《统计学高级教程：回归分析（原书第8版） [美]威廉·门登霍尔》[99]百度网盘|亲测有效|pdf下载

编辑推荐

《统计学高级教程：回归分析》（原书第8版）是一本广泛使用的教材。本书虽然是高级教程，但是数学要求并不高（具备简单的微积分知识即可，没有也没关系，不妨碍对本书思想的理解），可以作为本科生统计入门教材。书中大量基于真实数据的示例、案例和练习，使得读者能够将统计模型和现实世界的问题联系起来；书中还提供了大量的SAS、SPSS和MINitab输出解读，这些对技术人员解决实际问题很有帮助。

内容简介

本书通过实例以逻辑直观的方式解释概念。本书强调模型构建——建立适当的统计模型是任何回归分析的基础，还将回归分析作为解决问题的工具。书中大量基于真实数据的示例、练习和案例研究，使读者将关于模型的问题与现实世界的问题联系起来，本书还通过SAS、 SPSS、 MINITAB的输出结果分析模型并解释样本数据。这本书可作为统计或非统计专业本科生统计课程的教材，以及其他工科领域研究生的应用回归分析课程的教材。

作者简介

威廉·门登霍尔（William Mendenhall）是佛罗里达大学统计系的创始人，1963年到1977年在该系任职。他曾担任巴克内尔大学的数学系教授。作为一位多产的统计教科书作者，他的Introduction to probability and statistics、Statistics for Engineering and the Sciences被全世界多所高校选用。门登霍尔博士于1978年以荣誉教授的身份退休，并继续撰写教科书，直到2009年去世。
特里·辛西奇（Terry Sincich）于1980年在佛罗里达大学获得统计学博士学位，曾任教于佛罗里达大学以及南佛罗里达大学，并获得许多研究生和本科生统计课程的教学奖，现在是美国统计协会和决策科学研究所的成员。他的研究领域是应用统计建模和分析。

目　　录

目　　录 br / 译者序 br / 前言 br / 第1章　基本概念回顾（选修）　1 br / 1.1　统计与数据　1 br / 1.2　总体、样本和随机抽样　4 br / 1.3　定性数据描述　7 br / 1.4　定量数据的图形化描述　12 br / 1.5　定量数据的数值型描述　18 br / 1.6　正态概率分布　23 br / 1.7　抽样分布与中心极限定理　27 br / 1.8　估计总体均值　30 br / 1.9　关于总体均值的假设检验　39 br / 1.10　关于两个总体均值之差的推断　47 br / 1.11　两个总体方差的比较　59 br / 第2章　回归分析导论　77 br / 2.1　因变量建模　77 br / 2.2　回归分析概述　79 br / 2.3　回归应用　80 br / 2.4　收集回归数据　82 br / 第3章　简单线性回归　85 br / 3.1　引言　85 br / 3.2　线性概率模型　85 br / 3.3　模型拟合：最小二乘法　87 br / 3.4　模型假设　99 br / 3.5　σ2的估计量　100 br / 3.6　评估模型的效用：推断斜率β1　104 br / 3.7　相关系数　110 br / 3.8　判定系数　114 br / 3.9　利用模型进行估计和预测　120 br / 3.10　完整案例分析　128 br / 3.11　经过原点的回归（选修）　134 br / 案例研究1　律所广告——值得吗？　153 br / 第4章　多元回归模型　160 br / 4.1　多元回归模型的一般形式　160 br / 4.2　模型假设　161 br / 4.3　具有定量预测因子的一阶模型　162 br / 4.4　模型拟合：最小二乘法　163 br / 4.5　ε的方差σ2的估计　166 br / 4.6　模型效用检验：方差分析F检验　167 br / 4.7　推断单个参数β　169 br / 4.8　多重判定系数：R2和R2a　172 br / 4.9　使用模型进行估计和预测　182 br / 4.10　具有定量预测因子的交互模型　187 br / 4.11　具有定量预测因子的二次（二阶） br / 模型　194 br / 4.12　更复杂的多元回归模型（选修）　203 br / 4.13　用于比较嵌套模型的检验　221 br / 4.14　完整案例分析　230 br / 案例研究2　4个街区房地产销售价格的 br / 模型　249 br / 第5章　模型构建　260 br / 5.1　引言：为什么模型构建很重要？　260 br / 5.2　两类自变量：定量变量和定性变量　261 br / 5.3　具有单个定量自变量的模型　263 br / 5.4　具有两个或两个以上定量自变量的 br / 一阶模型　271 br / 5.5　具有两个或两个以上定量自变量的 br / 二阶模型　273 br / 5.6　编码定量自变量（选修）　281 br / 5.7　具有一个定性自变量的模型　287 br / 5.8　具有两个定性自变量的模型　291 br / 5.9　具有三个或三个以上定性自变量的 br / 模型　301 br / 5.10　既有定量自变量又有定性自变量的 br / 模型　303 br / 5.11　外部模型验证（选修）　312 br / 第6章　变量筛选法　325 br / 6.1　引言：为什么使用变量筛选法？　325 br / 6.2　逐步回归分析　326 br / 6.3　所有可能的回归选择过程　331 br / 6.4　注意事项　335 br / 案例研究3　解除对州内卡车运输业的 br / 管制　342 br / 第7章　一些回归陷阱　350 br / 7.1　引言　350 br / 7.2　观测数据与实验设计　350 br / 7.3　参数估计与解释　352 br / 7.4　多重共线性　357 br / 7.5　外推法：在实验区域之外进行预测　362 br / 7.6　变量转换　363 br / 第8章　残差分析　376 br / 8.1　引言　376 br / 8.2　回归残差　376 br / 8.3　检验拟合不当　380 br / 8.4　检验异方差　389 br / 8.5　检验正态性假设　401 br / 8.6　检测异常值并识别有影响的观测值　407 br / 8.7　检验残差自相关性：Durbin-Watson br / 检验　419 br / 案例研究4　对加利福尼亚州降雨量的 br / 分析　435 br / 案例研究5　对公开拍卖中公寓销售价格 br / 影响因素的研究　442 br / 第9章　回归中的特殊主题（选修）　459 br / 9.1　引言　459 br / 9.2　分段线性回归　459 br / 9.3　反向预测　469 br / 9.4　加权最小二乘法　477 br / 9.5　定性因变量建模　485 br / 9.6　logistic回归　488 br / 9.7　泊松回归　501 br / 9.8　岭回归与LASSO回归　509 br / 9.9　稳健回归　513 br / 9.10　非参数回归模型　517 br / 第10章　时间序列建模与预测导论　521 br / 10.1　什么是时间序列？　521 br / 10.2　时间序列分量　521 br / 10.3　使用平滑技术进行预测（选修）　523 br / 10.4　预测：回归方法　537 br / 10.5　自相关和自回归误差模型　545 br / 10.6　其他自相关误差模型（选修）　547 br / 10.7　构建时间序列模型　549 br / 10.8　拟合具有自回归误差的时间序列 br / 模型　553 br / 10.9　时间序列自回归模型预测　560 br / 10.10　季节性时间序列模型：示例　565 br / 10.11　使用因变量的滞后值进行预测 br / （选修）　568 br / 案例研究6　建立每日用电需求高峰 br / 模型　575 br / 第11章　实验设计原理　585 br / 11.1　引言　585 br / 11.2　实验设计术语　585 br / 11.3　控制实验中的信息　587 br / 11.4　降噪设计　588 br / 11.5　容量增加设计　594 br / 11.6　样本量的确定　599 br / 11.7　随机化的重要性　601 br / 第12章　设计实验的方差分析　604 br / 12.1　引言　604 br / 12.2　方差分析的理论逻辑　604

目　　录 译者序 前言 第1章　基本概念回顾（选修）　1 1.1　统计与数据　1 1.2　总体、样本和随机抽样　4 1.3　定性数据描述　7 1.4　定量数据的图形化描述　12 1.5　定量数据的数值型描述　18 1.6　正态概率分布　23 1.7　抽样分布与中心极限定理　27 1.8　估计总体均值　30 1.9　关于总体均值的假设检验　39 1.10　关于两个总体均值之差的推断　47 1.11　两个总体方差的比较　59 第2章　回归分析导论　77 2.1　因变量建模　77 2.2　回归分析概述　79 2.3　回归应用　80 2.4　收集回归数据　82 第3章　简单线性回归　85 3.1　引言　85 3.2　线性概率模型　85 3.3　模型拟合：最小二乘法　87 3.4　模型假设　99 3.5　σ2的估计量　100 3.6　评估模型的效用：推断斜率β1　104 3.7　相关系数　110 3.8　判定系数　114 3.9　利用模型进行估计和预测　120 3.10　完整案例分析　128 3.11　经过原点的回归（选修）　134 案例研究1　律所广告——值得吗？　153 第4章　多元回归模型　160 4.1　多元回归模型的一般形式　160 4.2　模型假设　161 4.3　具有定量预测因子的一阶模型　162 4.4　模型拟合：最小二乘法　163 4.5　ε的方差σ2的估计　166 4.6　模型效用检验：方差分析F检验　167 4.7　推断单个参数β　169 4.8　多重判定系数：R2和R2a　172 4.9　使用模型进行估计和预测　182 4.10　具有定量预测因子的交互模型　187 4.11　具有定量预测因子的二次（二阶） 模型　194 4.12　更复杂的多元回归模型（选修）　203 4.13　用于比较嵌套模型的检验　221 4.14　完整案例分析　230 案例研究2　4个街区房地产销售价格的 模型　249 第5章　模型构建　260 5.1　引言：为什么模型构建很重要？　260 5.2　两类自变量：定量变量和定性变量　261 5.3　具有单个定量自变量的模型　263 5.4　具有两个或两个以上定量自变量的 一阶模型　271 5.5　具有两个或两个以上定量自变量的 二阶模型　273 5.6　编码定量自变量（选修）　281 5.7　具有一个定性自变量的模型　287 5.8　具有两个定性自变量的模型　291 5.9　具有三个或三个以上定性自变量的 模型　301 5.10　既有定量自变量又有定性自变量的 模型　303 5.11　外部模型验证（选修）　312 第6章　变量筛选法　325 6.1　引言：为什么使用变量筛选法？　325 6.2　逐步回归分析　326 6.3　所有可能的回归选择过程　331 6.4　注意事项　335 案例研究3　解除对州内卡车运输业的 管制　342 第7章　一些回归陷阱　350 7.1　引言　350 7.2　观测数据与实验设计　350 7.3　参数估计与解释　352 7.4　多重共线性　357 7.5　外推法：在实验区域之外进行预测　362 7.6　变量转换　363 第8章　残差分析　376 8.1　引言　376 8.2　回归残差　376 8.3　检验拟合不当　380 8.4　检验异方差　389 8.5　检验正态性假设　401 8.6　检测异常值并识别有影响的观测值　407 8.7　检验残差自相关性：Durbin-Watson 检验　419 案例研究4　对加利福尼亚州降雨量的 分析　435 案例研究5　对公开拍卖中公寓销售价格 影响因素的研究　442 第9章　回归中的特殊主题（选修）　459 9.1　引言　459 9.2　分段线性回归　459 9.3　反向预测　469 9.4　加权最小二乘法　477 9.5　定性因变量建模　485 9.6　logistic回归　488 9.7　泊松回归　501 9.8　岭回归与LASSO回归　509 9.9　稳健回归　513 9.10　非参数回归模型　517 第10章　时间序列建模与预测导论　521 10.1　什么是时间序列？　521 10.2　时间序列分量　521 10.3　使用平滑技术进行预测（选修）　523 10.4　预测：回归方法　537 10.5　自相关和自回归误差模型　545 10.6　其他自相关误差模型（选修）　547 10.7　构建时间序列模型　549 10.8　拟合具有自回归误差的时间序列 模型　553 10.9　时间序列自回归模型预测　560 10.10　季节性时间序列模型：示例　565 10.11　使用因变量的滞后值进行预测 （选修）　568 案例研究6　建立每日用电需求高峰 模型　575 第11章　实验设计原理　585 11.1　引言　585 11.2　实验设计术语　585 11.3　控制实验中的信息　587 11.4　降噪设计　588 11.5　容量增加设计　594 11.6　样本量的确定　599 11.7　随机化的重要性　601 第12章　设计实验的方差分析　604 12.1　引言　604 12.2　方差分析的理论逻辑　604

显示全部信息

前　　言

前　　言 br / 概述 br / 本书专为两种类型的统计课程而设计. 前几章内容结合精选的案例研究，适合统计或非统计专业本科生作为统计入门课程的教材进行学习. 同时，本书亦适合其他领域的硕士或博士研究生作为应用回归分析课程的教材进行学习. br / 初看之下，本书针对两种类型的设计目标可能并不一致. 本书如何能同时适用于本科生和研究生呢？答案藏于内容之中. 与统计理论课程相比，应用回归分析课程所需的数学知识水平较低. 因此，本科生和研究生在学习时遇到的困难大同小异. 挑战在于应用：分析实际问题，根据特定情况选定适当的线性模型，并知道哪种推断技术可以回答研究人员的实际问题. 上述都需要经验，这也就解释了为什么非统计学专业的本科生和研究生均可以学习回归分析方面的内容，并均可从中受益. br / 统计入门课程 br / 在统计入门课程中，很难划定一整学年中下学期的高级课程应当包含的知识量. 通常，可以针对第1章（基本概念回顾）进行一些讲解，以确保所有学生都具有相同的背景知识. 第2章（回归分析导论）、第3章（简单线性回归）、第4章（多元回归模型）、第5章（模型构建）、第6章（变量筛选法）、第7章（一些回归陷阱）和第8章（残差分析）是应用回归分析课程的核心内容. 第10章（时间序列建模与预测导论）、第11章（实验设计原理）和第12章（设计实验的方差分析）可以作为额外的知识点. br / 研究生应用回归分析课程 br / 个人认为，应用型研究生课程的质量不是以涵盖的知识量或学生的记忆程度来衡量的. 衡量标准应当是学生如何应用课程中所涵盖的技术，去解决他们在具体研究领域中遇到的实际问题. 因此，我们建议只有当学生已具备应用相应技术的能力后，才能进行下一主题的学习. 课堂中的案例分析讨论环节，将有助于学生分析问题并选择合适的技术方法，从而将模型选择与构建（第4～8章）与实际问题进行有效联系. （在相关章之后的）七个案例研究正是基于此目的. br / 研究生应用回归分析课程的教授内容不仅应包含统计入门课程的知识点，还应涉及附录A（简单线性回归中β0和β1的最小二乘估计推导）、附录B（多元回归分析的原理）、附录C br / （矩阵求逆的过程）、在线资源网站上提供的统计软件（SAS、SPSS、MINITAB 或 R）教程、第9章（回归中的特殊主题）以及其他选修章节. 与本科课程一样，我们建议运用案例研究和课堂讨论的形式来培养学生建立适当的统计模型和解释分析结果的能力. br / 特色 br / 1. 可读性. 我们有意将本书作为教学书籍，通过示例等形式以逻辑直观的方式解释概念. br / 2. 重视建模. 建立合适的统计模型是进行回归分析的基础. 建模思想主要在第 4～8 章中予以讨论，并贯穿于整本书之中. br / 3. 强调运用回归技术. 除阐述回归分析的基本概念和方法之外，本书还强调将其作为一种技术工具去解决实际的应用问题. 因此，本书的主要目标之一是培养读者将回归分析应用于现实生活场景的技能. br / 4. 基于真实数据的示例和练习. 本书包含许多数据示例，用以详细阐述模型构建、数据分析和结果解释等重要方面. 几乎所有练习的数据和研究均来源于新闻报道、杂志或期刊. 练习位于关键小节和每章的末尾. br / 5. 案例研究. 本书共包含七个案例研究，每个案例研究都解决一个现实生活中的研究问题. 读者可以了解如何使用回归分析，并通过建立适当的统计模型来分析和解释样本数据，进而解决实际问题. br / 6. 数据集. 在线资源提供了案例研究、练习和示例相关的完整数据集. 读者可以用其进行模型构建和数据分析. br / 7. 广泛使用统计软件. 在线资源提供了有关如何使用四种流行的统计软件包（SAS、SPSS、MINITAB 和 R）的教程，相应统计软件的输出结果在本书中均有所介绍和讨论. br / 8. 章末总结. 通过流程图（有助于选择适当的统计方法）、关键术语、公式、定义、列表和关键概念，强化本章所学. br / 第8版更新之处 br / 尽管范围和覆盖面保持不变，但第8版包含了一些实质性的修订. br / 1. 更新和新增案例研究. 对案例研究2（4个街区房地产销售价格的模型）所使用的数据进行了更新. 在关于方差分析的一章后新增案例研究7（声音识别与面部识别—是否有先后之分？）. br / 2. 基于真实数据的练习. 更新和新增了许多基于当代研究和各个领域真实数据的练习.大多数练习都可以培养和提升批判性思维技能. br / 3. 统计软件输出结果. 本书中显示的所有统计软件输出结果均已更新，以匹配MINITAB、SAS 和 SPSS软件的最新版本. br / 4. 更新统计软件教程. 在网址www.pearson.com/math-stats-resources可找到相应统计软件教程. 本书的在线资源更新了有关如何使用Windows系统中SAS、SPSS、MINITAB 和 R 的教程，包含详细的分步操作和屏幕截图. br / 5. 更新第9章（回归中的特殊主题）. 对logistic回归（9.6节）进行了扩展，并新增了泊松回归（9.7节）、岭回归与LASSO回归（9.8节）. br / 基于早期版本读者的建议与反馈，我们对本书中的一些细节进行了适当的修正. br / 补充材料 br / 除正文外，本书还附有以下补充材料： br / 1. 教师答案手册. 教师答案手册提供了本书偶数序号练习的完整解答过程. br / 2.数据文件. 数据文件可以在本书的资源网站www.pearson.com/math-stats-resources下载. 在线资源提供了本书所有数据文件集，即示例、练习和案例研究的数据集. 所有以“.csv”为后缀格式的数据文件集可直接导入统计软件R中，其余SAS（“.sas7bdat”）、SPSS(“.sav”)和 MINITAB（“.mtw”）的格式亦是如此. br / 致谢 br / 在此感谢为本书付出诸多时间精力和提供建议、帮助的许多人. 特别感谢以下为本书第1版和后续版本（包括第8版）提供建议的审稿人： br / Jack Miller (University of Michigan) br / Scott Grimshaw (Brigham Young University) br / Liam O’Brien (Colby College) br / Subarna K Samanta (The College of New Jersey) br / Wolde Woubneh (Kean University) br / Alan Huebner (University of Notre Dame) br / Jen-Wen Lin (University of Toronto) br / Karen Keating (Kansas State University) br / Seamus Freyne (Mississippi State University) br / Martin Tanner (Northwestern University) br / Rebecca L. Pierce (Ball State University) br / Julius Esunge (University of Mary Washington) br / Brant Deppa (Winona State University) br / Ross Hosky (Appalachian State University) br / David Holmes (College of New Jersey) br / Patrick McKnight (George Mason University) br / David Kidd (George Mason University) br / W. R. Stephenson (Iowa State University) br / Lingyun Ma (University of Georgia) br / Pinyuen Chen (Syracuse University) br / Gokarna Aryal (Purdue University, Calumet) br / Monnie McGee (Southern Methodist University) br / Ruben Zamar (University of British Columbia) br / Tom O’Gorman (Northern Illinois University) br / William Bridges, Jr. (Clemson University) br / Paul Maiste (Johns Hopkins University) br / Mohammed Askalani, Mankato State University (Minnesota) br / Ken Boehm, Pacific Telesis (California) br / Andrew C. Brod, University of North Carolina at Greensboro br / James Daly, California State Polytechnic Institute at San Luis Obispo br / Assane Djeto, University of Nevada - Las Vegas br / Robert Elrod, Georgia State University br / James Ford, University of Delaware br / Carol Ghomi, University of Houston br / James Holstein, University of Missouri at Columbia br / Steve Hora, Texas Technological University br / K. G. Janardan, Eastern Michigan University br / Thomas Johnson, North Carolina State University br / Ann Kittler, Ryerson College (Toronto) br / James T. McClave, University of Florida br / John Monahan, North Carolina State University br / Kris Moore, Baylor University br / Farrokh Nasri, Hofstra University br / Robert Pavur, University of North Texas br / P. V. Rao, University of Florida br / Tom Rothrock, Info Tech, Inc. br / Ray Twery, University of North Carolina at Charlotte br / Joseph Van Matre, University of Alabama at Birmingham br / William Weida, United States Air Force Academy br / Dean Wichern, Texas A M University br / James Willis, Louisiana State University br / 特别感谢 Charles Bond、Evan Anderson、Jim McClave、Herman Kelting、Rob Turner、P. J. Taylor 和 Mike Jacob为本书中的案例研究提供数据集及背景信息. br /

前　　言 概述 本书专为两种类型的统计课程而设计. 前几章内容结合精选的案例研究，适合统计或非统计专业本科生作为统计入门课程的教材进行学习. 同时，本书亦适合其他领域的硕士或博士研究生作为应用回归分析课程的教材进行学习. 初看之下，本书针对两种类型的设计目标可能并不一致. 本书如何能同时适用于本科生和研究生呢？答案藏于内容之中. 与统计理论课程相比，应用回归分析课程所需的数学知识水平较低. 因此，本科生和研究生在学习时遇到的困难大同小异. 挑战在于应用：分析实际问题，根据特定情况选定适当的线性模型，并知道哪种推断技术可以回答研究人员的实际问题. 上述都需要经验，这也就解释了为什么非统计学专业的本科生和研究生均可以学习回归分析方面的内容，并均可从中受益. 统计入门课程 在统计入门课程中，很难划定一整学年中下学期的高级课程应当包含的知识量. 通常，可以针对第1章（基本概念回顾）进行一些讲解，以确保所有学生都具有相同的背景知识. 第2章（回归分析导论）、第3章（简单线性回归）、第4章（多元回归模型）、第5章（模型构建）、第6章（变量筛选法）、第7章（一些回归陷阱）和第8章（残差分析）是应用回归分析课程的核心内容. 第10章（时间序列建模与预测导论）、第11章（实验设计原理）和第12章（设计实验的方差分析）可以作为额外的知识点. 研究生应用回归分析课程 个人认为，应用型研究生课程的质量不是以涵盖的知识量或学生的记忆程度来衡量的. 衡量标准应当是学生如何应用课程中所涵盖的技术，去解决他们在具体研究领域中遇到的实际问题. 因此，我们建议只有当学生已具备应用相应技术的能力后，才能进行下一主题的学习. 课堂中的案例分析讨论环节，将有助于学生分析问题并选择合适的技术方法，从而将模型选择与构建（第4～8章）与实际问题进行有效联系. （在相关章之后的）七个案例研究正是基于此目的. 研究生应用回归分析课程的教授内容不仅应包含统计入门课程的知识点，还应涉及附录A（简单线性回归中β0和β1的最小二乘估计推导）、附录B（多元回归分析的原理）、附录C （矩阵求逆的过程）、在线资源网站上提供的统计软件（SAS、SPSS、MINITAB 或 R）教程、第9章（回归中的特殊主题）以及其他选修章节. 与本科课程一样，我们建议运用案例研究和课堂讨论的形式来培养学生建立适当的统计模型和解释分析结果的能力. 特色 1. 可读性. 我们有意将本书作为教学书籍，通过示例等形式以逻辑直观的方式解释概念. 2. 重视建模. 建立合适的统计模型是进行回归分析的基础. 建模思想主要在第 4～8 章中予以讨论，并贯穿于整本书之中. 3. 强调运用回归技术. 除阐述回归分析的基本概念和方法之外，本书还强调将其作为一种技术工具去解决实际的应用问题. 因此，本书的主要目标之一是培养读者将回归分析应用于现实生活场景的技能. 4. 基于真实数据的示例和练习. 本书包含许多数据示例，用以详细阐述模型构建、数据分析和结果解释等重要方面. 几乎所有练习的数据和研究均来源于新闻报道、杂志或期刊. 练习位于关键小节和每章的末尾. 5. 案例研究. 本书共包含七个案例研究，每个案例研究都解决一个现实生活中的研究问题. 读者可以了解如何使用回归分析，并通过建立适当的统计模型来分析和解释样本数据，进而解决实际问题. 6. 数据集. 在线资源提供了案例研究、练习和示例相关的完整数据集. 读者可以用其进行模型构建和数据分析. 7. 广泛使用统计软件. 在线资源提供了有关如何使用四种流行的统计软件包（SAS、SPSS、MINITAB 和 R）的教程，相应统计软件的输出结果在本书中均有所介绍和讨论. 8. 章末总结. 通过流程图（有助于选择适当的统计方法）、关键术语、公式、定义、列表和关键概念，强化本章所学. 第8版更新之处 尽管范围和覆盖面保持不变，但第8版包含了一些实质性的修订. 1. 更新和新增案例研究. 对案例研究2（4个街区房地产销售价格的模型）所使用的数据进行了更新. 在关于方差分析的一章后新增案例研究7（声音识别与面部识别—是否有先后之分？）. 2. 基于真实数据的练习. 更新和新增了许多基于当代研究和各个领域真实数据的练习.大多数练习都可以培养和提升批判性思维技能. 3. 统计软件输出结果. 本书中显示的所有统计软件输出结果均已更新，以匹配MINITAB、SAS 和 SPSS软件的最新版本. 4. 更新统计软件教程. 在网址www.pearson.com/math-stats-resources可找到相应统计软件教程. 本书的在线资源更新了有关如何使用Windows系统中SAS、SPSS、MINITAB 和 R 的教程，包含详细的分步操作和屏幕截图. 5. 更新第9章（回归中的特殊主题）. 对logistic回归（9.6节）进行了扩展，并新增了泊松回归（9.7节）、岭回归与LASSO回归（9.8节）. 基于早期版本读者的建议与反馈，我们对本书中的一些细节进行了适当的修正. 补充材料 除正文外，本书还附有以下补充材料： 1. 教师答案手册. 教师答案手册提供了本书偶数序号练习的完整解答过程. 2.数据文件. 数据文件可以在本书的资源网站www.pearson.com/math-stats-resources下载. 在线资源提供了本书所有数据文件集，即示例、练习和案例研究的数据集. 所有以“.csv”为后缀格式的数据文件集可直接导入统计软件R中，其余SAS（“.sas7bdat”）、SPSS(“.sav”)和 MINITAB（“.mtw”）的格式亦是如此. 致谢 在此感谢为本书付出诸多时间精力和提供建议、帮助的许多人. 特别感谢以下为本书第1版和后续版本（包括第8版）提供建议的审稿人： Jack Miller (University of Michigan) Scott Grimshaw (Brigham Young University) Liam O’Brien (Colby College) Subarna K Samanta (The College of New Jersey) Wolde Woubneh (Kean University) Alan Huebner (University of Notre Dame) Jen-Wen Lin (University of Toronto) Karen Keating (Kansas State University) Seamus Freyne (Mississippi State University) Martin Tanner (Northwestern University) Rebecca L. Pierce (Ball State University) Julius Esunge (University of Mary Washington) Brant Deppa (Winona State University) Ross Hosky (Appalachian State University) David Holmes (College of New Jersey) Patrick McKnight (George Mason University) David Kidd (George Mason University) W. R. Stephenson (Iowa State University) Lingyun Ma (University of Georgia) Pinyuen Chen (Syracuse University) Gokarna Aryal (Purdue University, Calumet) Monnie McGee (Southern Methodist University) Ruben Zamar (University of British Columbia) Tom O’Gorman (Northern Illinois University) William Bridges, Jr. (Clemson University) Paul Maiste (Johns Hopkins University) Mohammed Askalani, Mankato State University (Minnesota) Ken Boehm, Pacific Telesis (California) Andrew C. Brod, University of North Carolina at Greensboro James Daly, California State Polytechnic Institute at San Luis Obispo Assane Djeto, University of Nevada - Las Vegas Robert Elrod, Georgia State University James Ford, University of Delaware Carol Ghomi, University of Houston James Holstein, University of Missouri at Columbia Steve Hora, Texas Technological University K. G. Janardan, Eastern Michigan University Thomas Johnson, North Carolina State University Ann Kittler, Ryerson College (Toronto) James T. McClave, University of Florida John Monahan, North Carolina State University Kris Moore, Baylor University Farrokh Nasri, Hofstra University Robert Pavur, University of North Texas P. V. Rao, University of Florida Tom Rothrock, Info Tech, Inc. Ray Twery, University of North Carolina at Charlotte Joseph Van Matre, University of Alabama at Birmingham William Weida, United States Air Force Academy Dean Wichern, Texas A&M University James Willis, Louisiana State University 特别感谢 Charles Bond、Evan Anderson、Jim McClave、Herman Kelting、Rob Turner、P. J. Taylor 和 Mike Jacob为本书中的案例研究提供数据集及背景信息.

显示全部信息