顶部
收藏

SPSS统计分析高级教程(第3版)


作者:
张文彤 董伟
定价:
65.00元
ISBN:
978-7-04-049033-6
版面字数:
830.000千字
开本:
16开
全书页数:
暂无
装帧形式:
平装
重点项目:
暂无
出版时间:
2018-01-16
读者对象:
高等教育
一级分类:
数学与统计学类
二级分类:
数学与统计学类其他课程
三级分类:
其他课程

本书全面、系统地介绍了各种多变量统计模型、多元统计分析模型、智能统计分析方法的原理和软件实现,是一本使用SPSS进行高级统计分析的实用性很强的指导书和参考书。本书共分4个部分,分别是一般线性模型、线性混合模型与广义线性模型,回归模型,多元统计分析方法,以及其他统计分析方法。本书基于IBM SPSS Statistics 24中文版,并结合作者多年的统计分析实战经验和SPSS行业应用经验,侧重对统计新方法、新观点的讲解,在保证统计理论严谨权威的同时注重叙述的浅显易懂,使本书更加易学易用。

本书可作为高等学校本科生和研究生统计学相关课程教材,也可作为市场营销、金融、财务、人力资源管理等行业中需要做数据分析的人士,或从事咨询、研究、分析等工作的人士的参考书。

  • 前辅文
  • 第一部分 一般线性模型、线性混合模型与广义线性模型
    • 第1章 方差分析模型
      • 1.1 模型简介
        • 1.1.1 模型入门
        • 1.1.2 常用术语
        • 1.1.3 适用条件
      • 1.2 案例:胶合板磨损深度的比较
        • 1.2.1 操作说明
        • 1.2.2 结果解释
        • 1.2.3 模型参数的估计值
        • 1.2.4 两两比较
        • 1.2.5 其他常用选项
      • 1.3 两因素方差分析模型
        • 1.3.1 案例:超市规模、货架位置与销售量的关系
        • 1.3.2 边际平均值与轮廓图
        • 1.3.3 拟合劣度检验
      • 1.4 因素各水平间的精细比较
        • 1.4.1 POSTHOC子句
        • 1.4.2 EMMEANS子句
        • 1.4.3 LMATRIX和KMATRIX子句
        • 1.4.4 CONSTRAST子句
      • 1.5 方差分析模型进阶
        • 1.5.1 含随机因子的方差分析模型
        • 1.5.2 自定义检验使用的误差项
        • 1.5.3 4类方差分解方法
      • 思考与练习
      • 参考文献
    • 第2章 常用的实验设计分析方法
      • 2.1 仅研究主效应的实验设计方案
        • 2.1.1 完全随机设计
        • 2.1.2 随机区组设计
        • 2.1.3 交叉设计
        • 2.1.4 拉丁方设计
      • 2.2 考虑交互作用的实验设计方案
        • 2.2.1 析因设计
        • 2.2.2 正交设计
        • 2.2.3 均匀设计
      • 2.3 误差项变动的特殊实验设计方案
        • 2.3.1 嵌套设计
        • 2.3.2 重复测量设计
        • 2.3.3 裂区设计
      • 2.4 协方差分析
        • 2.4.1 协方差分析的必要性
        • 2.4.2 平行性假定的检验
        • 2.4.3 计算和检验修正平均值
      • 思考与练习
      • 参考文献
    • 第3章 多元方差分析与重复测量方差分析
      • 3.1 多元方差分析
        • 3.1.1 模型简介
        • 3.1.2 案例:青少年牙齿发育状况跟踪
      • 3.2 重复测量数据的方差分析
        • 3.2.1 模型简介
        • 3.2.2 案例:进一步考察年龄对牙齿发育的影响
      • 思考与练习
      • 参考文献
    • 第4章 线性混合模型
      • 4.1 模型简介
        • 4.1.1 问题的提出
        • 4.1.2 模型入门
      • 4.2 层次聚集性数据案例
        • 4.2.1 拟合基本模型结构
        • 4.2.2 在固定效应中加入自变量
        • 4.2.3 在随机效应中加入自变量
        • 4.2.4 更多自变量的引入
        • 4.2.5 其他常用选项
      • 4.3 重复测量数据案例
        • 4.3.1 对数据的初步分析
        • 4.3.2 拟合基本模型结构
        • 4.3.3 考虑测量间的相关性
        • 4.3.4 更改对测量间相关性的假定
        • 4.3.5 模型中可用的相关矩阵种类
      • 4.4 线性混合模型进阶
        • 4.4.1 线性混合模型的用途
        • 4.4.2 线性混合模型与一般线性模型的联系
      • 思考与练习
      • 参考文献
    • 第5章 广义线性模型、广义估计方程与广义线性混合模型
      • 5.1 广义线性模型
        • 5.1.1 模型简介
        • 5.1.2 分析案例
      • 5.2 广义估计方程
        • 5.2.1 模型简介
        • 5.2.2 分析案例
      • 5.3 广义线性混合模型
        • 5.3.1 模型简介
        • 5.3.2 分析案例
      • 思考与练习
      • 参考文献
  • 第二部分 回 归 模 型
    • 第6章 多重线性回归模型
      • 6.1 模型简介
        • 6.1.1 基本概念
        • 6.1.2 分析步骤
      • 6.2 案例:销售收入影响因素分析
        • 6.2.1 基本分析结果
        • 6.2.2 回归模型的假设检验
        • 6.2.3 偏回归系数的假设检验
        • 6.2.4 标准化偏回归系数
        • 6.2.5 衡量回归模型效果的指标
      • 6.3 回归预测与区间估计
        • 6.3.1 模型预测值
        • 6.3.2 模型的区间估计
        • 6.3.3 如何将模型用于预测
      • 6.4 残差分析
        • 6.4.1 模型的残差
        • 6.4.2 利用残差考察模型适用条件
      • 6.5 逐步回归
        • 6.5.1 筛选自变量的基本原则
        • 6.5.2 常用的逐步回归方法
        • 6.5.3 案例:固体垃圾排放量与土地种类的关系
      • 6.6 模型的进一步诊断与修正
        • 6.6.1 强影响点的识别与处理
        • 6.6.2 多重共线性的识别与处理
        • 6.6.3 回归模型结果解释时应注意的问题
      • 6.7 自动线性建模
        • 6.7.1 界面说明
        • 6.7.2 案例:生成更高精度的预测模型
      • 思考与练习
      • 参考文献
    • 第7章 线性回归的衍生模型
      • 7.1 非直线趋势的处理:曲线直线化
        • 7.1.1 模型简介
        • 7.1.2 案例:通风时间和毒物浓度的曲线方程
        • 7.1.3 使用曲线估算过程分析
      • 7.2 方差不齐的处理:加权最小二乘法
        • 7.2.1 模型简介
        • 7.2.2 案例:不等量样品数据的回归方程
        • 7.2.3 使用WLS过程分析
      • 7.3 共线性的处理:岭回归
        • 7.3.1 模型简介
        • 7.3.2 案例:用外形指标推测胎儿周龄
      • 7.4 分类变量的数值化:最优尺度回归
        • 7.4.1 模型简介
        • 7.4.2 案例:生育子女数的回归模型
        • 7.4.3 应用最优尺度回归方法的注意事项
      • 7.5 强影响点的弱化:稳健回归与分位数回归
        • 7.5.1 稳健回归
        • 7.5.2 分位数回归
      • 7.6 其余回归模型简介
        • 7.6.1 断点回归
        • 7.6.2 Tobit回归
      • 思考与练习
      • 参考文献
    • 第8章 路径分析入门
      • 8.1 两阶段最小二乘法
        • 8.1.1 模型简介
        • 8.1.2 案例:人口背景资料对收入的影响
        • 8.1.3 使用2SLS过程进行分析
      • 8.2 路径分析入门
        • 8.2.1 模型简介
        • 8.2.2 案例:住院费用影响因素研究
      • 8.3 偏最小二乘法入门
        • 8.3.1 模型简介
        • 8.3.2 案例:拟合推测胎儿周龄的回归方程
      • 思考与练习
      • 参考文献
    • 第9章 非线性回归模型
      • 9.1 模型简介
        • 9.1.1 问题的提出
        • 9.1.2 模型框架
      • 9.2 案例:通风时间和毒物浓度的曲线方程
        • 9.2.1 操作说明
        • 9.2.2 结果解释
        • 9.2.3 对模型的进一步分析
      • 9.3 自定义损失函数:最小一乘法
        • 9.3.1 预分析
        • 9.3.2 操作说明
        • 9.3.3 结果解释
      • 9.4 分段回归模型的拟合
        • 9.4.1 预分析
        • 9.4.2 操作说明
        • 9.4.3 结果解释
      • 9.5 非线性回归模型进阶
        • 9.5.1 参数初始值的设定
        • 9.5.2 模型的拟合方法
      • 思考与练习
      • 参考文献
    • 第10章 二分类Logistic回归模型
      • 10.1 模型简介
        • 10.1.1 模型入门
        • 10.1.2 一些基本概念
      • 10.2 案例:低出生体重儿影响因素研究
        • 10.2.1 操作说明
        • 10.2.2 结果解释
      • 10.3 分类自变量的定义与比较方法
        • 10.3.1 使用哑变量的必要性
        • 10.3.2 SPSS中预设的哑变量编码方式
        • 10.3.3 设置哑变量时的注意事项
      • 10.4 自变量的筛选方法与逐步回归
        • 10.4.1 模型中的假设检验方法
        • 10.4.2 SPSS中提供的自变量筛选方法
        • 10.4.3 案例:低体重儿数据的逐步回归
      • 10.5 弗斯Logistic回归
        • 10.5.1 模型简介
        • 10.5.2 案例:骨肉瘤病患预后分析
      • 10.6 Logistic回归模型进阶
        • 10.6.1 模型拟合效果的判断
        • 10.6.2 拟合优度检验
        • 10.6.3 残差分析
        • 10.6.4 多重共线性问题
      • 思考与练习
      • 参考文献
    • 第11章 多分类、配对Logistic回归与Probit回归模型
      • 11.1 有序多分类Logistic回归模型
        • 11.1.1 模型简介
        • 11.1.2 案例:工作满意度影响因素分析
        • 11.1.3 模型适用条件的考察
      • 11.2 无序多分类Logistic回归模型
        • 11.2.1 模型简介
        • 11.2.2 案例:不同背景人群的选举倾向
      • 11.3 1∶1配对Logistic回归
        • 11.3.1 模型简介
        • 11.3.2 案例:雌激素与患子宫内膜癌的关系
      • 11.4 Probit回归模型
        • 11.4.1 模型简介
        • 11.4.2 案例一:与Logistic回归模型比较
        • 11.4.3 案例二:计算LD
      • 思考与练习
      • 参考文献
    • 第12章 对数线性模型、Poisson回归模型与潜类别分析
      • 12.1 对数线性模型简介
        • 12.1.1 模型入门
        • 12.1.2 软件实现
      • 12.2 一般对数线性模型
        • 12.2.1 初步分析
        • 12.2.2 对案例的进一步分析
      • 12.3 因果关系明确时的对数线性模型
        • 12.3.1 操作说明
        • 12.3.2 结果解释
      • 12.4 对数线性模型的自动筛选
        • 12.4.1 模型的选择策略
        • 12.4.2 分析案例
      • 12.5 对数线性模型与其他模型的关系
        • 12.5.1 与方差分析模型的关系
        • 12.5.2 与Logistic回归的关系
      • 12.6 Poisson回归模型
        • 12.6.1 模型简介
        • 12.6.2 案例:冠心病死亡与吸烟的关系
      • 12.7 潜类别分析简介
        • 12.7.1 模型简介
        • 12.7.2 分析案例
      • 思考与练习
      • 参考文献
  • 第三部分 多元统计分析方法
    • 第13章 主成分分析、因子分析与多维偏好分析
      • 13.1 主成分分析
        • 13.1.1 模型简介
        • 13.1.2 案例:各地区经济发展情况综合评价
      • 13.2 因子分析
        • 13.2.1 模型简介
        • 13.2.2 案例:对各地区经济数据的进一步分析
      • 13.3 因子分析进阶
        • 13.3.1 公因子提取方法
        • 13.3.2 相关矩阵和协方差
        • 13.3.3 如何确定公因子数量
        • 13.3.4 主成分分析和因子分析的比较
      • 13.4 分类数据的主成分分析(多维偏好分析)
        • 13.4.1 模型简介
        • 13.4.2 界面说明
        • 13.4.3 案例:汽车偏好研究
      • 思考与练习
      • 参考文献
    • 第14章 对应分析
      • 14.1 模型简介
        • 14.1.1 问题的提出
        • 14.1.2 模型入门
        • 14.1.3 软件实现
      • 14.2 案例:头发颜色与眼睛颜色的关联
        • 14.2.1 预分析
        • 14.2.2 正式分析
        • 14.2.3 分析结果的正确解释
        • 14.2.4 对案例的进一步分析
      • 14.3 基于平均值的对应分析
        • 14.3.1 基本原理
        • 14.3.2 案例:城市市政工程建设状况的对应分析
      • 14.4 对应分析进阶
        • 14.4.1 特殊类别的处理
        • 14.4.2 对应分析与因子分析的关系
        • 14.4.3 对应分析的优势与劣势
      • 14.5 基于最优尺度变换的多重对应分析
        • 14.5.1 基本原理
        • 14.5.2 案例:轿车用户背景资料的对应分析
      • 思考与练习
      • 参考文献
    • 第15章 典型相关分析
      • 15.1 模型简介
        • 15.1.1 基本原理
        • 15.1.2 数学描述
      • 15.2 案例:体力指标和运动能力指标的相关分析
        • 15.2.1 操作说明
        • 15.2.2 典型相关系数
        • 15.2.3 典型结构分析
        • 15.2.4 典型冗余分析
      • 15.3 典型相关分析进阶
        • 15.3.1 如何应用典型相关分析
        • 15.3.2 如何理解典型相关分析的结果
        • 15.3.3 对应分析与典型相关分析的等价性
        • 15.3.4 典型相关分析和因子分析的关系
      • 15.4 基于最优尺度变换的非线性典型相关分析
        • 15.4.1 基本原理
        • 15.4.2 案例:多重对应分析数据的再分析
      • 思考与练习
      • 参考文献
    • 第16章 多维尺度分析
      • 16.1 不考虑个体差异的多维尺度分析模型
        • 16.1.1 模型简介
        • 16.1.2 案例:城市间的地面距离
        • 16.1.3 距离的各种提供方式
      • 16.2 考虑个体差异的多维尺度分析模型
        • 16.2.1 模型简介
        • 16.2.2 案例:饮料的口味差异评价
        • 16.2.3 模型结果的解释与优化
      • 16.3 基于最优尺度变换的多维尺度分析模型
        • 16.3.1 模型简介
        • 16.3.2 界面说明
        • 16.3.3 案例:用PROXSCAL过程分析饮料数据
        • 16.3.4 在模型中考虑更多维度
      • 16.4 多维展开模型
        • 16.4.1 模型简介
        • 16.4.2 案例:场景和行为间的匹配关系
      • 思考与练习
      • 参考文献
    • 第17章 聚类分析
      • 17.1 模型简介
        • 17.1.1 问题的提出
        • 17.1.2 聚类分析入门
        • 17.1.3 聚类分析的方法体系
      • 17.2 K-均值聚类法
        • 17.2.1 基本原理
        • 17.2.2 案例:移动通信客户细分
      • 17.3 聚类结果的验证与自动优化
        • 17.3.1 聚类结果的验证
        • 17.3.2 聚类用变量的调整
        • 17.3.3 聚类结果的自动优化
      • 17.4 层次聚类法
        • 17.4.1 基本原理
        • 17.4.2 案例:体操裁判打分倾向聚类
        • 17.4.3 各种层次聚类法
      • 17.5 两步聚类法
        • 17.5.1 基本原理
        • 17.5.2 案例:病例数据的聚类分析
      • 17.6 聚类分析进阶
        • 17.6.1 利用标准化来调整聚类模式
        • 17.6.2 如何选择聚类分析方法
        • 17.6.3 距离/相似性测量的指标体系
        • 17.6.4 基于密度的聚类分析方法简介
      • 思考与练习
      • 参考文献
    • 第18章 经典判别分析
      • 18.1 模型简介
        • 18.1.1 基本原理
        • 18.1.2 适用条件
        • 18.1.3 判别效果的评价
        • 18.1.4 分析步骤
      • 18.2 案例:鸢尾花种类判别
        • 18.2.1 操作说明
        • 18.2.2 结果解释
        • 18.2.3 判别结果的图形化展示
        • 18.2.4 判别效果的验证
        • 18.2.5 将模型用于新案例分类
        • 18.2.6 适用条件的判断
      • 18.3 贝叶斯判别分析
        • 18.3.1 基本原理
        • 18.3.2 软件实现
      • 18.4 判别分析进阶
        • 18.4.1 逐步判别分析
        • 18.4.2 判别分析和因子分析的相似性和差异
        • 18.4.3 二类判别分析和多重回归分析的等价性
      • 思考与练习
      • 参考文献
  • 第四部分 其他统计分析方法
    • 第19章 树模型、随机森林与最近邻元素法
      • 19.1 树模型简介
        • 19.1.1 问题的提出
        • 19.1.2 模型入门
        • 19.1.3 模型特点
      • 19.2 案例:移动客户流失预测
        • 19.2.1 操作说明
        • 19.2.2 结果解释
      • 19.3 对案例的进一步分析
        • 19.3.1 各自变量的重要性
        • 19.3.2 考虑应用模型时的成本与收益
        • 19.3.3 考虑进一步细分和剪枝
        • 19.3.4 将模型输出为判别程序
      • 19.4 常见的树模型算法
        • 19.4.1 CHAID算法和穷举CHAID算法
        • 19.4.2 CRT算法
        • 19.4.3 QUEST算法
        • 19.4.4 C5.0算法
      • 19.5 随机森林
        • 19.5.1 模型简介
        • 19.5.2 案例:客户风险等级评估
        • 19.5.3 操作说明
        • 19.5.4 结果解释
      • 19.6 最近邻元素法
        • 19.6.1 模型简介
        • 19.6.2 案例:鸢尾花种类判别
        • 19.6.3 k-最近邻元素模型的本质
      • 思考与练习
      • 参考文献
    • 第20章 神经网络与支持向量机
      • 20.1 模型简介
        • 20.1.1 基本原理
        • 20.1.2 注意事项
      • 20.2 案例:对低出生体重儿案例的重新分析
        • 20.2.1 操作说明
        • 20.2.2 结果解释
      • 20.3 对案例的进一步分析
        • 20.3.1 模型效果的图形观察
        • 20.3.2 尝试将模型复杂化
        • 20.3.3 纳入更多候选自变量
      • 20.4 径向基神经网络
        • 20.4.1 基本原理
        • 20.4.2 分析案例
      • 20.5 支持向量机简介
        • 20.5.1 基本原理
        • 20.5.2 分析案例
      • 思考与练习
      • 参考文献
    • 第21章 信度分析
      • 21.1 信度理论入门
        • 21.1.1 真分数测量理论
        • 21.1.2 信度与效度
        • 21.1.3 内在信度与外在信度
        • 21.1.4 真分数测量理论的缺陷
      • 21.2 案例:问卷信度分析
        • 21.2.1 Alpha信度系数
        • 21.2.2 对各项目的进一步分析
        • 21.2.3 对真分数测量理论适用条件的考察
      • 21.3 其他常用的信度系数
        • 21.3.1 重测信度
        • 21.3.2 折半信度
        • 21.3.3 Guttman折半系数
        • 21.3.4 平行模型的信度系数
        • 21.3.5 严格平行模型的信度系数
        • 21.3.6 评分者信度
        • 21.3.7 信度系数总结
      • 21.4 概化理论简介
        • 21.4.1 概化理论入门
        • 21.4.2 软件实现
      • 21.5 项目反应理论简介
        • 21.5.1 项目反应理论入门
        • 21.5.2 软件实现
      • 思考与练习
      • 参考文献
    • 第22章 联合分析
      • 22.1 模型简介
        • 22.1.1 为什么使用联合分析
        • 22.1.2 常用术语
        • 22.1.3 分析步骤
        • 22.1.4 软件实现
      • 22.2 联合分析的正交设计
        • 22.2.1 生成设计表格
        • 22.2.2 输出设计卡片
      • 22.3 联合分析的数据建模
        • 22.3.1 CONJOINT的过程语法说明
        • 22.3.2 案例:汽车偏好研究
        • 22.3.3 对案例的进一步分析
      • 22.4 联合分析进阶
        • 22.4.1 适应性联合分析
        • 22.4.2 基于选择的联合分析
      • 思考与练习
      • 参考文献
    • 第23章 时间序列模型
      • 23.1 模型简介
        • 23.1.1 基本概念
        • 23.1.2 模型分类
        • 23.1.3 分析步骤
        • 23.1.4 软件实现
      • 23.2 时间序列的建立和平稳化
        • 23.2.1 填补缺失值
        • 23.2.2 定义时间变量
        • 23.2.3 时间序列的平稳化
      • 23.3 时间序列的图形化观察
        • 23.3.1 序列图
        • 23.3.2 自相关图
        • 23.3.3 互相关图
      • 23.4 时间序列的建模与预测
        • 23.4.1 指数平滑模型简介
        • 23.4.2 ARMA模型简介
        • 23.4.3 案例:nrc数据的建模预测
      • 23.5 季节性分解
        • 23.5.1 模型简介
        • 23.5.2 案例:对完整序列nrc2进行季节性分解
      • 23.6 时间因果模型
        • 23.6.1 模型简介
        • 23.6.2 案例:KPI驱动因素发现
      • 思考与练习
      • 参考文献
    • 第24章 生存分析
      • 24.1 生存分析简介
        • 24.1.1 生存分析简史
        • 24.1.2 基本概念
        • 24.1.3 生存分析的基本内容
        • 24.1.4 软件实现
      • 24.2 生存函数的估计和检验
        • 24.2.1 生存函数的基本估计方法
        • 24.2.2 Kaplan-Meier法
        • 24.2.3 寿命表法
        • 24.2.4 两种方法的比较
      • 24.3 Cox回归模型
        • 24.3.1 模型简介
        • 24.3.2 案例:术中放疗效果分析
        • 24.3.3 模型结果的图形观察
      • 24.4 含时依协变量的Cox回归模型
        • 24.4.1 时依协变量的种类
        • 24.4.2 用时依协变量模型验证比例风险性
        • 24.4.3 用时依协变量模型考察内在时依协变量的影响
      • 24.5 Cox回归模型进阶
        • 24.5.1 生存分析中的分层变量
        • 24.5.2 用Cox回归模型拟合1∶n配伍Logistic回归模型
        • 24.5.3 竞争风险的Cox回归模型
      • 24.6 加速失效时间模型
        • 24.6.1 模型简介
        • 24.6.2 案例:对术中放疗案例拟合参数模型
      • 思考与练习
      • 参考文献
    • 第25章 缺失值分析
      • 25.1 缺失值理论简介
        • 25.1.1 数据的缺失机制
        • 25.1.2 缺失值的处理方法
      • 25.2 对缺失情况的基本分析
        • 25.2.1 生成缺失数据
        • 25.2.2 缺失模式分析
        • 25.2.3 缺失情况的描述统计
      • 25.3 缺失值填补技术
        • 25.3.1 列表输出
        • 25.3.2 使用回归算法进行填补
        • 25.3.3 使用EM算法进行填补
      • 25.4 多重填补
        • 25.4.1 模型简介
        • 25.4.2 缺失模式分析
        • 25.4.3 缺失值的多重填补
        • 25.4.4 采用填补后数据建模
      • 思考与练习
      • 参考文献
    • 附录1 常见多变量/多元统计分析方法分类图
    • 附录2 Python插件和R插件的安装方法

本数字课程与《SPSS统计分析高级教程数字课程(第3版)》纸质教材一体化设计,配套使用,内容包括电子教案、数据文件等教学辅助资源,丰富了知识的呈现形式,拓展了教材内容。

相关图书