包邮社会统计方法与技术

上篇
一　定类数据分析
　1　介绍
　　1．1　预备知识
　　1．2　定类变量的分析
　2　卡方检验
　　2．1　卡方检验的解释
　3　相关的量度
　　3．1　介绍
　　3．2 　2×2表格的相关量度
　　3．3 　I×J表格的相关量度法
　　3．4　相关量度的比较
　4　多元数据分析的介绍
　　4．1　定类变量的因果分析
　5　结论
　注　释
　参考文献
二　定序数据分析
　简　介
　1　定序量度
　　1．1　定序变量分析的三个问题
　2　单个观测值的二元预测
　　2．1　总体和样本
　　2．2　已知自变量状态的预测
　　2．3　自变量状态未知的预测
　　2．4　V8量度
　　2．5　象限量度：专门应用于定序变量
　　2．6　科恩Kappa(Cohen's Kappa)：另一种量度
　　2．7　定序变量预测的灵敏度分析：可靠性(信度)评估
　3　成对观测值的二元预测
　　3．1　计算合并的定序数据
　　3．2　对合并定序表格的预测
　　3．3　合并表格的概率形式
　　3．4　合并定序形式的灵敏度分析
　　3．5　排除所有同分的预测域
　　3．6　排除一个变量的同分的预测域
　　3．7　从预测域去掉一个单元格而非一行或一列
　　3．8　不同预测域的比较
　　3．9　一致和不一致：回顾
　　3．10　再次标准化：肯德尔τc(Kendall's τc)
　　3．1l　肯德尔τ2b(Kendall's τ2b)：合并表格的混合预测方法以及与
　　　　　　定量变量预测的类似之处
　4　定量，定类和定序变量的联合预测
　　4．1　定量变量
　　4．2　定类变量和扩展形式
　5　多元分析
　　5．1　建立三元合并表
　　5．2　模仿二元预测的三元预测
　　5．3　多元　
　　5．4　部分　
　6　计算方法和统计推论
　　6．1　计算机软件
　　6．2　统计推论
　　6．3　小结
　注　释
　参考文献
三　方差分析
　1　导论
　2　一维方差分析：所有类别
　　2．1　两组比较
　　2．2　两组以上
　3　二维方差分析，所有类别
　　3．1　不相关的解释变量
　　3．2　相关的解释变量
　　3．3　特殊主题
　4　方差分析，定类样本
　　4．1　一维分析
　　4．2　两个解释变量
　5　其他模型
　　5．1　混合模型(Mixed Models)
　　5．2　三个解释变量
　　5．3　拉丁方设计
　　5．4　嵌套设计(Nested Designs)
　　5．5　方差分析与回归分析
　6　结论
　　6．1　回顾
　　6．2　其他论题
　参考文献
四　关联的量度
　1　导论
　2　离散数据的抽样分布
　　2．1　二项分布和多项分布
　　2．2　列联表
　3　定类数据关联的量度
　　3．1　以卡方统计值为基础的量度
　　　3．1．1　皮尔逊(PEARSON)均方列联系数
　　　3．1．2　皮尔逊(PEARSON)列联系数与斯科达(SAKODA)的修正
　　　3．1．3　楚普洛夫(TSCHUPROW)列联系数
　　　3．1．4　克莱姆(CRAMER)列联系数
　　3．2　消减预测误差比例的量度系数
　　　3．2．1　古德曼一克鲁斯凯(GOODMAN—KRUSKAL)λ系数
　　　3．2．2　古德曼一克鲁斯凯(GOODMAN—KRUSKAL)τ系数
　　3．3　一致性的量度
　　　3．3．1　科恩(COHEN)κ系数与加权κ系数
　　　3．3．2　科尔曼一莱特(COLEMAN-LIGHT)条件一致性量度系数
　　3．4　针对2 × 2列联表的特定量度系数
　　　3．4．1　以交叉乘积比为基础的量度系数
　　　3．4．2　以相关系数为基础的量度系数
　4　量度连续(定距)数据的相关
　　4．1　皮尔逊(PEARSON)积矩相关系数
　　4．2　肯德尔(KENDALL)T系数
　　4．3　斯皮尔曼(SPEARMAN)秩相关系数29
　5　量度定序数据的关联
　　5．1　初步
　　5．2　肯德尔(KENDALL)τb系数
　　5．3　与肯德尔(KENDALL)τb系数有关的量度系数
　　　5．3．1　肯德尔一斯图尔特(KENDALL-STUART)τC系数
　　　5．3．2　古德曼一克鲁斯凯(GOODMAN—KRUSKAL)γ系数　
　　　5．3．3　萨默斯(SOMERS)d系数　
　　　5．3．4　威尔逊(WILSON)e系数　
　　　5．3．5　总结
　　5．4　其他量度系数
　6　选择适当的量度系数
　7　相关与因果联系
　　注释
　　参考文献
五　多重回归的应用
　序
　导言
　1　多元回归模型：复习
　2　设定错误
　　2．1　设定错误导致的后果
　　2．2　设定错误举例：生活满意度
　　2．3　发现和处理设定错误
　3　量度误差
　　3．1　量度误差的后果
　　3．2　量度误差举例：生活满意度
　　3．3　发现量度误差
　　3．4　处理量度误差
　4　多元共线性
　　4．1　多元共线性的后果
　　4．2　发现高度多元共线性
　　4．3　多元共线性举例：生活满意度
　　4．4　处理多元共线性
　5　非线性和不可加性
　　5．1　发现非线性和不可加性
　　5．2　处理非线性
　　5．3　处理不可加性
　　5．4　非线性和不可加性模型的注意事项
　6　异方差和自相关
　　6．1　出现异方差和自相关的原因
　　6．2　异方差和自相关导致的后果
　　6．3　发现异方差
　　6．4　异方差举例：收入和租房
　　6．5　处理异方差和自相关
　7　结束语
　注　释
　参考文献
下篇
一　线性概率模型、对数概率模型和正态概率模型
　丛书编辑引言
　1　线性概率模型
……
　2　非线性概率模型的设定
　3　二项应变量正态概率模型和对数概率模型的估计
　4　*小卡方估计和多项模型
　5　总结和扩展
　注　释
　参考文献
二　回归的解释与应用
　丛书编辑导言
　l　导论
　2　基础回归理论与社会科学实践
　3　回归估计的统计性质
　4　回归系数的抽样分布
　5　选择一种设定
　6　变量的重要性
　7　结论
　附录对回归一致性结果的证明
　注　释
　参考文献
三　时间序列分析：回归技术
　1　导论
　2　时间序列回归分析：非滞后的情况
　3　其他备择的时变过程
　4　时间序列回归分析：滞后的情况
　5　预测
　6　总结
　　附录防卫支出数据(单位：10亿美元)
　　注　释
　　参考文献
四　事件史分析法——用于纵向数据的回归分析法
　丛书编辑序
　l　导论
　2　离散时间事件史数据分析法
　3　连续时间数据的参数分析法
　4　比例风险模型和部分似然估计
　5　多类事件史的数据估计分析法
　6　重复事件分析法
　7　状态变化情况下的事件史分析法
　8　结论
附录A　*大似然和部分似然
附录B　 GLIM、SAS和BMDP程序实例清单
附录C　计算机程序
注　释
参考文献