应用多元统计分析

第一部分 统计描述技术　第1章 批量数据比较 1．1 箱形图(Boxplots) 1．2 直方图(Histograms) 1．3 核密度(Kernel Densities) 1．4 散点图(scatterplots) 1．5 彻诺夫一夫洛瑞脸谱图(Chernoff-Flury Faces) 1．6 安德鲁曲线(Andrews’Curves) 1．7 平行坐标图(Parallel Coordinate Plots，PCP) 1．8 波士顿住房 1．9 练习第二部分 多元随机变量　第2章 矩阵代数基本知识 2．1 基础运算 2．2 谱分解(Spectral Decompositions)

第一部分 统计描述技术　第1章 批量数据比较 1．1 箱形图(Boxplots) 1．2 直方图(Histograms) 1．3 核密度(Kernel Densities) 1．4 散点图(scatterplots) 1．5 彻诺夫一夫洛瑞脸谱图(Chernoff-Flury Faces) 1．6 安德鲁曲线(Andrews’Curves) 1．7 平行坐标图(Parallel Coordinate Plots，PCP) 1．8 波士顿住房 1．9 练习第二部分 多元随机变量　第2章 矩阵代数基本知识 2．1 基础运算 2．2 谱分解(Spectral Decompositions) 2．3 二次型(Quadratic Forms) 2．4 导数(Derivatives) 2．5 分块矩阵(Partitioned Matrices) 2．6 几何观点 2．7 练习　第3章 转向高维数据 3．1 协方差(Covariance) 3．2 相关系数(Correlation) 3．3 概括统计量(Summary Statistics) 3．4 两变量线性模型 3．5 简单方差分析 3．6 多元线性模型 3．7 波士顿住房 3．8 练习　第4章 多元分布 4．1 分布和密度函数 4．2 矩与特征函数 4．3 变换(Transformation) 4．4 多元正态分布 4．5 抽样分布和极限定理 4．6 厚尾分布(Heavy-Tailed Distribution) 4．7 联结函数((30pulae) 4．8 自举法 4．9 练习　第5章 多元正态理论 5．1 多元正态的基本性质 5．2 威沙特分布(Wishart Distribution) 5．3 霍特林T2分布(Hotelling's T2-Distribution) 5．4 球形分布和椭球形分布(Spherical and Elliptical Distribution) 5．5 练习　第6章 估计理论 6．1 似然函数(Likelihood Function) 6．2 克拉美一拉奥下界(Cramer-Rao lower bound) 6．3 练习　第7章 假设检验 7．1 似然比检验(Likelihood Ratio Test) 7．2 线性假设(Linear Hypothesis) 7．3 波士顿住房 7．4 练习 　第三部分 多元技术　第8章 根据因子分解数据矩阵 8．1 几何观点 8．2 拟合p维点云 8．3 拟合n维点云 8．4 子空间之间的关系 8．5 实用计算 8．6 练习　第9章 主成分分析 9．1 标准化的线性组合 9．2 主成分的应用 9．3 主成分的解释 9．4 主成分的渐近性质 9．5 标准化主成分分析 9．6 作为因子分析的主成分 9．7 共同主成分 9．8 波士顿住房 9．9 更多的例子 9．10 练习　第10章 因子分析 10．1 正交因子模型 10．2 估计因子模型 10．3 因子得分和策略 10．4 波士顿住房 10．5 练习　第11章 聚类分析 11．1 问题的提出 11．2 对象间的邻近度 11．3 聚类算法 11．4 波士顿住房 11．5 练习　第12章 判别分析 12．1 已知分布的分配法则 12．2 实际应用中的判别法则 12．3 波士顿住房 12．4 练习　第13章 对应分析 13．1 动因 13．2 卡方分解 13．3 对应分析的应用 13．4 练习　第14章 典型相关分析 14．1 最有趣的线性组合 14．2 典型相关分析的应用 14．3 练习　第15章 多维标度分析 15．1 问题的提出 15．2 度量型多维标度分析 15．3 非度量型多维标度分析 15．4 练习　第16章 联合分析 16．1 介绍 16．2 数据生成的设计 16．3 偏好排序的估计 16．4 练习　第17章 金融市场应用 17．1 资产组合选择 17．2 有效资产组合 17．3 有效投资组合的应用 17．4 资本资产定价模型(CAPM) 17．5 练习　第18章 计算密集型技术 18．1 单纯形深度 18．2 投影寻踪 18．3 分片逆回归 18．4 支持向量机 18．5 分类和回归树 18．6 波士顿住房 18．7 练习第四部分 附 录　A 符号和标记　B 数据 B．1 波士顿住房 B．2 瑞士银行钞票 B．3 汽车数据 B．4 经典蓝套衫　 B．5 美国公司数据　 B．6 法国食品数据　 B．7 汽车指标数据　 B．8 法国学士学位频数　 B．9 报刊数据　 B．10 美国犯罪数据　 B．11 血浆数据　 B．12 WAIS数据　 B．13 ANOVA数据　 B．14 时间预算数据　 B．15 GEOPOL数据　 B．16 美国健康数据　 B．17 词汇数据　 B．18 运动记录数据　 B．19 失业数据　 B．20 年度人口数据　 B．21 公司破产数据　C 参考文献

本书第2版拓展了应用多元统计分析的方法和应用范围。为了使本书更适时更具有应用特色，第2版例子引入了更多最新的数据集。既然多元统计方法被大量应用于数量金融和风险管理领域，新版本使用更大的篇幅来讨论相关变量的分布及其密度问题。 这一版更详细地讨论了不同的厚尾分布家族，比如Laplace和广义双曲线分布。同时新增一节来专门讨论金融风险管理和信用等级排列领域有关依存关系的最新概念—copu—lae。在计算功能强大的方法和理论章节增加了支持向量机方法，这是统计学习理论中最新的分类和回归技术，所给出的相应例子是把该方法应用于公司破产和信用等级排序分析。该章节中同时增加了分类和回归树技术并应用于公司评级案例。