【簡介】
⊙系統性內容編排：章節難度由淺至深安排，循序漸進建構知識。
⊙實務應用導向：透過案例，學習運用各種統計方法分析問題，並以R語言的統計程式套件，解決不同的統計模式，達到做中學的學習效果。
⊙提供習題演練：各章節皆附有習題，學習成效輕鬆驗收。
【以R語言學習統計，邊做邊學好懂易上手】
本書以R語言作為統計學教學的嚮導，運用R語言之程式套件中世界各地實際的研究個案與資料，讓學習者認識各種統計方法，解決不同的統計模式，也能了解統計在各方面的應用。
書中章節安排難度由淺至深，循序漸進帶領學習者一一攻克各種統計方法，內容包含：R語言基礎指令操作、單變數資料、兩個與多個變數資料、機率、離散型機率分配、連續型機率分配、抽樣分配、常態近似與自助抽樣法、估計、統計假說檢定、變異數分析：多個母體平均數比較、簡單線性迴歸分析、多元線性迴歸分析、適合度檢定：類別資料分析、無母數統計等。各章節最末提供習題，讓學習者可透過演練驗收學習成效，加深記憶、鞏固知識。
【目錄】
第1章 R語言基礎指令操作
1.1 簡介
1.2 把R當作計算器
1.3 幾個常用函數
1.4 以c()輸入資料（using c() to enter data）
1.5 資料結構（creating structured data）
1.6 作平面圖
1.7 由其他資源取得資料（reading in other sources of data）
1.8 習題
第2章 單變數資料
2.1 質性資料（qualitative data）
2.2 量化資料（numeric data）
2.3 中間趨勢（central tendency）
2.4 分散程度（dispersion）
2.5 習題
第3章 兩個或多個變數資料
3.1 成對類別變數（pairs of categorical variables）
3.2 量化資料獨立樣本分配比較（comparing independent samples）
3.3 成對數字資料之關係（relationships in numeric data）
3.4 多變數資料（multivariate data）
3.5 習題
第4章 機率
4.1 機率定義
4.2 機率問題的結構：機率空間（probability space）
4.3 機率公式
4.4 等機率模式（equally likely model）
4.5 計數方法（counting methods）
4.6 條件機率（conditional probability）
4.7 獨立事件（independent event）
4.8 貝氏定理（Bayes’ Rule）
4.9 習題
第5章 離散型機率分配
5.1 隨機變數（random variable）
5.2 離散型隨機變數之機率函數（probability function of discrete random variable）
5.3 離散型隨機變數之平均數、變異數與標準差（mean, variance, and standard deviation of discrete random variable）
5.4 離散型均勻分配（the discrete uniform distribution）
5.5 二項分配（the binomial distribution）
5.6 超幾何分配（the hypergeometric distribution）
5.7 幾何分配（the geometric distribution）
5.8 負二項分配（the negative binomial distribution）
5.9 普瓦松分配（the Poisson distribution）
5.10 習題
第6章 連續型機率分配
6.1 連續型機率函數（probability density functions）
6.2 連續型均勻分配（the continuous uniform distribution）
6.3 常態分配（normal distribution）
6.4 指數分配（exponential distribution）
6.5 卡方分配、T分配與F分配（the chi-square, student’s t, and Snedecor’s f distributions）
6.6 習題
第7章 抽樣分配
7.1 隨機抽樣（random sampling）
7.2 抽樣分配（sampling distribution）
7.3 樣本平均數抽樣分配（distribution of sample mean）
7.4 兩獨立樣本平均數差的分配（the distribution of difference of two independent sample means）
7.5 樣本變異數分配（the distribution of the sample variance）
7.6 習題
第8章 常態近似與自助抽樣法
8.1 模擬（simulation）與中央極限定理（central limit theorem）
8.2 以常態分配近似二項分配（the normal approximation for the binomial）
8.3 以常態分配近似普瓦松分配
8.4 以常態分配近似卡方分配
8.5 樣本中位數之分配
8.6 自助抽樣法（bootstrap method）
8.7 習題
第9章 估計
9.1 點估計
9.2 點估計量的性質
9.3 母體平均數之區間估計（confidence intervals for means）
9.4 一個母體比例p的信賴區間
9.5 一個常態母體變異數的信賴區間
9.6 決定樣本數
9.7 兩個母體平均數差的信賴區間（confidence intervals for differences of two means）
9.8 兩個非常態母體平均數差的信賴區間
9.9 兩母體比例差p1–p2之信賴區間
9.10 母體平均數差配對樣本區間估計
9.11 兩常態母體變異數比例σ21/σ22區間估計（confidence interval of ratio of two independent sample variances）
9.12 習題
第10章 統計假說檢定
10.1 統計假說（statistical hypothesis）
10.2 型I誤（type I error）與型II誤（type II error）
10.3 檢定方法：棄卻域法、p值法與信賴區間法
10.4 一個常態母體平均數檢定（one sample tests for means of normal distributions）
10.5 一個非常態母體平均數檢定（one sample tests for means of nonnormal distributions）
10.6 一個母體比例檢定（test for a population proportion）
10.7 一個常態母體變異數σ2的檢定（test for a normal population variance）
10.8 兩常態母體平均數差的檢定（tests for differences of two means）
10.9 兩非常態母體平均數差的檢定（tests for differences of two means）
10.10 母體平均數差配對樣本檢定
10.11 兩母體比例差p1–p2之檢定
10.12 兩獨立樣本變異數比例σ21/σ22檢定（test of ratio of two independent sample variances）
10.13 習題
第11章 變異數分析：多個母體平均數比較
11.1 單因子變異數分析（one-way ANOVA）
11.2 單因子變異數分析多重比較（multiple comparisons）
11.3 雙因子變異數分析：含交互作用（two-way ANOVA）
11.4 雙因子變異數分析多重比較（multiple comparisons）
11.5 雙因子變異數分析：不含交互作用（two-way ANOVA without interaction effect）
11.6 習題
第12章 簡單線性迴歸分析
12.1 模式意義與假設
12.2 迴歸係數最佳估計量之分配（point estimates of the regression line）
12.3 直線迴歸線的區間估計與預測（interval estimates of the regression line and prediction）
12.4 判定係數與相關係數（coeffcient of determination and correlation coefficient）
12.5 殘差分析（residuals analysis）：檢視模式假設
12.6 習題
第13章 多元線性迴歸分析
13.1 多元線性迴歸模式（the multiple linear regression model）
13.2 多元線性迴歸係數估計（parameter estimates）
13.3 多元迴歸係數之估計與檢定（estimation and test of the regression coefficients）
13.4 迴歸方程式之信賴區間與預測區間（confidence and prediction intervals）
13.5 多元判定係數（multiple coefficient of determination）
13.6 全模式檢定（overall F test）
13.7 交互作用檢定（test of interaction effect）
13.8 聯合假說檢定（joint hypotheses test）
13.9 虛擬自變數（dummy variables or qualitative explanatory variables）
13.10 適當模式選擇（model selection）
13.11 習題
第14章 適合度檢定：類別資料分析
14.1 多項分配（the multinomial distribution）
14.2 皮爾生卡方統計量（Pearson’s chi-square statistic）與適合度檢定（goodness of fit test）
14.3 連續型機率分配檢定（test of continuous distributions by chisquare statistic）
14.4 多項分配的比較
14.5 獨立性檢定（the chi-squared test of independence）
14.6 辛普森悖論
14.7 習題
第15章 無母數統計
15.1 符號檢定（the sign test）
15.2 威爾卡森符號排序檢定（the Wilcoxon signed-rank test）
15.3 兩母體中位數差檢定（the Wilcoxon rank-sum test for equality of center或the Mann-Whitney U）
15.4 單因子變異數分析：K-W 檢定（Kruskal-Wallis test）
15.5 雙因子變異數分析：Friedman 檢定
15.6 Spearman 排序相關係數
15.7 習題
參考資料
1.1 簡介
「R」是一款專為統計而創的免費自由軟體，由奧克蘭（Auckland）大學統計系的兩位研究員Robert Gentleman與Ross Ihaka，及其他志願人員，於1995至1997年所開發，雖然原始對象為專業的統計工作者，但過去的十多年來，世界各地皆有愛好者採用，共同回饋、開發出更多好用的功能，至今仍蓬勃發展中。由於R是免費軟體並且提供所有原始碼，所以各大專院校的統計課程也都紛紛捨棄SAS、SPSS、Matlab等商業套裝軟體而改用R。
【R的優點】
1. 大數據（Big Data）是當下最流行名詞，過去的統計分析是用歷史資料分析或預測明天的可能，現在的大數據分析是企圖用「母體」的資料分析或預測「接下來」會發生的可能事件，所以R語言是學習一個「親民」的大數據軟體。
2. R是一套免費的（Free）軟體，不會有版本的問題，也不會有經費預算的問題。
3. R每年修正兩次，程式套件功能以及模組越來越強大，可解各種各樣新的統計模式。
4. R中之程式套件中包含許多世界各地實際的研究個案與資料，可讓統計學習者體認到統計在各方面的應用。
5. R也可以進行統計分析與資料採礦（Data Mining）。
【安裝R之步驟】
步驟一：讀者可在網路上鍵入R的官方網站www.r-project.org，隨即出現的即是R的首頁。
步驟二：點選CRAN（Comprehensive R Archive Network的簡稱），則會出現CRAN Mirrors的網頁。
步驟三：在CRAN Mirrors網頁的左手邊各地區的欄位中，選擇距離讀者最近的所在地的CRAN Mirrors。如在臺灣，可選Taiwan下的http://ftp.yzu.edu.tw/CRAN/或http://cran.csie.ntu.edu.tw/。點選後則會出Comprehensive R
Archive Network的畫面。
步驟四：點選The Comprehensive R Archive Network畫面的第一個分格Download and Install R中的Download R for Windows選項。
步驟五：點選在R for Windows 中Subdirectories下base後的install R for the first time，此時會出現R-4.4.1 for Windows (32/64 bit) 畫面。（因軟體版本持續更新，畫面出現的版本標示可能與本書不同，屬正常）
步驟六：點選在R-4.4.1 for Windows (32/64 bit)下的Download R 4.4.1 for Windows(62 megabytes, 32/64 bit) 選項，此時在螢幕左下方會出現R-4.4.1-win.exe的訊息。待下載完成後即可點選執行。執行完成後，您的桌面螢幕上就會有個R平台符號，點選該符號R主控台視窗即會出現，視窗字幕最後出現的紅色>即是R的提示符號，所有的指令都得鍵在此符號之後提交R軟體執行各種指令。
1.2 把R當作計算器
R基本介面是一個互動式指令視窗，當一個R程式需要使用者輸入指令時，它會顯示指令提示符號（prompt symbol），指令提示符號通常是一個>（大於符號）。當使用者輸入完整的運算式，則運算式指令輸入後的結果，R會馬上顯示在指令下方。學習R最好的方法，就是動手使用R，初學者要了解R，可先進行一些簡單實例的演練，將R 當作計算器使用是R最簡單的應用，加、減、乘、除的符號分別為+、–、*與 /，次方以^表示之。若在同一列上要打上兩個或兩個以上的指令，就須以分號（;）隔開。打上指令後，按下執行鍵，結果會出現在以[1]開頭的下一列中。#號後，用來說明或解釋指令，如下：
> 2 + 2
[1] 4 # 輸出資料第一個為[1] 表示第一個資料
> 2-2; 2*2; 2/2 # 以; 分開不同指令
[1] 0
[1] 4
[1] 1
> 2 ^ 2 # 2 的2 次方
[1] 4
> (1–2) * 3
[1] – 3
> 1–2 * 3
[1] − 5
> 2/3 + 1; (1+4*3)/2
[1] 1.666667
[1] 6.5
立即查看
資料分析的統計學基礎：使用R語言 (1版)
類似書籍推薦給您
【簡介】
本書特色
除了告訴讀者統計學是什麼以及有何應用, 本書也注重讓讀者認知到, 為什麼要學這些統計理論的理由與動機。
對於統計理論的介紹, 講求其背後直覺以及應用。
每一章節都專注在回答一個問題, 讓讀者能夠迅速掌握學習重點。
著重模擬與數值計算, 減少繁雜的理論證明細節。對於證明的細節, 有興趣學習更多的讀者可進一步參考《機率與統計推論: R 語言的應用》 (第 2 版, 2023)。
每一章均有 R 程式習題, 或是理論與程式的混合題, 讓讀者從 R 程式的撰寫中, 驗證相關理論, 俾使更為深入了解機率與統計學。
對於 bootstrap 樣本重抽法與貝氏統計推論提供更加細膩的討論。
本書從 R 語言的介紹開始, 最後以貝氏統計推論作為結束, 本書不討論迴歸分析。理由在於, 迴歸分析在經濟商管領域已經被進一步延伸為計量經濟學, 與其在本書中略述皮毛, 不如另起爐灶, 期待在下一本著作中再深入討論。
【目錄】
1 資料分析與 R 語言
2 機率理論與應用
3 隨機變數與離散隨機變數
5 分配函數與分量
6 隨機變數的函數
7 期望值與變異數
8 動差與動差生成函數
9 常態分配及其相關分配
10 多變量隨機變數
11 條件機率分配
12 獨立隨機變數與轉換
13 隨機樣本與抽樣分配
14 漸近理論與漸近分配
15 點估計
16 區間估計
17 假設檢定
18 Gamma 分配
19 The Bootstrap
20 貝氏統計推論
A 機率分配與統計相關的 R 函數
A.1 有哪些與機率相關的 R 函數
A.2 有哪些統計相關的 R 函數
B 機率分配表
索引與英漢名詞對照
參考文獻
立即查看
機率與統計推論：R語言的應用 (2版)
類似書籍推薦給您
本書特色
這是一本因應電腦世代 (computer age) 所寫成的統計學教科書。書中增加了有關 R 語言的介紹,並盡可能在各個章節中,說明電腦以及 R 語言如何在機率與統計推論上,發揮其功用。其中,我們在第 19 章介紹蒙地卡羅模擬與 Bootstrap 樣本重抽法,希望讀者對於如何以電腦運算能力輔助統計推論能有一較為深入的認識。本書的章節安排,是根據我在台大經濟系講授 「統計學」 課程的多年教學經驗所整理出之架構。在介紹完機率模型後,緊接著介紹單變量與多變量隨機變數。關於動差的討論,則是從隨機變數的章節抽離出來,獨立成為第 5 章。同時,亦將常態分配以及與其相關的重要分配如卡方分配,學生 t 分配與 F 分配等,以一獨立章節 (第 6 章) 介紹。這本書的設計目標是,讓學生在得到足以駕馭統計推論的機率理論 (隨機變數,動差,常態分配,抽樣分配與大樣本理論) 之後,就開始一窺統計推論之堂奧。至於其他常用的離散與連續隨機變數,則移到統計推論相關章節的後面,因此,如果是一學期的統計課程,只要專注在第 1 到 11 章即可,關於其他常用離散與連續隨機變數之介紹,可於學期末得空時再補充。我在本書中不再討論變異數分析 (ANOVA),有興趣的讀者請自行參考陳旭昇 (2015)。
本書的特色如下 :
以專章介紹動差與條件動差,並以資本定價模型 (Capital Asset Pricing Model) 作為機率模型的一個應用。
以專章介紹常態分配以及與其相關的重要分配如卡方分配,學生 t 分配與 F分配。
對無母數統計與變異數分析捨棄不提。相反地,對於機率模型,隨機變數,漸近理論 (大樣本理論),估計以及迴歸分析則有較一般初等統計更為深入的探討。
對於迴歸分析,由條件期望值出發,之後再談迴歸的機率模型。在迴歸參數估計上,除了一般常用的最小平方法,我們也使用介紹過的類比法,動差法,以及最大概似法,與之前章節相呼應。此外,揚棄古典迴歸模型中,將解釋變數視為非隨機的假設,並且不再假設迴歸誤差的分配為常態。 因此,對於迴歸模型的統計推論與分析,需仰賴條件機率分配與大樣本漸近理論。
介紹時間序列,多變量常態分配,蒙地卡羅模擬,Bootstrap 樣本重抽法與貝氏統計學。
目錄
1 認識 R 語言
2 機率理論與應用
3 隨機變數
4 多變量隨機變數
5 動差
6 常態分配及其相關分配
7. 隨機樣本與敘述統計
8 漸近理論與漸近分配
9 點估計
10 區間估計
11 假設檢定
12 其他離散隨機變數
13 其他連續隨機變數
14 多變量常態分配
15 簡單迴歸分析 (I): 基本概念
16 簡單迴歸分析 (II): 統計推論
17 多元迴歸分析
18 時間序列
19 蒙地卡羅模擬與 Bootstrap
20 貝氏統計學
21 R 語言簡介
22 機率分配表
立即查看
華通書坊
