本书是世界公认的《回归分析》标准教材（aleadingtextbookonregression）。不仅从理论上介绍了当今统计学中用到的传统回归方法，还补充介绍了尖端科学研究中不太常见的回归方法。难能可贵的是，作者有丰富的教学经验和实际应用经验，使得本书理论和应用并重，还给出实际应用中应该注意的问题。新版除利用Minitab,SAS,S-PLUS软件外,还融入了最新流行的JMP软件和R软件，来阐释相关技术方法。配套资源很丰富，数据、教学PPT等可免费下载。
目 录译者序前言第1章 导引1 1.1 回归与建模1 1.2 数据收集4 1.3 回归的用途7 1.4 计算机的角色7第2章 简单线性回归9 2.1 简单线性回归模型9 2.2 回归参数的最小二乘估计9 2.2.1 β0与β1的估计9 2.2.2 最小二乘估计量的性质与回归模型拟合13 2.2.3 σ2的估计14 2.2.4 简单线性回归模型的另一种形式15 2.3 斜率与截距的假设检验15 2.3.1 使用t检验16 2.3.2 回归显著性检验16 2.3.3 方差分析18 2.4 简单线性回归的区间估计20 2.4.1 β0、β1与σ2的置信区间20 2.4.2 响应变量均值的区间估计21 2.5 新观测值的预测23 2.6 决定系数24 2.7 回归在服务业中的应用25 2.8 使用SAS和R做回归分析27 2.9 对回归用途的若干思考29 2.10 过原点回归31 2.11 极大似然估计35 2.12 回归变量x为随机变量的情形36 2.12.1 x与y的联合分布36 2.12.2 x与y的正态联合分布：相关模型37 习题40第3章 多元线性回归47 3.1 多元回归模型47 3.2 模型参数的估计49 3.2.1 回归系数的最小二乘估计49 3.2.2 最小二乘法的几何解释55 3.2.3 最小二乘估计量的性质55 3.2.4 σ2的估计56 3.2.5 多元回归中散点图的不适用性57 3.2.6 极大似然估计58 3.3 多元回归中的假设检验59 3.3.1 回归显著性检验59 3.3.2 单个回归系数的检验与回归系数子集的检验61 3.3.3 X中列为正交列的特例65 3.3.4 一般线性假设的检验66 3.4 多元回归中的置信区间68 3.4.1 回归系数的置信区间68 3.4.2 响应变量均值的置信区间估计69 3.4.3 回归系数的联合置信区间70 3.5 新观测值的预测72 3.6 病人满意度数据的多元回归模型73 3.7 对基本多元线性回归使用SAS与R74 3.8 多元回归中所隐含的外推法77 3.9 标准化回归系数79 3.10 多重共线性82 3.11 回归系数为什么有错误的正负号84 习题85第4章 模型适用性检验91 4.1 导引91 4.2 残差分析91 4.2.1 残差的定义91 4.2.2 残差尺度化方法92 4.2.3 残差图97 4.2.4 偏回归图与偏残差图100 4.2.5 使用Minitab、SAS与R做残差分析102 4.2.6 残差的其他作图与分析方法104 4.3 PRESS统计量105 4.4 离群点的探测与处理106 4.5 回归模型的失拟108 4.5.1 失拟的正规检验109 4.5.2 通过近邻点估计纯误差112 习题116第5章 修正模型不适用性的变换与加权120 5.1 导引120 5.2 方差稳定化变换120 5.3 模型线性化变换123 5.4 选择变换的分析方法127 5.4.1 对y进行变换：博克斯考克斯方法127 5.4.2 对回归变量进行变换129 5.5 广义最小二乘与加权最小二乘131 5.5.1 广义最小二乘131 5.5.2 加权最小二乘133 5.5.3 若干实用问题133 5.6 带有随机效应的回归模型135 5.6.1 子抽样135 5.6.2 含有单一随机效应的回归模型的一般情形140 5.6.3 混合模型在回归中的重要性142 习题142第6章 杠杆与强影响的诊断149 6.1 探测强影响观测值的重要性149 6.2 杠杆150 6.3 强影响的度量：库克D距离152 6.4 强影响的度量：DFFITS与DFBETAS153 6.5 模型性能的度量155 6.6 探测强影响观测值的群体156 6.7 强影响观测值的处理156 习题157第7章 多项式回归模型158 7.1 导引158 7.2 单变量的多项式模型158 7.2.1 基本原理158 7.2.2 分段多项式拟合（样条）162 7.2.3 多项式与三角式166 7.3 非参数回归167 7.3.1 核回归167 7.3.2 局部加权回归168 7.3.3 最后的警告171 7.4 两个或更多变量的多项式模型171 7.5 正交多项式177 习题180第8章 指示变量185 8.1 指示变量的一般概念185 8.2 关于指示变量用途的评注194 8.2.1 指示变量与指定代码回归194 8.2.2 用指示变量代替定量回归变量195 8.3 方差分析的回归方法195 习题199第9章 多重共线性203 9.1 导引203 9.2 多重共线性的来源203 9.3 多重共线性的影响205 9.4 多重共线性的诊断209 9.4.1 考察协方差矩阵209 9.4.2 方差膨胀因子212 9.4.3 X′X的特征系统分析213 9.4.4 其他诊断量216 9.4.5 生成多重共线性诊断量的SAS代码与R代码217 9.5 处理多重共线性的方法217 9.5.1 收集额外数据217 9.5.2 模型重设218 9.5.3 岭回归218 9.5.4 主成分回归225 9.5.5 有偏估计量的比较与评估230 9.6 使用SAS做岭回归与主成分回归231 习题233第10章 变量选择与模型构建236 10.1 导引236 10.1.1 模型构建问题236 10.1.2 模型误设的后果237 10.1.3 评估子集回归模型的准则239 10.2 变量选择的计算方法243 10.2.1 所有可能的回归243 10.2.2 逐步回归方法248 10.3 变量选择与模型构建的策略252 10.4 案例研究：使用SAS研究Gorman和Toman沥青数据254 习题266第11章 回归模型的验证269 11.1 导引269 11.2 模型验证的方法269 11.2.1 模型系数与预测值的分析270 11.2.2 收集新数据——确认性试验271 11.2.3 数据分割272 11.3 来自试验设计的数据279 习题280第12章 非线性回归导引282 12.1 线性回归模型与非线性回归模型282 12.1.1 线性回归模型282 12.1.2 非线性回归模型282 12.2 非线性模型的起源283 12.3 非线性最小二乘285 12.4 将非线性模型变换为线性模型287 12.5 非线性系统中的参数估计289 12.5.1 线性化289 12.5.2 参数估计的其他方法294 12.5.3 初始值295 12.6 非线性回归中的统计推断296 12.7 非线性模型的实例297 12.8 使用SAS与R298 习题301第13章 广义线性模型305 13.1 导引305 13.2 逻辑斯蒂回归模型305 13.2.1 有二值响应变量的模型305 13.2.2 逻辑斯蒂回归模型中的参数估计307 13.2.3 解释逻辑斯蒂回归模型中的参数310 13.2.4 模型参数的统计推断311 13.2.5 逻辑斯蒂回归中的诊断检验318 13.2.6 二值响应数据的其他模型319 13.2.7 分类回归变量的结果多于两个320 13.3 泊松回归321 13.4 广义线性模型326 13.4.1 连接函数与线性预测项326 13.4.2 GLM的参数估计与推断327 13.4.3 使用GLM进行预测与估计330 13.4.4 GLM中的残差分析331 13.4.5 使用R做GLM分析333 13.4.6 超散布性335 习题335第14章 时间序列数据的回归分析344 14.1 时间序列数据的回归模型导引344 14.2 自相关的探测：杜宾沃森检验344 14.3 时间序列回归模型中的参数估计348 习题361第15章 使用回归分析时的其他论题364 15.1 稳健回归364 15.1.1 为什么需要稳健回归364 15.1.2 M-估计量366 15.1.3 稳健估计量的性质372 15.2 测量误差对回归的影响373 15.2.1 简单线性回归373 15.2.2 博克森模型374 15.3 逆估计——校准问题374 15.4 回归自助法377 15.4.1 回归中的自助抽样378 15.4.2 自助置信区间378 15.5 分类回归树（CART）382 15.6 神经网络384 15.7 回归试验设计386 习题393附录A 统计用表395附录B 习题数据集406附录C 统计方法的补充内容425附录D SAS导论453附录E R导论并用R做线性回归461参考文献464索引479
书单推荐
