内容

目次

第1章　線形式で予測する：回帰モデル 1.1　単回帰モデル 1.2　重回帰モデル 1.3　最小二乗推定量の性質 第2章　変量間の関係を調べる：回帰モデルの統計的推測 2.1　最小二乗推定量の標本分布 2.2　t検定 2.3　F検定 第3章　モデルの複雑さをコントロールする：正則化 3.1　行列表記 3.2　多重共線性 3.3　正則化 3.4　バイアスと分散 第4章　高次元回帰モデルを効率的に推定する：Lasso 4.1　Lasso推定量の性質 4.2　adaptive Lasso 4.3　実証分析 第5章　高次元における統計的推測：多重検定 5.1　debiased Lasso推定量 5.2　多重検定 第6章　統計手法が正しく機能するか調べる：モンテカルロ実験 6.1　期待値の検定のモンテカルロ実験 6.2　回帰係数の検定のモンテカルロ実験 6.3　現代の統計学におけるモンテカルロ実験 第7章　コンピューターの力で難題を解決する：ブートストラップ 7.1　期待値の検定のブートストラップ 7.2　回帰係数の検定のブートストラップ 7.3　現代の統計学におけるブートストラップ 第8章　データを可視化する：主成分分析，因子分析，多次元尺度構成法 8.1　主成分分析 8.2　因子分析 8.3　多次元尺度構成法 8.4　補論：主成分分析の数理 第9章　集団を分類する：クラスター分析，ナイーブ・ベイズ分類，決定木 9.1　クラスター分析 9.2　ナイーブ・ベイズ分類 9.3　決定木 9.4　補論：共役事前分布とベイズ確率モデル 第10章　判別して要因を探る：ロジスティック回帰，判別分析 10.1　ロジスティク回帰 10.2　判別分析 第11章　原因を推定する：ベイジアンネットワーク 11.1　ベイジアンネットワークとは 11.2　ベイジアンネットワークの使い方 11.3　分析事例：ダイレクトマーケティング分析 第12章　文書から話題を見つける：トピックモデル 12.1　文書データの分析 12.2　トピックモデル 12.3　LDA：潜在ディリクレ配分法 12.4　STM：構造トピックモデル 第13章　好みを見つける：推薦システム 13.1　推薦システム 13.2　協調フィルタリング 13.3　分析事例：映画の推薦 13.4　より進んだトピック 参考文献 略　　解 索　　引