【春節延後出貨公告】 親愛的五南會員:您好,適逢春節假期,五南官網均可正常下單購買, 惟2/5(一)中午12:00之後的網站訂單,物流停止送貨,將延至2/15(四)開工後正常出貨, 造成不便敬請見諒,五南祝您新年快樂!
主題書展 2/20~3/31五南開學祭!!文組必修─教育/論文/法政/財管/心理/社工/史哲/藝術/觀光/教科書8折起、全館滿550再95折
滿額優惠折扣 2/20─3/31五南開學祭!!全館滿550再95折
  • 投影片(請電洽,僅供老師索取)
    自序

    Chapter01 地表最強的統計軟體STaTa
    1-1 STaTa 如何讀入各種資料格式
    1-1-1 SPSS 資料檔(*.sav) 轉成STaTa 格式
    1-1-2 SAS 格式轉成STaTa
    1-1-3 R 軟體之格式轉成STaTa
    1-2 STaTa 是地表最強大的統計軟體
    1-2-1 有限混合模型(finite mixtures models, FMM): EM algorithm指令
    1-2-2 單層次:連續vs. 類別依變數迴歸之種類
    1-2-3 STaTa 多層次混合模型的迴歸種類
    1-2-4 STaTa panel-data 迴歸的種類
    1-2-5 STaTa 流行病(epidemiologists) 之選擇表對應的指令
    1-2-6 STaTa 存活分析的選擇表之對應指令
    1-2-7 STaTa 縱貫面—時間序列之選擇表
    1-2-8 依變數binary outcome 之STaTa 選擇表
    1-3 評比敵對模型,適配指標有八種

    Chapter02 有限混合模型(finite mixtures models, FMM配搭十七種指令)
    2-1 有限混合模型(finite mixtures models, FMM)
    2-1-1 高斯混合模型(Gaussian mixture model,簡稱GMM)
    2-1-2 單一高斯機率密度函數的參數估測法
    2-1-3 有限混合模型之對應指令
    2-1-4a 有限混合模型之應用領域
    2-1-4b 有限混合模型之研究議題
    2-2 Gaussian 混合模型(GMM) 使用expectation maximization(EM) 技術
    2-2-1 高斯混合模型與最大期望(EM) 演算法
    2-2-2 EM algorithm 範例解說
    2-3 高斯(Gaussian) 混合模型應用在圖形辨識
    2-3-1 K-Means 分類(classifier) 法,如何演變成EM algorithm 呢?
    2-3-2 EM-GMM 建立的流程
    2-3-3 期望值最大演算法(expectation maximization, EM) 之解說
    2-3-4 EM algorithm 如何找出高斯混合模型(GMM) 潛在類別之解說?
    2-3-5 混合模型、潛在類別(class) 和EM 演算法(mixture model,latent class and EM algorithm)
    2-4 最大概似(ML)vs. 期望值最大(EM) 演算法
    2-4-1a 最大概似(ML) ≠概似比(LR)
    2-4-1b EM 與ML 的關係解說
    2-4-2a EM 演算法是使訓練數據的對數概似函數最大化( 重點解說)
    2-4-2b 聚類(clustering) EM algorithm:簡單版
    2-4-2c EM 演算法的推導(derivation of EM algorithm)
    2-5 EM 演算法的工科論文
    2-5-1 EM 演算法的範例:圖形模式分類(pattern classification)
    2-5-2 EM 演算法的論文:圖像分割(image segmentation)

    Chapter03 高斯混合模型(fmm: regression 指令)、異質線性迴歸
    3-1 機率密度函數(probability density function) 常見有十種
    3-2 單一常態( 高斯) 分布之迴歸分析
    3-3 單一分布之線性迴歸概念
    3-3-1a 單層次固定效果:最小平方法OLS 重點整理(regress 指令)
    3-3-1b 單層次固定效果:最小平方法(OLS) 七個假定的診斷及補救法
    3-3-2 最小平方法(OLS) vs. 概似法
    3-3-3 單一分布之各類型迴歸
    3-3-4 Type I 誤差α、Type II 誤差β、檢定力:ROC 圖的切斷點
    3-4 雙高斯混合模型之解說
    3-4-1 EM 演算法如何求解高斯混合模型?
    3-4-2 混合模型有十七種:STaTa 指令語法
    3-4-3a 雙高斯混合模型:重點回顧
    3-4-3b EM 演算法是使訓練數據的對數概似函數最大化:簡單版
    3-4-3c 雙高斯混合模型(fmm 2: regress指令):婦女全薪wagefull
    3-4-4 參高斯混合模型(fmm 3: regress 指令):Ln(醫療花費)

    Chapter04 有限混合模型:線性迴歸(fmm:開頭指令)
    4-1 內生共變數之線性迴歸(2SLS)(ivregression) 指令
    4-2 工具變數及兩階段最小平方法(2SLS) (ivregression) 指令
    4-2-1 進行OLS 統計分析時應注意之事項
    4-2-2 工具變數(IV) 之重點整理
    4-2-3 隨機解釋變數X(random regressor) 與工具變數Z(instrumental variable)
    4-2-4a 單一工具變數及單一內生變數:內生性檢定
    4-2-4b 兩階段最小平方法迴歸:Wu-Hausman 內生性檢定(estat endogenous指令)
    4-2-5 為何需要多個工具變數?
    4-2-6 工具變數(instrumental variables) 在教育應用 .
    4-2-7 兩階段迴歸vs. 最小平方法迴歸之練習題
    4-3 橫斷面/panel:如何偵測需要工具變數呢?
    4-3-1 為何「教育水準」需要多個工具變數Z 呢?
    4-3-2 橫斷面Hausman 檢定:OLS vs. 2SLS 誰優?(hausman 指令)
    4-3-3 Panel-data Hausman-Taylor 法:需工具變數嗎?(xthtaylor)
    4-4 內生共變數之混合模型(2SLS)(fmm : ivregression) 指令)
    4-4-1 2SLS 混合模型
    4-4-2 內生共變數之線性迴歸混合模型(2SLS)(fmm: ivregression) 指令:房租之影響因素

    Chapter05 有限混合模型:logistic 迴歸(fmm:開頭指令)
    5-1 logistic 迴歸之概念
    5-1-1 logistic 迴歸假定、迴歸式解說
    5-1-2 STaTa 之單一binary regression 選擇表之對應指令
    5-2 單一邏輯斯迴歸的入門
    5-2-1a 單模型之logistic 迴歸分析:年齡與罹患冠心病(CHD)關係
    5-2-1b 單一logistic 迴歸之再練習:年齡與罹患冠心病(CHD)關係
    5-3 對數常態(log-normal) 分布、對數logistic (log-log) 分布
    5-3-1 對數常態(log-normal) 分布:偏態分布
    5-3-2 對數邏輯斯分布(log-logistic):偏態分布
    5-4 雙邏輯斯混合模型(fmm 2 : logit指令):電子支付之因素
    5-5 雙機率混合模型(fmm 2: probit指令):電子支付之因素
    5-5-1 線性機率迴歸模型(probit regression) vs. logistic 模型
    5-5-2 雙機率迴歸分析:電子支付影響因素
    5-6 雙complementary log-logistic 模型(fmm 2: cloglog 指令):電子支付之因素
    5-6-1 對數- 邏輯斯模型(complementary log-logistic model)
    5-6-2 雙「對數- 邏輯斯」模型(complementary log-log model):電子支付

    Chapter06 有限混合模型:多項Logit 迴歸(「fmm:」開頭mlogit 等指令)
    6-1 離散選擇模型(asmprobit、mlogit、fmlogit、bayes: mlogit、mprobit、clogit、asclogit、ologit、logit、xtologit、zip 等指令)
    6-1-1 離散選擇模型(DCM) 概念
    6-1-2 離散選擇模型(DCM) 之數學式:以住宅選擇為例
    6-2 單分布之多項邏輯斯模型(multinominal logit model, MNL)
    6-3 Multinomial logit 迴歸分析:職業選擇種類(mlogit 指令)
    6-4 多項邏輯斯迴歸分析:乳房攝影(mammo-graph) 選擇的因素(mlogit 指令)
    6-5 多項機率迴歸分析(multinomial probit regression):三種保險的選擇(mprobit 指令)
    6-6 多項式邏輯斯迴歸
    6-6-1 個人化的行為預測和市場區隔的行為預測何者較有效度?
    6-6-2 品牌選擇行為模型:隨機效用模型vs. 混合分群之多項式邏輯斯迴歸模型
    6-7 雙多項Logit 迴歸(fmm: mlogit指令):汽車品牌選擇
    6-7-1 雙多項邏輯斯混合模型(fmm: mlogit指令):三種汽車品牌選擇

    Chapter07 有限混合模型:Ordinal outcomes 迴歸(fmm:開頭ologit、oprobit 指令)
    7-1 離散選擇模型(asmprobit、mlogit、fmlogit、bayes: mlogit、mprobit、clogit、asclogit、ologit、logit、xtologit、zip 等指令)
    7-2 Ordered Logit 及Ordered Probit 模型之概念
    7-3 Ordered Logit 及Ordered Probit 迴歸分析:影響親子親密關係的因素(reg、listcoef、prgen、ologit、logit)
    7-4 Ordered Logit 迴歸分析:Copenhagen 的住房條件(ologit、lrtest、graph bar、oprobit 指令)
    7-5 雙Ordered logistic 混合迴歸(fmm: ologit 指令):健康等級之因素
    7-6 雙Ordered probit 混合模型(fmm : oprobit 指令):健康等級之因素
    7-6-1 Ordered probit regression 混合模型之指令 .
    7-6-2 Ordered probit regression 混合模型:健康等級之因素 Chapter

    Chapter08 有限混合模型:計次(count) 迴歸(fmm:開頭指令)
    8-1 單分布Count 依變數:零膨脹Poisson 迴歸 vs. negative binomial迴歸
    8-1-1 Poisson 分布
    8-1-2 負二項(negative binomial) 分布
    8-1-3 零膨脹(Zero-inflated)Poisson 分布
    8-2 單分布Count 依變數:零膨脹Poisson 迴歸 vs. 負二項迴歸(zip、nbreg、prgen 指令)
    8-3 單Zero-inflated ordered probit regression 練習:釣魚(zip 指令)
    8-4 單零膨脹Ordered probit 迴歸分析:抽菸嚴重度(zioprobit 指令)
    8-5 雙負二項混合模型(fmm: nbreg 指令):精神科患者隨訪次數
    8-6 雙Poisson 混合模型分析(fmm: poisson 指令):醫生問診次數
    8-7 雙零膨脹Poisson 之混合模型(fmm :pointmass指令):釣魚數量

    Chapter09 設限(censored) 混合模型、截斷(truncated)混合模型(fmm: tobit、fmm: tpoisson、fmm:intreg 指令)
    9-1 單區間設限(interval-censoring) 迴歸(tobit 指令):學習成就的因素
    9-2 雙tobit regression 模型(fmm: tobit 指令):大學生GPA 分數
    9-3 雙區間(interval) 迴歸模型(fmm: intreg 指令):婦女工資類別的上下限
    9-4 單截斷(truncated) 迴歸分析(truncreg 指令):學習成就的因素
    9-5 雙truncated 線性迴歸模型(fmm: truncreg 指令):妻子工作時數
    9-6 雙Truncated Poisson 迴歸(fmm: tpoisson 指令):買步鞋數量

    Chapter10 Cox 存活分析vs. 雙存活迴歸模型(fmm:streg 指令)
    10-1 Cox 存活分析:臨床研究最重要統計法
    10-2 存活分析(survival analysis) 介紹
    10-2-1 存活分析之定義
    10-2-2 為何存活分析是臨床研究最重要的統計法?
    10-2-3 存活分析之三種研究目標
    10-2-4 存活分析之研究議題
    10-2-5 設限資料(censored data)
    10-2-6 存活時間T 之機率函數
    10-2-7 Cox 存活分析vs. Logit 模型/Probit 模型的差異
    10-3 存活分析範例:除草有助幼苗存活率嗎?
    10-3-1 生命表(life table)
    10-3-2 存活分析範例[ 依序(estat phtest、sts graph、ltable 或sts list、stci、stmh、stcox 指令)]
    10-4 Cox 比例危險模型(proportional hazards model)(stcox 指令)
    10-4-1 f(t) 機率密度函數、S(t) 存活函數、h(t) 危險函數、H(t) 累積危險函數
    10-4-2 Cox 比例危險模型之迴歸式解說
    10-4-3 危險函數的估計(hazard function)
    10-4-4 Cox 比例危險模型之適配度檢定
    10-4-5 Cox 模型之相對風險(relative risk, RR)
    10-5 Logit 模型、Cox 迴歸、Probit 模型的概念比較
    10-6 存活分析之有限混合模型(fmm: streg 指令):手術傷口治癒模型

    Chapter11 有限混合模型:Beta 迴歸(fmm: betareg等指令)
    11-1 Beta 分布(Beta distribution)
    11-1-1 Beta 分布之概念
    11-1-2 Beta 分布的特性
    11-2 雙Beta 迴歸分析(fmm: betareg 指令):就讀學校合格率之因素

    Chapter12 有限混合模型:GLM 迴歸(fmm: glm等指令)
    12-1 廣義線型模型(generalized linear regression models)
    12-1-1 廣義線性迴歸之概念
    12-1-2 指數分布族、廣義線性模型之建模
    12-2 參對數常態混合模型[fmm 3: regress、fmm 3:glm, family(lognormal)指令]:郵票厚度為例

    參考文獻
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
圖片待上傳
    
申訴專線:02-2705-5066分機808 客服專線:02-27055066 傳真:02-27066100
五南圖書出版股份有限公司 統編:04249263 地址:106台北市和平東路二段339號4樓
劃撥帳號:01068953[請註明收件人、地址、手機及e-mail信箱供寄書用]