目錄第1章  初識r語言 11.1  r語言簡介 11.2  安裝與運行 31.3  開始使用r 51.4  包的使用 71.5  使用幫助 8第2章  探索r數據 102.1  向量的創建 102.2  向量的運算 132.3  向量的篩選 152.4  矩陣的創建 172.5  矩陣的使用 202.5.1  矩陣的代數運算 202.5.2  修改矩陣的行列 222.5.3  對行列調用函數 232.6  矩陣的篩選 25第3章  編寫r程序 283.1  流程的控制 283.1.1  條件選擇結構的概念 283.1.2  條件選擇結構的語法 293.1.3  循環結構的基本概念 303.1.4  循環結構的基本語法 313.2  算術與邏輯 333.3  使用函數 343.3.1  函數式語言 343.3.2  默認參數值 353.3.3  自定義函數 363.3.4  遞歸的實現 383.4  編寫代碼 40第4章  概率統計基礎 424.1  概率論的基本概念 424.2  隨機變量數字特征 454.2.1  期望 454.2.2  方差 464.3  基本概率分布模型 484.3.1  離散概率分布 484.3.2  連續概率分布 524.3.3  使用內嵌分布 554.4  大數定理及其意義 594.5  中央極限定理 624.6  隨機采樣分布 65第5章  實用統計圖形 715.1  餅狀圖 715.2  直方圖 745.3  核密圖 785.4  箱線圖 815.4.1  箱線圖與分位數 815.4.2  使用并列箱線圖 845.5  條形圖 875.5.1  基本條形圖及調整 875.5.2  堆砌與分組條形圖 885.6  分位數與qq圖 91第6章  數據輸入/輸出 996.1  數據的載入 996.1.1  基本的數據導入方法 996.1.2  處理其他軟件的格式 1036.1.3  讀取來自網頁的數據 1046.1.4  從數據庫中讀取數據 1066.2  數據的保存 1086.3  數據預處理 1096.3.1  常用數學函數 1106.3.2  修改數據標簽 1136.3.3  缺失值的處理 114第7章  高級數據結構 1187.1  列表 1187.1.1  列表的創建 1187.1.2  列表元素的訪問 1207.1.3  增刪列表元素 1217.1.4  拼接列表 1237.1.5  列表轉化為向量 1237.1.6  列表上的運算 1247.1.7  列表的遞歸 1257.2  數據框 1267.2.1  數據框的創建 1267.2.2  數據框元素的訪問 1287.2.3  提取子數據框 1297.2.4  數據框行列的添加 1307.2.5  數據框的合并 1327.2.6  數據框的其他操作 1347.3  因子 1357.3.1  因子的創建 1367.3.2  因子中插入水平 1377.3.3  因子和常用函數 1387.4  表 1407.4.1  表的創建 1417.4.2  表中元素的訪問 1437.4.3  表中變量的邊際值 143第8章  統計推斷 1468.1  參數估計 1468.1.1  參數估計的基本原理 1468.1.2  單總體參數區間估計 1498.1.3  雙總體均值差的估計 1558.1.4  雙總體比例差的估計 1618.2  假設檢驗 1628.2.1  基本概念 1628.2.2  兩類錯誤 1668.2.3  均值檢驗 1678.3  極大似然估計 1728.3.1  極大似然法的基本原理 1728.3.2  求極大似然估計的方法 1748.3.3  極大似然估計應用舉例 176第9章  非參數檢驗方法 1819.1  列聯分析 1819.1.1  類別數據與列聯表 1819.1.2  皮爾遜（pearson）的卡方檢驗 1829.1.3  列聯分析應用條件 1869.1.4  費希爾（fisher）的確切檢驗 1889.2  符號檢驗 1909.3  威爾科克森（wilcoxon）符號秩檢驗 1959.4  威爾科克森（wilcoxon）的秩和檢驗 1999.5  克魯斯卡爾-沃利斯（kruskal-wallis）檢驗 204第10章  一元線性回歸 20810.1  回歸分析的性質 20810.2  回歸的基本概念 21010.2.1  總體的回歸函數 21010.2.2  隨機干擾的意義 21110.2.3  樣本的回歸函數 21310.3  回歸模型的估計 21410.3.1  普通*小二乘法原理 21410.3.2  一元線性回歸的應用 21610.3.3  經典模型的基本假定 21810.3.4  總體方差的無偏估計 22210.3.5  估計參數的概率分布 22510.4  正態條件下的模型檢驗 22710.4.1  擬合優度的檢驗 22710.4.2  整體性假定檢驗 23110.4.3  單個參數的檢驗 23310.5  一元線性回歸模型預測 23410.5.1  點預測 23410.5.2  區間預測 235第11章  線性回歸進階 23911.1  多元線性回歸模型 23911.2  多元回歸模型估計 24111.2.1  *小二乘估計量 24111.2.2  多元回歸的實例 24211.2.3  總體參數估計量 24511.3  多元回歸模型檢驗 24711.3.1  線性回歸的顯著性 24711.3.2  回歸系數的顯著性 24911.4  多元線性回歸模型預測 25011.5  其他回歸模型函數形式 25311.5.1  雙對數模型以及生產函數 25311.5.2  倒數模型與菲利普斯曲線 25511.5.3  多項式回歸模型及其分析 25811.6  回歸模型的評估與選擇 26011.6.1  嵌套模型選擇 26111.6.2  赤池信息準則 26211.6.3  逐步回歸方法 26511.7  現代回歸方法的新進展 26911.7.1  多重共線性 26911.7.2  嶺回歸 27011.7.3  從嶺回歸到lasso 271第12章  方差分析方法 27512.1  方差分析的基本概念 27512.2  單因素方差分析方法 27812.2.1  基本原理 27812.2.2  分析步驟 27912.2.3  強度測量 28012.3  雙因素方差分析方法 28112.3.1  無交互作用的分析 28112.3.2  有交互作用的分析 28612.4  多重比較 28912.4.1  多重t檢驗 29012.4.2  "dunnett" 檢驗 29112.4.3  "tukey" 的"hsd" 檢驗 29412.4.4  "newman" -"keuls" 檢驗 29812.5  方差齊性的檢驗方法 30112.5.1  "bartlett" 檢驗法 30112.5.2  "levene" 檢驗法 303第13章  聚類分析 30713.1  聚類的概念 30713.2  k均值算法 30813.2.1  距離度量 30913.2.2  算法描述 31013.2.3  應用實例 31213.3  *大期望算法 31413.3.1  算法原理 31413.3.2  收斂探討 31913.4  高斯混合模型 32013.4.1  模型推導 32013.4.2  應用實例 323第14章  支持向量機 32614.1  從邏輯回歸到線性分類 32614.2  線性可分的支持向量機 33014.2.1  函數距離與幾何距離 33014.2.2  *大間隔分類器 33214.2.3  拉格朗日乘數法 33414.2.4  對偶問題的求解 33914.3  松弛因子與軟間隔模型 34314.4  非線性支持向量機方法 34514.4.1  從更高維度上分類 34514.4.2  非線性核函數方法 34714.4.3  默瑟定理與核函數 35014.5  對數據進行分類的實踐 35014.5.1  基本建模函數 35114.5.2  分析建模結果 355第15章  人工神經網絡 35815.1  從感知機開始 35815.1.1  感知機模型 35815.1.2  感知機學習 36015.1.3  多層感知機 36215.2  基本神經網絡 36515.2.1  神經網絡結構 36515.2.2  符號標記說明 36615.2.3  后向傳播算法 36815.3  神經網絡實踐 37015.3.1  核心函數介紹 37015.3.2  應用分析實踐 372參考文獻 375