Статистический анализ и визуализация данных с помощью R

Предисловие
Глава 1. Основные компоненты статистической
среды R
1.1. История возникновения и основные принципы
организации среды R
1.2. Работа с командной консолью
1.3. Работа с меню R Commander
1.4. Объекты, пакеты, функции, устройства
Глава 2. Описание языка R
2.1. Типы данных
2.2. Векторы и матрицы
2.3. Факторы
2.4. Списки и таблицы данных
Заполнение пустых значений
Сортировка таблиц
Объединение таблиц
2.5. Импортирование данных в R
2.6. Представление дат и времени. Временные
ряды
Форматы представления дат и времени
Вычисления с датами и временем
Преобразование текстовых переменных в
машинный формат времени
Временные ряды
2.7. Организация вычислений: функции,
ветвления, циклы
Написание собственных функций
Условия и циклы
2.8. Векторизованные вычисления в R
Глава 3. Базовые графические возможности R
3.1. Функция plot() и ее параметры
Управляющие параметры функции plot()
Общие аргументы графических функций
3.2. Гистограммы, функции ядерной плотности и
функция cdplot()
Функция cdplot()
3.3. Диаграммы размахов
3.4. Круговые и столбиковые диаграммы
3.5. Диаграммы Кливленда и одномерные
диаграммы рассеяния
3.6. Категоризованные графики
Глава 4. Описательная статистика, подгонка
распределений и смежные задачи
4.1. Базовые функции для расчета параметров
описательной статистики
4.2. summary() и функции из дополнительных
пакетов
4.3. Анализ выбросов
4.4. Заполнение пропущенных значений в таблицах
данных
4.5. Воспроизводимость результатов при
использовании генератора случайных чисел
4.6. Законы распределения вероятностей,
реализованные в R
4.7. Подбор закона и параметров распределения в
R
4.8. Проверка на нормальность распределения
Графические способы
Формальные тесты
Глава 5. Классические методы статистики
5.1. Гипотеза о равенстве средних двух
генеральных совокупностей
Одновыборочный t-критерий
Сравнение двух независимых выборок
Сравнение двух зависимых выборок
5.2. Ранговый критерий Уилкоксона-Манна-Уитни
Одновыборочный критерий Уилкоксона
Сравнение двух независимых выборок
Сравнение двух зависимых выборок
5.3. Рандомизация, бутстреп и оценка
статистической мощности (на примере
двухвыборочного t-критерия)
5.4. Гипотеза об однородности дисперсий
Проверка однородности дисперсии в двух группах
Проверка однородности дисперсии в нескольких
группах
5.5. Введение в дисперсионный анализ
Постановка задачи
Две оценки генеральной дисперсии в
дисперсионном анализе
Выполнение дисперсионного анализа в R
Двухфакторный дисперсионный анализ
5.6. Оценка корреляции двух случайных величин
5.7. Критерий хи-квадрат
Критерий хи-квадрат для таблиц сопряженности
размером 2х2
Критерий хи-квадрат для таблиц сопряженности
размером больше 2х2
5.8. Точный тест Фишера. Критерии Мак-Немара и
Кохрана-Мантеля-Хензеля
Точный тест Фишера
Критерий Мак-Немара
Критерий Кохрана-Мантеля-Хензеля для таблиц
сопряженности размером 2х2хK
5.9. Оценка статистической мощности при
сравнении частот
Глава 6. Дисперсионный анализ
6.1. Протокол разведочного анализа данных
Выявление точек-выбросов
Проверка однородности групповых дисперсий
Проверка на нормальность распределения
Выявление избыточного числа нулевых значений
Выявление коллинеарности
Выявление формы связи между переменными
Выявление взаимодействий между предикторами
Влияние пространственно-временных факторов на
анализируемую переменную
6.2. Дисперсионный анализ как линейная модель
6.3. Структура модельных объектов
дисперсионного анализа
6.4. Оценка адекватности модели дисперсионного
анализа
Проверка исходных предположений общей
линейной модели
Проверка условия нормальности распределения
Проверка условия однородности групповых
дисперсий
Что делать, когда однофакторный дисперсионный
анализ неприменим?
6.5. Дисперсионный анализ по Краскелу-Уоллису
6.6. Модели двух- и многофакторного
дисперсионного анализа
Синтаксис объекта "формула"
Выполнение двухфакторного дисперсионного
анализа при помощи функции lm()
Порядок перечисления предикторов в формуле
модели
Многофакторный дисперсионный анализ
6.7. Контрасты в линейных моделях, содержащих
категориальные предикторы
Основные понятия
Контрасты комбинаций условий (treatment
contrasts)
Контрасты сумм (sum contrasts)
Контрасты Хелмерта
Контрасты, задаваемые пользователем
6.8. Проблема множественных проверок
статистических гипотез
Поправка Бонферрони
Метод Холма
Метод Беньямини-Хохберга
Метод Беньямини-Йекутили
6.9. Апостериорные сравнения групповых средних
Критерий Тьюки
Методы множественных проверок гипотез,
реализованные в пакете multcomp
Глава 7. Регрессионные модели зависимостей
между количественными переменными
7.1. О понятии "статистическая модель"
Пример простейшей статистической модели
Исследование свойств статистических моделей
имитационными методами
Пример модели с одним количественным
предиктором
Назначение регрессионных моделей
7.2. Простая линейная регрессия: каков возраст
Вселенной?
Модель для оценки постоянной Хаббла
Доверительные интервалы
Оценка неопределенности в отношении параметров
линейной регрессии
Оценка "качества" регрессионной модели
7.3. Стандартные методы диагностики линейных
моделей
Проверка допущений в отношении остатков модели
Проверка адекватности структуры
систематической части модели
Встроенные диагностические графики
Выявление необычных и влиятельных наблюдений
7.4. Модели регрессии при разных видах функции
потерь
Два типа регрессионных моделей
Робастные процедуры
7.5. Критерии выбора моделей оптимальной
сложности
7.6. Полиномиальные и нелинейные модели
регрессии
Полиномиальная регрессия
Нелинейная регрессия
7.7. Модель множественной регрессии и выбор ее
спецификации
Полная модель и обоснование необходимости ее
оптимизации
Пошаговые алгоритмы селекции переменных
Построение "всех возможных моделей"
Пошаговое включение предикторов в сочетании с
перекрестной проверкой
7.8. Диагностика моделей множественной
регрессии
Сравнение нескольких альтернативных моделей
Диагностика допущений в отношении остатков
модели
Учет нелинейного характера влияния предикторов
на отклик
7.9. Регуляризация множественной регрессии
Гребневая регрессия
Лассо-регрессия Тибширани
7.10. Регрессия на главные компоненты
7.11. Сравнение эффективности различных
моделей при прогнозировании
Формирование исходных данных для построения
моделей
Общая линейная модель и ее тестирование на
проверочной выборке
Выбор информативного комплекса предикторов
Модели с использованием регуляризации
Регрессия на главные компоненты
Результаты и некоторые выводы
Глава 8. Обобщенные, структурные и иные модели
регрессии
8.1. Модели сглаживания
Ядерная модель сглаживания
Сплайны
8.2. Обобщенные модели регрессии
8.3. Модели пробит- и логит-регрессии
Пробит-регрессия для моделирования зависимости
"доза-эффект"
Логистическая регрессия
8.4. Пример использования обобщенных моделей
для оценки экологической толерантности
Модели с нормально распределенным откликом
Модели с бинарным откликом
8.5. Ковариационный анализ
8.6. Модели со смешанными эффектами для
иерархически организованных данных
Основные идеи
Пример с морскими животными: несколько частных
моделей
8.7. Индуктивные модели (метод группового учета
аргументов)
8.8. Моделирование структурными уравнениями
Глава 9. Пространственный анализ и создание
картограмм
9.1. Простая карта: использование растрового
рисунка и расчет расстояний
Использование географических расстояний в
статистическом анализе
Расчет расстояния между объектами по их
географическим координатам
9.2. Анализ пространственного размещения точек
9.3. Использование сервисов картографической
системы Google Maps
Создание интерактивной веб-графики
9.4. Создание картограмм при помощи R
Шейп-файлы
Функция spplot() из пакета sp
Создание картограмм при помощи пакета ggplot2
Библиография и интернет-ресурсы
Основные литературные ссылки по тексту книги
Литература по R
Общеметодическая литература по
статистическому анализу
Библиографический указатель литературы по R
Рекомендуемые интернет-ресурсы
Русскоязычные ресурсы
Англоязычные ресурсы