计算统计（第2版）
豆瓣
Computational Statistics，second edition
[美]杰夫•H•吉文斯 / [美]珍妮弗•A•赫特 译者: 周丙常 / 孙浩
简介
现代统计计算完全指南，玩转数据科学必备。
本书提供统计计算理论和实践的完全指南。第2版涵盖了现代和经典统计的大部分论题，包括优化、积分、蒙特卡罗方法、自助法、密度估计和光滑。不但从概念上通过逐步描述解释算法，并且通过例子和习题进行详细的阐述。
第2版重要的特点包括：
•例子来自于各个领域的实际应用，包括遗传学、生态学、经济学、网络系统、生物学和药学。
•解释了为什么计算方法是大多数统计方法的重要组成部分，比如贝叶斯模型、线性和广义线性模型、随机效应模型、生存模型和隐马尔科夫模型。
•进一步扩展覆盖了马尔科夫链蒙特卡洛方法。
•增加新的论题，比如序贯抽样方法、粒子滤波、无梯度优化、基于数据的自助法和蒙特卡洛方法。
•新的习题和例子能帮助读者训练应用计算方法解决众多领域内统计问题的能力。
•本书的网站给出了R语言扩展包并提供了数据和代码。
本书非常适合作为高年级本科生或者研究生的统计计算课教材，也可以作为实际统计工作者的参考。
contents
第1章 回顾
1.1 数学记号
1.2 Taylor 定理和数学极限理论
1.3 统计记号和概率分布
1.4 似然推断
1.5 贝叶斯推断
1.6 统计极限理论
1.7 马氏链2
1.8 计算
第一部分优化
第2章 优化与求解非线性方程组
2.1 单变量问题
2.2 多元问题
习题
第3章 组合优化
3.1 难题和NP完备性
3.2 局部搜索法
3.3 模拟退火
3.4 遗传算法
3.5 禁忌算法
习题
第4章 EM优化方法
4.1 缺失数据、边际化和符号
4.2 EM 算法
4.3 EM 变型
习题
第二部分积分和模拟
第5章 数值积分
5.1 Newton-Cˆotes求积
5.2 Romberg积分
5.3 Gauss求积
5.4 常见问题
习题
第6章 模拟与Monte Carlo积分
6.1 Monte Carlo方法介绍
6.2 精确模拟
6.3 近似模拟
6.4 方差缩减技术
习题
第7章 MCMC方法
7.1 METROPOLIS-HASTINGS算法
7.2 Gibbs 抽样机
7.3 实施
习题
第8章 MCMC中的深入论题
8.1 自适应MCMC
8.2 可逆跳跃MCMC
8.3 辅助变量方法
8.4 其他METROPOLIS-HASTINGS算法
8.5 完美抽样
8.6 马尔科夫链极大似然
8.7 例子:马尔科夫随机域上的MCMC算法
习题
第三部分Bootstrapping
第9章 Bootstrapping
9.1 Bootstrap的基本原则
9.2 基本方法
9.3 Bootstrap推断
9.4 缩减蒙特卡洛误差
9.5 相依数据的Bootstrapping
9.6 Bootstrap的性质
9.7 Bootstrap方法的其他用途
9.8 置换检验
习题
第四部分 密度估计和光滑方法
第10章 非参密度估计
10.1 绩效度量
10.2 核密度估计
10.3 非核方法
10.4 多元方法
习题
第11章 二元光滑方法
第12章 多元光滑方法
参考文献
索引
