《Applied Multivariate Statistical Analysis》全书内容解析

『₣λ¥√≈üĐ』

于 2025-04-02 20:08:06 发布

阅读量801

点赞数 17

文章标签：统计学学习

本文链接：https://blog.csdn.net/m0_72780379/article/details/146963007

版权

根据具体目录，该书将内容划分为三个部分：描述性技术（Part I）、多元随机变量（Part II）和多元技术（Part III）。其设计逻辑将在后文介绍。

基础可视化工具（1.1-1.4）：
- 箱线图（Boxplots）：展示单变量分布与离群值。
- 直方图（Histograms）与核密度估计（Kernel Densities）：描述单变量分布形态。
- 散点图（Scatterplots）：探索双变量关系。
- 目的：从一维到二维逐步熟悉数据特征。
高维数据可视化扩展（1.5-1.8）：
- Chernoff-Flury Faces：用面部特征编码多维变量（适用于小维度）。
- Andrews’ Curves：将高维数据映射为曲线，通过波形差异比较样本。
- Parallel Coordinates Plots：平行坐标图显示多变量关系。
- Hexagon Plots：二维密度图的扩展，处理大规模数据。
- 目的：解决“维度灾难”，直观展示高维数据结构。
案例与练习（1.9-1.10）：
- Boston Housing：经典数据集实战，综合应用前述可视化工具。
- Exercises：强化对图形选择与解读的能力。

数学工具（Chapter 2）：
- 矩阵代数（Matrix Algebra）：多元分析的核心工具（如协方差矩阵、特征分解）。
多维数据概念（Chapter 3）：
- Moving to Higher Dimensions：从单变量推广到多变量，定义均值向量、协方差矩阵等。
分布理论（Chapters 4-5）：
- Multivariate Distributions：多元分布的定义与性质。
- Theory of the Multinormal：多元正态分布的性质（如线性变换不变性、条件分布）。
统计推断基础（Chapters 6-7）：
- 估计理论（Estimation）：均值向量与协方差矩阵的极大似然估计。
- 假设检验（Hypothesis Testing）：如均值向量检验（Hotelling T²）、协方差矩阵检验。

监督学习技术（Chapters 8-10, 14-16）：
- 回归模型（Regression Models）：多元线性回归、广义线性模型。
- 变量选择（Variable Selection）：逐步回归、正则化方法（如Lasso）。
- 判别分析（Discriminant Analysis）：基于类别标签的分类模型。
- 典型相关分析（Canonical Correlation）：研究两组变量间的相关性。
无监督学习技术（Chapters 10-13, 17-18）：
- 主成分分析（PCA）与因子分析：数据降维与潜在结构提取。
- 聚类分析（Cluster Analysis）：无标签数据的分组（如层次聚类、K-means）。
- 对应分析（Correspondence Analysis）：分类变量间关系的可视化。
- 多维标度法（MDS）：基于距离矩阵的结构发现。
应用与扩展（Chapters 19-20）：
- 金融应用（Applications in Finance）：如投资组合优化中的协方差矩阵估计。
- 计算密集型方法（Computationally Intensive Techniques）：Bootstrap、蒙特卡洛模拟。