海外优秀数学类教材系列丛书：经典和现代回归分析及其应用（第2版）（影印版）

　　CHAPTER 1
　　INTRODUCTION: REGRESSION ANALYSIS
　　Regression models
　　Formal uses of regression analysis
　　The data base
　　References
　　CHAPTER 2
　　THE SIMPLE LINEAR REGRESSION MODEL
　　The model description
　　Assumptions and interpretation of model parameters
　　Least squares formulation
　　Maximum likelihood estimation
　　Partioning total variability
　　Tests of hypothesis on slope and intercept
　　Simple regression through the origin （Fixed intercept）
　　Quality of fitted model
　　Confidence intervals on mean response and prediction intervals
　　Simultaneous inference in simple linear regression
　　A complete annotated computer printout
　　A look at residuals
　　Both x and y random
　　Exercises
　　References
　　CHAPTER 3
　　THE MULTIPLE LINEAR REGRESSION MODEL
　　Model description and assumptions
　　The general linear mode] and the least squares procedure
　　Properties of least squares estimators under ideal conditions
　　Hypothesis testing in multiple linear regression
　　Confidence intervals and prediction intervals in multiple regressions
　　Data with repeated observations
　　Simultaneous inference in multiple regression
　　Multicollinearity in multiple regression data
　　Quality fit， quality prediction， and the HAT matrix
　　Categorical or indicator variables (Regression models and ANOVA models）
　　Exercises
　　References
　　CHAPTER 4
　　CRITERIA FOR CHOICE OF BEST MODEL
　　Standard criteria for comparing models
　　Cross validation for model selection and determination of model performance
　　Conceptual predictive criteria (The Cp statistic）
　　Sequential variable selection procedures
　　Further comments and all possible regressions
　　Exercises
　　References
　　CHAPTER 5
　　ANALYSIS OF RESIDUALS 209
　　Information retrieved from residuals
　　Plotting of residuals
　　Studentized residuals
　　Relation to standardized PRESS residuals
　　Detection of outliers
　　Diagnostic plots
　　Normal residual plots
　　Further comments on analysis of residuals
　　Exercises
　　References
　　CHAPTER 6
　　INFLUENCE DIAGNOSTICS
　　Sources of influence
　　Diagnostics: Residuals and the HAT matrix
　　Diagnostics that determine extent of influence
　　Influence on performance
　　What do we do with high influence points?
　　Exercises
　　References
　　CHAPTER 7
　　NONSTANDARD CONDITIONS， VIOLATIONS OF ASSUMPTIONS，AND TRANSFORMATIONS
　　Heterogeneous variance: Weighted least squares
　　Problem with correlated errors (Autocorrelation）
　　Transformations to improve fit and prediction
　　Regression with a binary response
　　Further developments in models with a discrete response (Poisson regression）
　　Generalized linear models
　　Failure of normality assumption: Presence of outliers
　　Measurement errors in the regressor variables
　　Exercises
　　References
　　CHAPTER 8
　　DETECTING AND COMBATING MULTICOLLINEARITY
　　Multicollinearity diagnostics
　　Variance proportions
　　Further topics concerning multicollinearity
　　Alternatives to least squares in cases of multicollinearity
　　Exercises
　　References
　　CHAPTER 9
　　NONLINEAR REGRESSION
　　Nonlinear least squares
　　Properties of the least squares estimators
　　The Gauss-Newton procedure for finding estimates
　　Other modifications of the Gauss-Newton procedure
　　Some special classes of nonlinear models
　　Further considerations in nonlinear regression
　　Why not transform data to linearize?
　　Exercises
　　References
　　APPENDIX A
　　SOME SPECIAL CONCEPTS  IN  MATRIX ALGEBRA
　　Solutions to simultaneous linear equations
　　Quadratic form
　　Eigenvalues and eigenvectors
　　The inverses of a partitioned matrix
　　Sherman-Morrison-Woodbury theorem
　　References
　　APPENDIX B
　　SOME SPECIAL  MANIPULATIONS
　　Unbiasedness of the residual mean square
　　Expected value of residual sum of squares and mean square
　　for an underspecified model
　　The maximum likelihood estimator
　　Development of the PRESS statistic
　　Computation of s _ i
　　Dominance of a residual by the corresponding model error .Computation of influence diagnostics
　　Maximum likelihood estimator in the nonlinear model
　　Taylor series
　　Development of the C~-statistic
　　References
　　APPENDIX C
　　STATISTICAL TABLES
　　INDEX

　　《经典和现代回归分析及其应用》纯英文影印版，Many volumes have been written by statisticians and scientists with the resultbeing that the arsenal of effective regression methods has increased manyfold.　My intent for this second edition is to provide a rather substantial increase inmaterial related to classical regression while continuing to introduce relevant newand modern techniques. I have included major supplements in simple linearregression that deal with simultaneous influence， maximum likelihood estimationof parameters， and the plotting of residuals. In multiple regression， new andsubstantial sections on the use of the general linear hypothesis， indicator variables，the geometry of least squares， and relationship to ANOVA models are added.