第1章 回顾 1
1.1 某些数学记号 1
1.2 Taylor定理和数学极限理论 1
1.3 某些统计记号和概率分布 3
1.4 似然推断 6
1.5 Bayes推断 8
1.6 统计极限理论 10
1.7 马氏链 11
1.8 计算 13
第2章 优化与求解非线性方程组 15
2.1 单变量问题 16
2.1.1 Newton法 19
2.1.2 Fisher得分法 22
2.1.3 正割法 23
2.1.4 不动点迭代法 24
2.2 多元问题 26
2.2.1 Newton法和Fisher得分法 26
2.2.2 类Newton法 30
2.2.3 Gauss-Newton法 34
2.2.4 非线性Gauss-Seidel迭代和其他方法 35
问题 37
第3章 组合优化 40
3.1 难题和NP完备性 40
3.1.1 几个例子 42
3.1.2 需要启发式算法 45
3.2 局部搜索 45
3.3 禁忌算法 49
3.3.1 基本定义 49
3.3.2 禁忌表 50
3.3.3 吸气准则 51
3.3.4 多样化 52
3.3.5 强化 53
3.3.6 一种综合的禁忌算法 53
3.4 模拟退火 54
3.4.1 几个实际问题 56
3.4.2 强化 59
3.5 遗传算法 60
3.5.1 定义和典则算法 60
3.5.2 变化 64
3.5.3 初始化和参数值 68
3.5.4 收敛 69
问题 69
第4章 EM优化方法 72
4.1 缺失数据、边际化和符号 72
4.2 EM算法 73
4.2.1 收敛性 77
4.2.2 在指数族中的应用 79
4.2.3 方差估计 80
4.3 EM变型 85
4.3.1 改进E步 85
4.3.2 改进M步 86
4.3.3 加速方法 90
问题 93
第5章 数值积分 99
5.1 Newton-C？tes求积 100
5.1.1 Riemann法则 100
5.1.2 梯形法则 103
5.1.3 Simpson法则 105
5.1.4 一般的k阶法则 107
5.2 Romberg积分 107
5.3 Gauss求积 111
5.3.1 正交多项式 111
5.3.2 Gauss求积法则 112
5.4 常见问题 114
5.4.1 积分范围 114
5.4.2 带奇点或其他极端表现的被积函数 114
5.4.3 多重积分 115
5.4.4 自适应求积 115
5.4.5 积分软件 115
问题 116
第6章 模拟与Monte Carlo积分 118
6.1 Monte Carlo方法的介绍 118
6.2 模拟 119
6.2.1 从标准参数族中产生 120
6.2.2 逆累积分布函数 120
6.2.3 拒绝抽样 121
6.2.4 采样重要性重抽样算法 128
6.3 方差缩减技术 133
6.3.1 重要性抽样 134
6.3.2 对偶抽样 140
6.3.3 控制变量 142
6.3.4 Rao-Blackwellization 146
问题 148
第7章 MCMC方法 151
7.1 Metropolis-Hastings算法 151
7.1.1 独立链 153
7.1.2 随机游动链 156
7.1.3 击跑算法 158
7.1.4 Langevin Metropolis-Hastings算法 159
7.1.5 Multiple-try Metropolis-Hastings算法 160
7.2 Gibbs抽样 161
7.2.1 基本Gibbs抽样 161
7.2.2 立即更新 163
7.2.3 更新排序 164
7.2.4 区组化 164
7.2.5 混合Gibbs抽样 165
7.2.6 另一种一元提案方法 165
7.3 实施 166
7.3.1 确保良好的混合和收敛 166
7.3.2 实际操作的建议 171
7.3.3 使用结果 171
7.3.4 例：软毛海豹幼崽的捕获再捕获数据 173
问题 176
第8章 MCMC中的深入论题 180
8.1 辅助变量方法 180
8.2 可逆跳跃MCMC 183
8.3 完美抽样 190
8.4 例：马尔可夫随机域上的MCMC算法 194
8.4.1 马尔可夫随机域的Gibbs抽样 195
8.4.2 马尔可夫随机域的辅助变量方法 199
8.4.3 马尔可夫随机域的完美抽样 201
8.5 马氏链极大似然 203
问题 204
第9章 Bootstrap方法 208
9.1 Bootstrap的基本原则 208
9.2 基本方法 209
9.2.1 非参数Bootstrap 209
9.2.2 参数化Bootstrap 210
9.2.3 基于Bootstrap的回归方法 211
9.2.4 Bootstrap偏差修正 212
9.3 Bootstrap推断 213
9.3.1 分位点方法 213
9.3.2 枢轴化 215
9.3.3 假设检验 221
9.4 缩减Monte Carlo误差 221
9.4.1 平衡Bootstrap 221
9.4.2 反向Bootstrap方法 222
9.5 Bootstrap方法的其他用途 222
9.6 Bootstrap近似的阶 223
9.7 置换检验 224
问题 226
第10章 非参密度估计 228
10.1 绩效度量 229
10.2 核密度估计 230
10.2.1 窗宽的选择 231
10.2.2 核的选择 240
10.3 非核方法 242
10.4 多元方法 245
10.4.1 问题的本质 245
10.4.2 多元核估计 247
10.4.3 自适应核及最近邻 249
10.4.4 探索性投影寻踪 253
问题 258
第11章 二元光滑方法 261
11.1 预测-响应数据 262
11.2 线性光滑函数 263
11.2.1 常跨度移动平均 263
11.2.2 移动直线和移动多项式 269
11.2.3 核光滑函数 270
11.2.4 局部回归光滑 271
11.2.5 样条光滑 272
11.3 线性光滑函数的比较 274
11.4 非线性光滑函数 274
11.4.1 Loess 275
11.4.2 超光滑 276
11.5 置信带 279
11.6 一般二元数据 282
问题 282
第12章 多元光滑方法 285
12.1 预测-响应数据 285
12.1.1 可加模型 286
12.1.2 广义可加模型 288
12.1.3 与可加模型有关的其他方法 291
12.1.4 树型方法 296
12.2 一般多元数据 303
问题 306
数据致谢 309
参考文献 310
索引 343