您是否有建议书可以在研究生水平上自学《应用统计》？

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。

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。

Harrell（2001）的回归建模策略的特点是

• 从头到尾涵盖建模—因此，数据减少，缺失值的估算和模型验证是其中的主题。
• 强调说明如何在不同阶段采用不同的方法
• 彻底解决问题的示例（和S-Plus / R代码），占用了本书的大部分内容

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。

Gelman等人的Bayesian Data Analysis第三版（2013年）。级别参差不齐，但我发现治疗效果非常好，可以从大多数章节中获得有价值的东西。如果您对方法的原则性应用感兴趣，我会推荐这本书。

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）。

如果您已经了解一些基础知识，那么Frank Frank的回归建模策略就是一本好书。它着重于应用程序（带有代码的大量示例），指定模型，模型诊断，处理常见陷阱以及避免问题方法。

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。

我写了《用于工程应用的非线性回归建模：建模，模型验证和实验的使能设计》一书，Wiley，纽约，纽约，2016年9月。ISBN 9781118597965，RR，Rhinhart，因为我感觉到了这种需要。本书共361页，有一个随附的网站，其中包含针对许多技术的Excel / VBA开放代码解决方案。请访问www.r3eda.com。

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。