第1章 决策分析组件 1
1.1 根据现有类别分类 1
1.1.1 使用两个步骤的方法 1
1.1.2 多重回归和决策分析 2
1.1.3 获取参考样本 3
1.1.4 多变量方差分析 4
1.1.5 判别函数分析 5
1.1.6 逻辑回归 6
1.2 根据自然存在的群组分类 7
1.2.1 主分量分析 7
1.2.2 聚类分析 8
1.3 一些术语学问题 10
1.3.1 设计决定术语 10
1.3.2 因果关系与预测的对比 11
1.3.3 术语为什么重要 12
第2章 逻辑回归 13
2.1 逻辑回归原理 14
2.1.1 比例问题 15
2.1.2 关于基本假设 17
2.1.3 均等分布 17
2.1.4 对分法中的等方差 19
2.1.5 均等分布和范围 19
2.2 残差的分布 21
2.2.1 残差的计算 21
2.2.2 对分的残差 21
2.3 使用逻辑回归 22
2.3.1 使用可能性而非概率 23
2.3.2 使用对数优势比 24
2.3.3 使用最大似然方法代替最小二乘方法 25
2.4 最大化对数似然率 26
2.4.1 建立数据 26
2.4.2 建立逻辑回归方程式 27
2.4.3 求得优势比 29
2.4.4 求得概率 29
2.4.5 计算对数似然率 30
2.4.6 寻找和安装规划求解加载项 31
2.4.7 运行规划求解 31
2.5 对数似然法原理 33
2.5.1 正确分类的概率 34
2.5.2 使用对数似然 35
2.6 对数似然率的统计显著性 37
2.6.1 建立精简模型 38
2.6.2 建立完整模型 40
第3章 单变量方差分析（ANOVA） 42
3.1 ANOVA的逻辑 43
3.1.1 使用方差 43
3.1.2 方差分区 44
3.1.3 方差预期值（组内） 45
3.1.4 方差预期值（组间） 46
3.1.5 F比率 49
3.1.6 非中心F分布 52
3.2 单因素ANOVA 53
3.2.1 采用错误率 54
3.2.2 计算统计数字 55
3.2.3 得出均值的标准误差 57
3.3 使用Excel的数据分析加载项 59
3.3.1 安装数据分析加载项 59
3.3.2 使用“方差分析：单因素方差分析”工具 60
3.4 理解ANOVA输出 62
3.4.1 使用描述统计 62
3.4.2 使用推论统计 62
3.5 回归方法 65
3.5.1 使用影响编码 66
3.5.2 LINEST（）公式 68
3.5.3 LINEST（）结果 68
3.5.4 LINEST（）推断统计 70
第4章 多变量方差分析（MANOVA） 72
4.1 MANOVA原理 72
4.1.1 相关变量 73
4.1.2 ANOVA中的相关变量 73
4.2 理解多变量ANOVA 74
4.2.1 单变量ANOVA结果 75
4.2.2 多变量ANOVA结果 76
4.2.3 均值和重心 78
4.3 从ANOVA到MANOVA 78
4.3.1 使用SSCP代替SS 80
4.3.2 获得组间和组内SSCP矩阵 83
4.3.3 平方和与SSCP矩阵 85
4.4 求得多变量F比率 86
4.5 Wilks’Lambda和F比率 88
4.6 在Excel中运行MANOVA 90
4.6.1 数据布局 91
4.6.2 运行MANOVA代码 91
4.6.3 描述统计 92
4.6.4 离差矩阵的同一性 93
4.6.5 单变量和多变量F检验 95
4.7 多变量测试之后 96
第5章 判别函数分析基础 98
5.1 将类别当作数字处理 99
5.2 判别分析原理 100
5.2.1 多重回归和判别分析 100
5.2.2 调整视角 101
5.3 判别分析和多重回归 103
5.3.1 回归、判别分析和典型相关 103
5.3.2 编码和多重回归 104
5.4 判别函数和回归方程式 106
5.5 从判别权重到回归系数 107
5.5.1 回归和判别分析中的特征结构 110
5.5.2 结构系数可能引起误导 112
5.6 小结 113
第6章 判别函数分析：进一步的问题 114
6.1 使用判别工作簿 114
6.1.1 打开判别工作簿 114
6.1.2 使用判别对话框 116
6.2 为什么在鸢尾花上运行判别分析 118
6.2.1 评估原始测度 118
6.2.2 判别分析和投资 119
6.3 用R进行基准测试 121
6.3.1 下载R 121
6.3.2 编排数据文件 122
6.3.3 运行分析 123
6.4 Discrim加载项的结果 126
6.4.1 判别结果 126
6.4.2 解读结构系数 128
6.4.3 特征结构和系数 129
6.4.4 系数的其他用途 132
6.5 案例分类 134
6.5.1 与重心的距离 135
6.5.2 均值修正 135
6.5.3 调整方差-协方差矩阵 139
6.5.4 指定一个分类 140
6.5.5 创建分类表格 141
6.6 训练样本：提前知晓的分类 142
第7章 主分量分析 144
7.1 为主分量分析建立概念性框架 145
7.1.1 主分量和测试 145
7.1.2 PCA的基本原则 146
7.1.3 相关与斜交因素旋转 146
7.2 使用主分量加载项 147
7.2.1 相关矩阵 149
7.2.2 R矩阵的逆矩阵 149
7.2.3 球形测试 152
7.3 特征值和系数的计算以及公用因素方差的理解 152
7.3.1 有几个分量 153
7.3.2 因素得分系数 155
7.3.3 公共因素方差 155
7.4 单独结果之间的关系 156
7.4.1 使用特征值和特征向量 156
7.4.2 特征值、特征向量和负载 157
7.4.3 特征值、特征向量和因素系数 159
7.4.4 从因素得分直接获得特征值 159
7.5 获得特征值和特征向量 160
7.6 旋转因素以得到有意义的解决方案 164
7.6.1 确定因素 164
7.6.2 最大方差旋转 167
7.7 分类示例 169
7.7.1 州犯罪率 169
7.7.2 蚜虫物理测量 173
第8章 聚类分析：基础知识 175
8.1 聚类分析、判别分析和逻辑回归 175
8.2 欧几里得距离 176
8.3 寻找群集：单连接方法 180
8.4 聚类分析的自选择特性 185
8.5 发现群集：全连接方法 187
8.5.1 全连接：示例 188
8.5.2 其他连接方法 191
8.6 发现群集：K均值方法 191
8.6.1 K均值分析特性 191
8.6.2 K均值的一个例子 192
8.7 用R对K均值方法进行基准测试 196
第9章 聚类分析；更深入的问题 198
9.1 使用K均值工作簿 198
9.1.1 确定群集数量 200
9.1.2 群集成员工作表 201
9.1.3 群集重心工作表 203
9.1.4 群集方差工作表 204
9.1.5 F比率工作表 206
9.1.6 报告过程统计 208
9.2 使用主分量进行聚类分析 209
9.2.1 主分量回顾 210
9.2.2 葡萄酒的聚类分析 213
9.2.3 结果的交叉验证 216