我在大学上过几门统计学课程,但发现我的教育非常注重理论。
我想知道你们中是否有人推荐或在应用统计学方面(研究生阶段)有过不错的经验。
我在大学上过几门统计学课程,但发现我的教育非常注重理论。
我想知道你们中是否有人推荐或在应用统计学方面(研究生阶段)有过不错的经验。
Answers:
一些非常好的书:Box,Hunter&Hunter撰写的“实验者的统计数据:设计,创新和发现,第二版”。这是正式的介绍性文本(对化学和工程人员而言更多),但在应用方面非常好。
Andrew Gelman和Jennifer Hill撰写的“使用回归和多层次/层次模型进行数据分析”。在回归建模上的应用非常好。
“统计学习的要素:数据挖掘,推理和预测,第二版”(统计史普林格丛书)第二版(2009年),由Hastie Trevor,Tibshirani Robert和Friedman Jerome改正。比我的清单中的第一个更理论,但在应用的原因和假设方面也非常出色。- PDF版本发布
Gareth James,Daniela Witten,Trevor Hastie和Robert Tibshirani撰写的“统计学习入门”(统计史普林格系列)第六届(2015年) -PDF发布版本
逐步学习这三本书应该为应用程序打下良好的基础。
除此之外,Wooldrige的《计量经济学:现代方法》还提供了许多您想知道的高级回归大学方面的一切。
编辑:如果您要处理分类结果,则Hastie等人必不可少。而且,与Hastie等人的机器学习方法相反,Agresti的分类数据分析是一种很好的经典方法。
我从Sheskin的《参数和非参数统计过程手册》中得到了很多使用。它是对假设检验方法的广泛调查,对理论进行了很好的介绍,并对每种方法的精妙之处进行了大量注释。您可以在发布商的网站上看到目录(上面链接)。
我使用了Montgomery和Runger的“工程统计”。很好(特别是如果您有很强的数学背景)。我也强烈建议您查看CalTech的在线机器学习课程。非常适合介绍ML Concepts(如果这是数据分析的一部分)。https://work.caltech.edu/telecourse.html。
UW Stat PhD程序的顶级回归方法序列使用Wakefield的“贝叶斯和频率回归方法”,对于像您这样看过很多数学统计数据的人们来说,这是一个特别好的选择。由于它利用了大量的数学知识,因此即使是最简单的应用方法,也比大多数书籍提供了更多的视角。
我使用了肖恩·康诺利(Sean Connolly)的《大学统计》(College Statistics Made Easy)。它针对统计学的第一/第二门课程。该材料非常非常容易遵循。我尝试了几本书,没有本书可以与之相比。