"《R統計高級編程和數據模型  分析、機器學習和可視化》介紹使用R語言進行統計分析的各種高級方法，如廣義可加模型、混合效應模型、多重插補以及數據缺失處理技術。本書前幾章介紹相關技術的背景知識，然後給出一些具體實例，這些實例展示了如何使用R語言獲得期望的結果。    本書還向讀者介紹如何使用流行的R語言進行數據分析，讀者可以鑽研統計測試和統計技術的先決條件，通過實例掌握將R語言應用於高級數據分析的技術。本書是使用和編寫R語言程序的推薦等

●目 錄 第1章 單變量數據可視化 11.1 分布 21.1.1 可視化觀測數據的分布 21.1.2 堆積點陣圖與直方圖 21.1.3 經驗密度圖 41.1.4 比較觀測分布與期望分布 61.1.5 Q-Q圖 71.1.6 比較經驗密度圖與期望分布的密度圖 101.1.7 其他分布的擬合 111.2 異常值 161.3 小結 23第2章 多變量數據可視化 252.1 分布 252.2 奇異值 302.3 變量之間的關繫 332.4 小結 45第3章 GLM Ⅰ 473.1 概念背景 483.2 分類預測器和虛擬編碼 493.2.1 二級分類預測器 493.2.2 三級或三級以上的分類預測值 503.3 交互作用和調節效應 523.4 公式接口 533.5 方差分析 553.5.1 概念背景 553.5.2 R語言的ANOVA函數 583.6 線性回歸 613.6.1 概念背景 613.6.2 R語言中的線性回歸 623.6.3 高性能線性回歸 763.7 控制混合影響 783.8 案例研究：多線性回歸與交互作用 863.9 小結 93第4章 GLM Ⅱ 954.1 概念背景 964.1.1 Logistic回歸 964.1.2 計數回歸 974.2 R程序示例 994.2.1 二項Logistic回歸 994.2.2 有序Logistic回歸 1064.2.3 多分類Logistic回歸 1094.2.4 泊松回歸和負二項回歸 1134.3 案例研究：多項Logistic回歸 1194.4 小結 127第5章 廣義可加模型 1295.1 概念背景 1305.2 R語言中的GAM模型 1365.2.1 高斯因變量 1365.2.2 二值因變量 1595.2.3 無序因變量 1645.2.4 計數因變量 1685.3 小結 176第6章 機器學習：引言 1796.1 訓練數據和驗證數據 1806.2 重采樣和交叉驗證 1866.3 自采樣法 1896.4 並行處理和隨機數 1916.5 小結 198第7章 機器學習：無監督學習 2017.1 數據背景和探索性分析 2027.2 k-均值聚類算法 2127.3 層次聚類算法 2237.4 主成分分析 2357.5 非線性聚類分析 2457.6 小結 246第8章 機器學習：監督學習 2498.1 數據準備 2508.1.1 獨熱編碼 2528.1.2 定標化與中心化 2548.1.3 變換 2558.1.4 訓練數據與驗證數據 2608.1.5 主成分分析 2618.2 監督學習模型 2668.2.1 支持向量機 2678.2.2 分類與回歸樹 2768.2.3 隨機森林 2828.2.4 隨機梯度提升 2888.2.5 多層感知機 2978.3 小結 318第9章 缺失數據 3219.1 概念背景 3229.2 R示例 3289.2.1 回歸模型與多重插補 3329.2.2 多重插補與並行處理 3429.2.3 使用隨機森林法實現多重插補 3459.3 案例研究：使用RF實現多重插補 3499.4 小結 360第10章 GLMM：引言 36110.1 多層數據 36210.1.1 數據重整 36310.1.2 日記研究數據集 36510.2 描述性統計量 36810.2.1 基本描述量 37010.2.2 組內相關繫數(ICC) 37610.3 探索與假設 37910.3.1 分布與奇異值 37910.3.2 時間趨勢 38410.3.3 自相關 38610.3.4 假設 39010.4 小結 395第11章 GLMM：線性 39711.1 理論 39811.1.1 廣義線性混合模型 39811.1.2 術語混合效應和多層次模型 40111.1.3 統計推斷 40211.1.4 效應量 40311.1.5 隨機截距模型 40411.1.6 可視化隨機效應 40411.1.7 解釋隨機截距模型 40911.1.8 隨機截距斜率模型 41611.1.9 將截距和斜率作為因變量 42011.2 R示例 42511.2.1 隨機截距的線性混合模型 42511.2.2 隨機截距和隨機斜率的線性混合模型 43711.3 小結 453第12章 GLMM：高級 45712.1 概念背景 45812.2 Logistic廣義線性混合模型 45812.2.1 隨機截距 45812.2.2 隨機截距和隨機斜率 46312.3 泊松分布和負二項分布GLMM 46712.3.1 隨機截距 46712.3.2 隨機截距和隨機斜率 47712.4 小結 486第13章 建模IIV 48913.1 概念背景 49013.1.1 貝葉斯推斷 49013.1.2 什麼是IIV 49013.1.3 將IIV作為預測量 49513.1.4 軟件實現：VARIAN 49913.2 R程序示例 50013.3 小結 508

● 如何使用R語言進行高級數據分析，涉及的技術包括廣義線性模型、廣義可加模型、混合效應模型、機器學習、並行處理● 如何使用R語言的數據可視化技術實現回歸，如線性回歸和高級回歸，並了解回歸樣條和可加模型● 如何使用R語言實現機器學習，包含平行處理、降維、特征選取和分類● 如何使用R語言的多重插補技術解決數據缺失問題● 如何使用廣義線性可加模型實現普通量、二值量和計次量的輸出，如何使用自采樣法(Bootstrapping)分析不確定性● 學習如何對個體內的變異性進行建模，進而捕捉個體在方法以及時間穩定性上的差異

[美]馬特·威利(Matt Wiley)，[美]約書亞·F.威利(Joshua F. Wiley) 著；吳文國 胡明曉 譯 著