      • 1.1.3 假说与检验
      • 1.1.4 证伪的备择
      • 1.1.5 统计分析的角色
    • 1.2 实验与其它检验
    • 1.3 数据、观察与变量
    • 1.4 概率
    • 1.5 概率分布
      • 1.5.1 对变量的描述
      • 1.5.2 统计值的分布
  • 第2章 估计
    • 2.1 样本和总体
    • 2.2 常用参数和统计变量
      • 2.2.1 分布的中心(位置)
      • 2.2.2 离散或变异度
    • 2.3 平均数的标准误和置信区间
      • 2.3.1 正态分布和中心极限定理
      • 2.3.2 样本平均数的标准误
      • 2.3.3 总体平均数的置信区间
      • 2.3.4 总体平均数置信区间的解释
      • 2.3.5 其他统计数据的标准误
    • 2.4 参数估计的方法
      • 2.4.1 最大似然法(ML法)
      • 2.4.2 普通最小平方法(OLS)
      • 2.4.3 ML估计与OLS估计的比较
    • 2.5 估计中重复抽样的方法
      • 2.5.1 自举法
      • 2.5.2 “刀切”法
    • 2.6 贝叶斯推断则——估计
      • 2.6.1 贝叶斯推断的估计
      • 2.6.2先验知识和概率
      • 2.6.3 似然函数
      • 2.6.4后验概率
      • 2.6.5 举例
      • 2.6.6 其它评论
  • 第3章 假说检验
    • 3.1 统计假说检验
      • 3.1.1 经典的统计假说检验
      • 3.1.2 相关概率和类型I错误
      • 3.1.3 单个总体的假设检验
      • 3.1.4 单尾和双尾检验
      • 3.1.5 两个总体的假设
      • 3.1.6 参数检验及其假设
    • 3.2 决策错误
      • 3.2.1 类型I错误和类型II错误
      • 3.2.2 不对称性和可升级的决策标准
    • 3.3 其他检验方法
      • 3.3.1 稳健参数检验
      • 3.3.2 随机(排列)检验
      • 3.3.3 基于秩的非参数检验
    • 3.4 多重检验
      • 3.4.1 问题
      • 3.4.2 调整显著性水平和桙或P值
    • 3.5 统计检验结果的合并
      • 3.5.1 P值合并
      • 3.5.2 Meta-分析
    • 3.6 对统计假说检验的批评
      • 3.6.1 与样本容量和停止规则的相关性
      • 3.6.2 样本空间-未观测数据的相关性
      • 3.6.3 值作为证据测度
      • 3.6.4 零假设一直是假的
      • 3.6.5 任意显著性水平
      • 3.6.6 统计假设检验的备择方法
    • 3.7 贝叶斯假设检验
  • 第4章 数据的图示
    • 4.1 探索性数据分析
      • 4.1.1 探索性分析样本
    • 4.2 用图进行分析
      • 4.2.1 参数分析模型的假设
    • 4.3 数据转换(Transformingdata)
      • 4.3.1 转换与分布假设
      • 4.3.2 转换和线性
      • 4.3.3 转换和加性
    • 4.4 标准化(Standardizations)
    • 4.5 异常值
    • 4.6 删截(Censored)和缺失数据(Missingdate)
      • 4.6.1 缺失数据
      • 4.6.2 删截(截尾)数据
    • 4.7 一般事项与分析提示
      • 4.7.1 一般事项
  • 第5章 相关与回归
    • 5.1 相关分析
      • 5.1.1 参数相关模型
      • 5.1.2 强相关
      • 5.1.3 参数与非参数的置信区间
    • 5.2 线性模型
    • 5.3 线性回归分析
      • 5.3.1 简单(二元)线性回归
      • 5.3.2 线性模型回归
      • 5.3.3 模型参数的估计
      • 5.3.4 方差分析
      • 5.3.5 回归中的零假设
      • 5.3.6 回归模型比较
      • 5.3.7 方差解释
      • 5.3.8 回归分析假设
      • 5.3.9 回归诊断
      • 5.3.10 诊断图表
      • 5.3.11 转换
      • 5.3.12 通过原点的回归
      • 5.3.13 加权最小平方法
      • 5.3.14 X随机(二类回归模型)
      • 5.3.15 稳健回归
    • 5.4 回归与相关间的关系
    • 5.5 修匀
      • 5.5.1 移动平均值
      • 5.5.2 LO(W)ESS
      • 5.5.3 样条
      • 5.5.4 核
      • 5.5.5 其他观点
    • 5.6 相关与回归检验的功效
    • 5.7 分析的一般特征及其启示
      • 5.7.1 一般特征
      • 5.7.2 分析提示
  • 第6章 多元与复杂回归
    • 6.1 多元线性回归分析
      • 6.1.1 多元线性回归模型
      • 6.1.2 模型参数的估计
      • 6.1.3 方差分析
      • 6.1.4 零假设与模型比较
      • 6.1.5 解释的方差
      • 6.1.6 哪些自变量(预测变量)重要?
      • 6.1.7 多元回归的假设
      • 6.1.8 回归诊断法
      • 6.1.9 诊断图
      • 6.1.10 转换
      • 6.1.11 共线性
      • 6.1.12 多元回归中的交互效应
      • 6.1.13 多项式回归
      • 6.1.14 指示(虚拟)变量
      • 6.1.15 找寻“最佳”的回归模型
      • 6.1.16 等级分类
      • 6.1.17 多元线性回归的其他问题
    • 6.2 回归树
    • 6.3 通径分析及结构方程建模
    • 6.4 非线性模型
    • 6.5 平滑与响应面
    • 6.6 一般事项与分析提示
      • 6.6.1 一般事项
      • 6.6.2 分析提示
  • 第7章 实验设计和检验功效分析
    • 7.1 抽样
      • 7.1.1 抽样设计
      • 7.1.2 样本量
    • 7.2 实验设计
      • 7.2.1 重复
      • 7.2.2 对照
      • 7.2.3 随机化
      • 7.2.4 独立
      • 7.2.5 减少未解释的方差
    • 7.3 检验功效分析
      • 7.3.1 用检验功效设计实验(预先分析检验功效)
      • 7.3.2 后检验功效计算
      • 7.3.3 效应量
      • 7.3.4 使用检验功效分析
    • 7.4 分析的一般问题和提示
      • 7.4.1 一般问题
      • 7.4.2 分析提示
  • 第8章 比较区组或处理——方差分析
    • 8.1 单因素设计
      • 8.1.1 预测变量(因素)的类型
      • 8.1.2 单因素分析的线性模型
      • 8.1.3 方差分析
      • 8.1.4 零假设
      • 8.1.5 对照方差分析模型
      • 8.1.6 样本大小不等(不平衡的设计)
    • 8.2 因素效应
      • 8.2.1 随机效应:方差的组成
      • 8.2.2 固定效应
    • 8.3 假设
      • 8.3.1 正态
      • 8.3.2 方差齐次性
      • 8.3.3 独立
    • 8.4 方差分析诊断
    • 8.5 强方差分析
      • 8.5.1 方差不齐时的检验
      • 8.5.2 Rank-based(非参数的)检验
      • 8.5.3 随机化检验
    • 8.6 平均数的特定比较
      • 8.6.1 计划比较或对照
      • 8.6.2 非计划的配对比较
      • 8.6.3 特定的比较与非计划成对比较
    • 8.7 趋势检验
    • 8.8 检验组方差的相等性
    • 8.9 单因素方差分析的功效
    • 8.10 一般事项与分析提示
      • 8.10.1 一般事项
      • 8.10.2 分析提示
  • 第9章 多因素方差分析
    • 9.1 嵌套(分层Hierarchicad)设计
      • 9.1.1 嵌套分析的线性模型
      • 9.1.2 ANOVA
      • 9.1.3 零假设
      • 9.1.4 不等样本大小(不平衡设计)
      • 9.1.5 ANOVA模型比较
      • 9.1.6 嵌套式模型中的因素效应
      • 9.1.7 嵌套式模型的前提
      • 9.1.8 嵌套式设计详细比较
      • 9.1.9 更复杂的设计
      • 9.1.10 设计和功效
    • 9.2 析因设计
      • 9.2.1 析因设计线性模型
      • 9.2.2 ANOVA
      • 9.2.3 零假设
      • 9.2.4 主效应和交互效应究竟测定的是什么
      • 9.2.5 ANOVA模型比较
      • 9.2.6 不平衡设计
      • 9.2.7 因素效应
      • 9.2.8 前提
      • 9.2.9 可靠的析因ANOVA
      • 9.2.10 主效应的特定比较
      • 9.2.11 交互效应的解释
      • 9.2.12 复杂析因设计
      • 9.2.13 析因ANOVA的功效和设计
    • 9.3 多因素设计合并
    • 9.4 析因设计与嵌套设计之间的关系
    • 9.5 一般事项与分析提示
      • 9.5.1 一般事项
      • 9.5.2 分析提示
  • 第10章 随机区组与简单重复测量:非重复的双因素设计
    • 10.1 非重复双因素实验设计
      • 10.1.1 完全随机区组(RCB)设计
      • 10.1.2 重复测量(RM)设计
    • 10.2 分析完全随机区组(RCB)实验与重复测量(RM)实验
      • 10.2.1 完全随机区组和简单重复测量分析的线性模型
      • 10.2.2 方差分析
      • 10.2.3 零假设
      • 10.2.4 ANOVA模型比较
    • 10.3 完全随机区组实验与重复测量实验中的交互作用
      • 10.3.1 区组交互作用的重要处理
      • 10.3.2 非典型设计的核验
    • 10.4 假设
      • 10.4.1 误差的正态性和独立性
      • 10.4.2 方差和协方差——球形性
      • 10.4.3 推荐策略
    • 10.5 强完全随机区组和重复测量分析设计
    • 10.6 特定比较
    • 10.7 区组的效益(分组还是不分组?)
    • 10.8 时间作为区组因素
    • 10.9 非平衡完全随机区组实验的分析
    • 10.10 完全随机区组实验与单个重复测量实验的功效
    • 10.11 更复杂的区组设计
      • 10.11.1 析因的随机区组设计
      • 10.11.12 不完全区组设计
      • 10.11.13 拉丁方设计
      • 10.11.4 交叉设计
    • 10.12 一般化的随机区组设计
    • 10.13 完全随机区组实验和重复测量设计与统计软件
    • 10.14 一般事项与分析提示
      • 10.14.1 一般事项
      • 10.14.2 分析提示
  • 第11章 裂区与重复测量设计:部分嵌套的方差分析
    • 11.1 部分嵌套设计(PARTLYNESTEDDESIGNS)
      • 11.1.1 裂区设计(Split-plotdesigns)
      • 11.1.2 重复测量设计(Repeatedmeasuresdesigns)
      • 11.1.3 使用这些设计的原因
    • 11.2 部分嵌套设计的分析
      • 11.2.1 部分嵌套分析的线性模型
      • 11.2.2 方差分析
      • 11.2.3 零假设
      • 11.2.4 比较方差分析模型
    • 11.3 假设
      • 11.3.1 区组(或对象)间
      • 11.3.2 区组(或对象)内和多次抽样球形
    • 11.4 部分稳健嵌套的分析(Robustpartlynestedanalyses)
    • 11.5 特定比较
      • 11.5.1 主效应
      • 11.5.2 交互作用
      • 11.5.3 剖面(趋势)分析
    • 11.6 非平衡部分嵌套设计的分析
    • 11.7 部分嵌套设计的功效
    • 11.8 更复杂的设计
      • 11.8.1 附加的区组(对象)间因素
      • 11.8.2 附加的区组(对象)内因素
      • 11.8.3 附加的区组(对象)间因素和区组(对象)内因素
      • 11.8.4 复杂设计的一般评价
    • 11.9 部分嵌套设计与统计软件
    • 11.10 一般事项与分析提示
      • 11.10.1 一般事项
      • 11.10.2 个别分析提示
  • 第12章 协方差分析
    • 12.1 单因素协方差分析
      • 12.1.1 协方差分析的线性模型
      • 12.1.2 (协)方差分析
      • 12.1.3 零假说
      • 12.1.4 协方差模型的比较
    • 12.2 协方差分析的假设
      • 12.2.1 直线性
      • 12.2.2 各组协变量值相似
      • 12.2.3 固定协变量(X)
    • 12.3 斜率齐性
      • 12.3.1 组内回归斜率齐性的检测
      • 12.3.2 组内回归斜率不同的处理
      • 12.3.3 回归线的比较
    • 12.4 稳健的协方差分析
    • 12.5 样本量不等(不平衡设计)
    • 12.6 调整均值的特殊比较
      • 12.6.1 有计划的对比
      • 12.6.2 无计划的对照
    • 12.7 更复杂的设计
      • 12.7.1 含两个或多个协变量的设计
      • 12.7.2 析因设计
      • 12.7.3 含一个协变量的嵌套设计
      • 12.7.4 含一个协变量的部分嵌套模型
    • 12.8 一般问题与分析提示
      • 12.8.1 一般问题
      • 12.8.2 分析提示
  • 第13章 广义线性模型与逻辑斯谛回归
    • 13.1 广义线性模型
    • 13.2 逻辑斯谛回归
      • 13.2.1 简单逻辑斯谛回归
      • 13.2.2 多元逻辑斯谛回归
      • 13.2.3 离散预测值
      • 13.2.4 逻辑斯谛回归假设
      • 13.2.5 拟合优度和残差
      • 13.2.6 模型诊断
      • 13.2.7 模型选择
      • 13.2.8 逻辑斯谛回归软件
    • 13.3 泊松回归
    • 13.4 广义加性模型
    • 13.5 相关数据模型
      • 13.5.1 多水平(随机效应)模型
      • 13.5.2 广义估计方程
    • 13.6 一般事项和分析提示
      • 13.6.1 一般事项
      • 13.6.2 分析提示
  • 第14章 频数分析
    • 14.1 单变量拟合优度检验
    • 14.2 列联表分析
      • 14.2.1 二向表
      • 14.2.2 三向表
    • 14.3 对数线性模型
      • 14.3.1 二向表
      • 14.3.2 三向表对数线性模型
      • 14.3.3 更复杂的表
    • 14.4 一般事项与分析提示
      • 14.4.1 一般事项
      • 14.4.2 分析提示
  • 第15章 多元变量分析导论
    • 15.1 多元变量数据
    • 15.2 分布与相联
    • 15.3 线性组合、特征向量和特征值
      • 15.3.1 变量的线性组合
      • 15.3.2 特征值
      • 15.3.3 特征向量
      • 15.3.4 分量推导
    • 15.4 多元变量距离和不相似性测度
      • 15.4.1 连续变量不相似性测度
      • 15.4.2 对生变量(二元变量)的不相似性测度
      • 15.4.3 混合变量的一般不相似性测度
      • 15.4.4 不相似性测度方法比较
    • 15.5 比较距离和、或不相似性矩阵
    • 15.6 数据标准化
    • 15.7 标准化、相联和不相似性
    • 15.8 多元变量图
    • 15.9 筛选多元变量集
      • 15.9.1 多元变量异常值
      • 15.9.2 缺失观测值
    • 15.10 一般事项与分析提示
      • 15.10.1 一般事项
      • 15.10.2 分析提示
  • 第16章 多元方差分析与判别分析
    • 16.1 多元方差分析
      • 16.1.1 单因素多元方差分析
      • 16.1.2 特定因子比较
      • 16.1.3 各因变量的相对重要性
      • 16.1.4 多元方差分析的假设
      • 16.1.5 稳健多元方差分析
      • 16.1.6 更复杂的设计
    • 16.2 判别函数分析
      • 16.2.1 描述和假设检验
      • 16.2.2 分类和预测
      • 16.2.3 判别函数分析的假设
      • 16.2.4 更为复杂的设计
    • 16.3 多元方差分析与判别函数分析的比较
    • 16.4 一般问题和分析提示
      • 16.4.1 一般问题
      • 16.4.2 分析提示
  • 第17章 主成分法和对应分析
    • 17.1 主成分分析
      • 17.1.1 成分的提取
      • 17.1.2 相伴矩阵的选择
      • 17.1.3 成分的解释
      • 17.1.4 成分的旋转
      • 17.1.5 要保留多少成分?
      • 17.1.6 假设
      • 17.1.7 稳健主成分分析
      • 17.1.8 图示
      • 17.1.9 成分的其他用途
    • 17.2 因子分析
    • 17.3 对应分析
      • 17.3.1 机制
      • 17.3.2 缩放图和联合图
      • 17.3.3 倒数平均
      • 17.3.4 对应分析在生态数据处理中的应用
      • 17.3.5 反趋势分析
    • 17.4 典型相关分析
    • 17.5 冗余分析
    • 17.6 典型对应分析
    • 17.7 约束和部分排序
    • 17.8 一般问题和分析提示
      • 17.8.1 概要问题
      • 17.8.2 分析提示
  • 第18章 多维排序和聚类分析
    • 18.1 多维尺度分析
      • 18.1.1 经典尺度分析——主坐标分析
      • 18.1.2 增强多维尺度分析
      • 18.1.3 不同组对象间的不相似性和假设检验
      • 18.1.4 多维尺度分析与原始变量
      • 18.1.5 多维尺度分析与共变
    • 18.2 分类
      • 18.2.1 聚类分析
    • 18.3 针对生物学数据进行缩放(排序)和聚类
    • 18.4 一般事项和分析提示
      • 18.4.1 一般事项
      • 18.4.2 分析提示
  • 第19章 结果的展示
    • 19.1 分析的展示
      • 19.1.1 线性模型
      • 19.1.2 其他分析
    • 19.2 表的设计
    • 19.3 数据的概要显示
      • 19.3.1 直方图
      • 19.3.2 线形图(类别分组categoryplot)
      • 19.3.3 散点图
      • 19.3.4 饼图
    • 19.4 误差线
      • 19.4.1 可供选择的其它方法
    • 19.5 口头演讲
      • 19.5.1 幻灯,电脑,或投影仪
      • 19.5.2 绘图软件包
      • 19.5.3 使用色彩
      • 19.5.4 扫描图片
      • 19.5.5 信息含量
    • 19.6 一般事项与分析提示
  • 参考文献

相关图书