1R programming
如果只是想初步了解一下R语言已经R在数据分析方面的应用，那不妨就看看这两本：
R in action：我的R语言大数据101。其实对于一个没有任何编程基础的人来说，一开始就学这本书，学习曲线可能会比较陡峭。但如果配合上一些辅助材料，如官方发布的 R basics
2Python
Think Python，Think
Stats，Think Bayes：这是Allen B. Downey写的著名的Think X
series三大卷。其实是三本精致的小册子，如果想快速地掌握Python在统计方面的操作，好好阅读这三本书，认真做习题，答案链接在书里有。这三本书学通了，就可以上手用Python进行基本的统计建模了。
3Exploratory Data Analysis 和 Data Visualization
Exploratory Data
Analysis：John
Tukey写于1977年的经典老教材，是这一领域的开山之作。如今EDA已经是统计学里的重要一支，但当时还是有很多人对他的工作不屑一顾。可他爱数据，坚信数据可以以一种出人意料的方式呈现出来。正是他的努力，让数据可视化成为一门无比迷人的技术。
4Machine Learning &Data Mining
这一块就不多说了，不是因为它不重要，而是因为它太太太重要。所以这一部分就推两本书，都是”世界名著“，都比较难读，需要一点点地啃。这两本书拿下，基本就算是登堂入室了。其实作为机器学习的延伸和深化，概率图模型（PGM）和深度学习（deep
learning）同样值得研究，特别是后者现在简直火得不得了。但PGM偏难，啃K.Daphne那本大作实在太烧脑，也没必要，而且在数据领域的应用也不算很广。deep
learning目前工业界的步子迈得比学术界的大，各个domain的应用如火如荼，但要有公认的好教材问世则还需时日，所以PGM和deep
learning这两块就不荐书了。
多元线性回归的计算方法之迟辟智美创作摘要在实际经济问题中，一个变量往往受到多个变量的影响.例如，家庭消费支出，除受家庭可支配收入的影响外，还受诸如家庭所有的财富、物价水平、金融机构存款利息等多种因素的影响，暗示在线性回归模型中的解释变量有多个.这样的模型被称为多元线性回归模型.多元线性回归的基来源根基理和基本计算过程与一元线性回归相同，但由于自变量个数多，计算相当麻烦，一般在实际中应用时都要借助统计软件.这里只介绍多元线性回归的一些基本问题.但由于各个自变量的单元可能纷歧样，比如说一个消费水平的关系式中，工资水平、受教育水平、职业、地域、家庭负担等等因素城市影响到消费水平，而这些影响因素（自变量）的单元显然是分歧的，因此自变量前系数的年夜小其实不能说明该因素的重要水平，更简单地来说，同样工资收入，如果用元为单元就比用百元为单元所得的回归系数要小，可是工资水平抵消费的影响水平并没有变，所以得想法子将各个自变量化到统一的单元上来.前面学到的标准分就有这个功能，具体到这里来说，就是将所有变量包括因变量都先转化为标准分，再进行线性回归，此时获得的回归系数就能反映对应自变量的重要水平.这时的回归方程称为标准回归方程，回归系数称为标准回归系数，暗示如下：
Zy=β1Zx1+β2Zx2+…+βkZxk
注意，由于都化成了标准分，所以就不再有常数项a了，因为各自变量都取平均水平时，因变量也应该取平均水平，而平均水平正好对应标准分0，当等式两真个变量都取0时，常数项也就为0了.多元线性回归模型的建立多元线性回归模型的一般形式为Yi=β0+β1X1i+β2X2i+…+
β_{i}x_{i}h_{i}+υ_{i}
β
i
x
i
h
i
+υ
i
=1,2,…,n其中 k为解释变量的数目，
β_{j}
β
j
=（j=1,2,…,k)称为回归系数（regression coefficient).上式也被称为总体回归函数的随机表达式.它的非随机表达式为E(Y∣X1i,X2i,…Xki,)=β0+β1X1i+β2X2i+…+βkXki
￥
5.9
百度文库VIP限时优惠现在开通,立享6亿+VIP内容
立即获取
多元线性回归的计算方法
多元线性回归的计算方法之迟辟智美创作
摘要
在实际经济问题中，一个变量往往受到多个变量的影响.例如，家庭消费支出，除受家庭可支配收入的影响外，还受诸如家庭所有的财富、物价水平、金融机构存款利息等多种因素的影响，暗示在线性回归模型中的解释变量有多个.这样的模型被称为多元线性回归模型.
多元线性回归的基来源根基理和基本计算过程与一元线性回归相同，但由于自变量个数多，计算相当麻烦，一般在实际中应用时都要借助统计软件.这里只介绍多元线性回归的一些基本问题.
但由于各个自变量的单元可能纷歧样，比如说一个消费水平的关系式中，工资水平、受教育水平、职业、地域、家庭负担等等因素城市影响到消费水平，而这些影响因素（自变量）的单元显然是分歧的，因此自变量前系数的年夜小其实不能说明该因素的重要水平，更简单地来说，同样工资收入，如果用元为单元就比用百元为单元所得的回归系数要小，可是工资水平抵消费的影响水平并没有变，所以得想法子将各个自变量化到统一的单元上来.前面学到的标准分就有这个功能，具体到这里来说，就是将所有变量包括因变量都先转化为标准分，再进行线性回归，此时获得的回归系数就能反映对应自变量的重要水平.这时的回归方程称为标准回归方程，回归系数称为标准回归系数，暗示如下：
Zy=β1Zx1+β2Zx2+…+βkZxk
注意，由于都化成了标准分，所以就不再有常数项a了，因为各自变量都取平均水平时，因变量也应该取平均水平，而平均水平正好对应标准分0，当等式两真个变量都取0时，常数项也就为0了.
