第一章 引言
1.1 作為科學的統計
1.2 數據分析的實踐
1.3 數據的形式以及可能用到的模型
1.3.1 橫截面數據:因變量為實軸上的數量變量
1.3.2 橫截面數據:因變量為分類(定性)變量或者頻數
1.3.3縱向數據,多水平數據,面板數據,重復觀測數據
1.3.4 多元數據各變量之間的關系:多元分析
1.3.5 路徑模型/結構方程模型
1.3.6 多元時間序列數據
1.4 R 軟件入門
1.4.1 簡介
1.4.2 動手
第二章 橫截面數據：因變量為實數軸上的數量變量
2.1 簡單回歸回顧
2.1.1 對例2.1數據的簡單擬合
2.1.2 對例2.1數據的進一步分析
2.1.3 對簡單線性回歸的一些討論
2.1.4 損失函數及分位數回歸簡介
2.2 簡單線性模型不易處理的橫截面數據
2.2.1 標准線性回歸中的指數變換
2.2.2 生存分析數據的Cox回歸模型
2.2.3 數據出現多重共線性情況:嶺回歸,lasso回歸,適應性lasso回歸，偏最小二乘回歸
2.2.4 無法做任何假定的數據:機器學習回歸方法
2.2.5 決策樹回歸(回歸樹)
2.2.6 Boosting回歸
2.2.7 Bagging回歸
2.2.8 隨機森林回歸
2.2.9 人工神經網絡回歸
2.2.10 支持向量機回歸
2.2.11 幾種回歸方法五折交叉驗證結果
2.2.12 方法的穩定性及過擬合
第三章 橫截面數據：因變量為分類變量及因變量為頻數(計數)變量的情況
3.1經典logistic回歸，probit回歸和僅適用於數量自變量的判別分析回顧
3.1.1 Logistic回歸和probit回歸
3.1.2 廣義線性模型簡介
3.1.3 經典判別分析
3.2 因變量為分類變量，自變量含有分類變量：機器學習分類方法
3.2.1 決策樹分類(分類樹)
3.2.2 Adaboost分類
3.2.3 Bagging分類
3.2.4 隨機森林分類
3.2.5 支持向量機分類
3.2.6 最近鄰方法分類
3.2.7 分類方法五折交叉驗證結果
3.3因變量為頻數(計數)的情況
3.3.1 經典的Poisson對數線性模型回顧
3.3.2 使用Poisson對數線性模型時的散布問題
3.3.3 零膨脹計數數據的Poisson回歸
3.3.4 機器學習的算法模型擬合計數數據
3.3.5 關於模型驅動還是數據驅動的簡單討論
3.3.5 多項logit模型及多項分布對數線性模型回顧
第四章 縱向數據(多水平數據,面板數據)
4.1 縱向數據：線性隨機效應混合模型
4.2 縱向數據：廣義線性隨機效應混合模型
4.3 縱向數據：決策樹及隨機效應模型
4.4 縱向數據：縱向生存數據
4.4.1 Cox隨機效應混合模型
4.4.2 分步聯合建模
§4.5 計量經濟學家的視角：面板數據
第五章 多元分析
5.1 實數軸上的數據：經典多元分析內容回顧
5.1.1 主成分分析及因子分析
5.1.2 分層聚類及k均值聚類
5.1.3 典型相關分析
5.1.4 對應分析
5.2 非經典多元數據分析：可視化
5.2.1 主成分分析
5.2.2 對應分析
5.2.3 多重對應分析
5.2.4 多重因子分析
5.2.5 分層多重因子分析
5.2.6 基於主成分分析的聚類
5.3 多元數據的關聯規則分析
第六章 路徑建模(結構方程建模)數據的PLS分析
6.1 路徑模型概述
6.1.1 路徑模型
6.1.2 路徑模型的兩種主要方法
6.2 PLS方法：顧客滿意度的例子
6.3 協方差方法簡介
6.4 結構方程模型的一些問題
第七章 多元時間序列數據
7.1 時間序列的基本概念及單變量時間序列方法回顧
7.1.1 時間序列的一些定義和基本概念
7.1.2 常用的一元時間序列方法
7.2 單位根，協整檢驗及Granger因果檢驗
7.2.1 概述
7.2.2 單位根檢驗
7.2.3 協整檢驗
7.2.4 Granger因果檢驗
7.3 VAR模型，VARX模型與狀態空間模型
7.3.1 VAR模型的擬合與預測
7.3.2 VARX模型的擬合與預測
7.3.3 狀態空間模型的擬合與預測
7.3.4模型的比較
7.4 非線性時間序列
7.4.1 引言
7.4.2 線性AR模型
7.4.3 自門限自回歸模型（SETAR）
7.4.4 Logistic平滑過渡自回歸模型（LSTAR）
7.4.5 神經網絡模型
7.4.6 可加AR模型
7.4.7 模型的比較
7.4.8 門限協整
附錄練習：熟練使用R軟件
參考文獻
