高級迴歸分析 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

保羅D.埃裏森 著，吳曉剛 編，李丁 譯

圖書標籤:

• 迴歸分析
• 統計學
• 數據分析
• 計量經濟學
• 高級數學
• 模型構建
• 統計建模
• 綫性模型
• 非綫性模型
• 假設檢驗

齣版社： 格緻齣版社

ISBN：9787543218994

版次：1

商品編碼：10807176

包裝：平裝

叢書名： 格緻方法?定量研究係列

開本：16開

齣版時間：2011-10-01

用紙：膠版紙

頁數：500

編輯推薦

《高級迴歸分析》主要介紹瞭迴歸分析方法的最新內容，並介紹瞭其中蘊含的統計思想及其應用。全書不僅係統地闡述瞭迴歸分析的經典內容，而且還介紹瞭近年來迴歸分析領域的許多新思想和新發展，講述瞭模型建立、直覺邏輯等各方法的前提假設，以及這些方法的目標、優缺點及詳細說明。在敘述基本概念及理論的同時，作者力求反映該領域當前最流行的思想。

內容簡介

《高級迴歸分析》由5本討論高級迴歸分析的小冊子組成，分彆是《固定效應迴歸模型》、《現代穩健迴歸方法》、《刪截、選擇性樣本及截斷數據迴歸模型》、《分位數迴歸模型》及《空間迴歸模型》。《固定效應迴歸模型》介紹瞭多種形式的固定效應迴歸模型，討論瞭如何在固定效應模型及隨機效應模型之間作齣選擇；《現代穩健迴歸方法》通過一套統一的符號係統，介紹瞭不同來源的多種穩健迴歸方法，以及它們彼此之間的聯係；《刪截、選擇性樣本及截斷數據迴歸模型》是有關刪截數據、選擇性樣本數據及截斷數據的最新研究；《分位數迴歸模型》提齣瞭分位數和分位數函數的概念，闡述瞭分位數迴歸模型，討論瞭它們的估計和推斷方法，並通過具體的例子演示瞭對分位數迴歸估計值的解釋；《空間迴歸模型》介紹瞭兩種應用最廣泛的空間迴歸模型：空間定距因變量和空間性誤差模型。
《高級迴歸分析》由擔任主編。

目錄

固定效應迴歸模型
序
第1章 緒言
第2章 綫性固定效應模型：基本原理
第3章 固定效應Logistic迴歸
第4章 計數變量的固定效應模型
第5章 事件史數據的固定效應模型
第6章 固定效應結構方程模型
附錄1 第2章到第5章例題的Stata程序
附錄2 第6章例題的Mplus程序
注釋
參考文獻
譯名對照錶
現代穩健迴歸方法
序
第1章 緒言
第2章 重要背景
第3章 穩健性、抗擾性與最小二乘迴歸
第4章 綫性模型的穩健迴歸
第5章 穩健迴歸的標準誤
第6章 廣義綫性模型中的權勢案例
第7章 結論
附錄穩健迴歸的軟件選擇
注釋
參考文獻
譯名對照錶
刪截、選擇性樣本及截斷數據的迴歸模型
序
第1章 概論
第2章 刪截數據的Tobit模型
第3章 選擇性樣本模型和截斷迴歸模型
第4章 基本模型的擴展
第5章 應注意的問題
附錄1 截斷正態分布變量的期望值
附錄2 切希爾和艾利時的正態性及異方差檢驗
注釋
參考文獻
譯名對照錶
分位數迴歸模型
序
第1章 引言
第2章 分位數和分位數函數
第2章 附錄
第3章 分位數迴歸模型及其估計量
第4章 分位數迴歸的推論
第5章 分位數迴歸估計值的解釋
第6章 單調轉換QRM的解釋
第7章 實例：1991年和2001年的收入不平等
附錄 STATA命令
注釋
參考文獻
譯名對照錶
空間迴歸模型
序
前言
第1章 導論
第2章 空間滯後因變量
第3章 空間誤差模型
第4章 擴展
附錄軟件選項
注釋
參考文獻
譯名對照錶

前言/序言

《現代統計建模導論》 洞察數據之美，解鎖模式之秘 在信息爆炸的時代，數據已成為驅動決策、理解世界的核心力量。然而，數據的錶麵之下往往隱藏著復雜的關係和微妙的模式，需要我們運用精密的工具去挖掘、去解讀。《現代統計建模導論》正是這樣一本引人入勝的指南，它將帶領讀者踏上一段深入探索數據奧秘的旅程，掌握構建和理解復雜統計模型的核心技能。 本書並非一本理論堆砌的枯燥教材，而是一本注重實踐、強調直覺的引導。我們從最基礎的統計概念齣發，逐步構建起現代統計建模的理論框架。本書的宗旨是幫助讀者建立起對不同統計模型工作原理的深刻理解，並能熟練運用這些模型來解決現實世界中的各種問題。 核心內容概覽： 基礎統計概念迴顧與深化： 我們將從概率分布、參數估計、假設檢驗等基本概念入手，但不會停留在錶麵。我們將深入探討這些概念背後的統計思想，為後續更復雜的模型奠定堅實的基礎。例如，在討論參數估計時，我們將深入講解最大似然估計、貝葉斯估計等方法的原理及其優劣，並輔以直觀的圖示和具體的案例。 綫性模型的基石： 綫性模型是統計建模中最基本也是最強大的工具之一。《現代統計建模導論》將詳盡闡述普通最小二乘法（OLS）的原理、假設及局限性。讀者將學習如何進行模型診斷，例如殘差分析、多重共綫性檢測等，並掌握如何根據實際情況選擇閤適的自變量。此外，我們還將介紹廣義綫性模型（GLM）的概念，為處理非正態分布的響應變量打下基礎。 探索非綫性關係： 現實世界中的數據往往並非簡單的綫性關係。《現代統計建模導論》將引導讀者理解和應用多種非綫性建模技術。我們將介紹多項式迴歸、樣條迴歸，並深入探討非參數迴歸方法，如局部加權迴歸（LOESS）和核迴歸，讓讀者能夠捕捉數據中更微妙的模式。 分類與離散數據建模： 對於響應變量為分類或計數型的數據，傳統綫性模型往往難以適用。本書將係統介紹邏輯迴歸（Logistic Regression）和泊鬆迴歸（Poisson Regression）等廣義綫性模型，幫助讀者理解如何對二元分類、多元分類以及計數數據進行建模和預測。我們將詳細講解模型係數的解釋，以及如何進行模型評估。 時間序列分析導論： 許多數據都具有時間依賴性，例如股票價格、氣溫變化等。《現代統計建模導論》將提供時間序列分析的入門指南，介紹自相關、偏自相關函數，以及ARIMA模型等經典時間序列模型。讀者將學會如何識彆時間序列的模式，並構建模型進行預測。 生存分析基礎： 在醫學、工程、金融等領域，研究事件發生的時間至關重要。本書將介紹生存分析的基本概念，包括生存函數、風險函數，並講解Kaplan-Meier麯綫和Cox比例風險模型，幫助讀者理解和分析事件發生的時間分布。 模型選擇與評估的藝術： 構建模型隻是第一步，選擇最優模型並對其進行準確評估同樣重要。《現代統計建模導論》將深入探討信息準則（如AIC、BIC）、交叉驗證等模型選擇方法，並詳細介紹各種模型評估指標，如R方、均方誤差、準確率、召迴率等，幫助讀者科學地評估模型的性能。 模型診斷與診斷圖解： 即使是最復雜的模型，也可能存在潛在的問題。本書將強調模型診斷的重要性，並教授讀者如何利用殘差圖、QQ圖等診斷圖解來檢查模型的假設是否成立，識彆異常值和離群點，並判斷模型是否需要調整。 貝葉斯統計思想的引入（可選）： 對於有一定基礎的讀者，本書還將對貝葉斯統計思想進行初步介紹，闡述其與頻率派統計的異同，並可能涉及一些基礎的貝葉斯模型構建思想。 本書特色： 案例驅動，理論聯係實際： 本書的講解始終圍繞著豐富多樣的實際案例展開，涵蓋經濟學、生物學、社會科學、工程學等多個領域，讓抽象的統計概念變得鮮活易懂。 直觀易懂的解釋： 作者力求用清晰、簡潔的語言解釋復雜的統計原理，避免使用過於晦澀的數學推導，而是側重於統計思想的傳達和模型工作機製的闡釋。 軟件實現與可視化： 本書將配閤流行的統計軟件（如R）的實際操作，提供代碼示例，幫助讀者將理論知識轉化為實際應用。豐富的圖錶和可視化展示，將幫助讀者更直觀地理解數據和模型。 循序漸進的學習路徑： 從基礎概念到高級模型，本書的學習路徑設計得井井有條，層層遞進，確保讀者能夠穩步提升統計建模能力。 誰適閤閱讀本書？ 對數據分析感興趣的本科生和研究生，希望係統學習統計建模方法的學生。 需要運用統計模型進行研究的科研人員，包括但不限於經濟學傢、生物統計學傢、社會學傢、工程師等。 希望提升數據分析能力的職場人士，如數據分析師、市場研究員、金融分析師等。 任何希望深入理解數據背後規律，掌握科學決策工具的讀者。 《現代統計建模導論》將是您掌握數據驅動決策、解鎖數據價值的得力助手。讓我們一起，用統計的語言，傾聽數據的聲音，洞察世界的奧秘。

評分☆☆☆☆☆

這本書就像一位經驗豐富的導師，它不會直接告訴你答案，而是引導你一步一步地去發現問題、分析問題、解決問題。我尤其欣賞書中對於變量選擇（variable selection）這一環節的深度探討。作者並沒有將變量選擇視為一個簡單的“篩選”過程，而是將其置於模型構建的整個生命周期中進行考量。書中詳細介紹瞭各種變量選擇方法的優缺點，包括逐步迴歸（stepwise regression）、前嚮選擇（forward selection）、後嚮剔除（backward elimination）等傳統方法，更重要的是，它還深入講解瞭基於懲罰項（penalty-based）的模型，如Lasso迴歸（Least Absolute Shrinkage and Selection Operator）和Elastic Net等，並詳細分析瞭它們如何通過正則化來實現變量的稀疏化和選擇。我曾經在處理一個包含數百個特徵的醫療診斷數據時，就麵臨著海量特徵的選擇難題，傳統的變量選擇方法效率低下且容易陷入局部最優。閱讀瞭書中關於Lasso和Elastic Net的章節後，我纔真正掌握瞭更有效的解決方案，能夠快速地從眾多特徵中找齣對模型預測貢獻最大的關鍵變量，大大提高瞭模型的可解釋性和預測精度。作者在講解這些方法時，不僅僅停留在算法層麵，還深入剖析瞭它們背後的統計學原理，以及為什麼它們能夠在避免過擬閤的同時實現變量選擇。而且，書中還提到瞭如何評估變量選擇結果的有效性，以及如何結閤業務知識來指導變量選擇，這一點對於實際應用非常有價值。

評分☆☆☆☆☆

這本書給我的感覺是，它不僅僅是一本“技術手冊”，更是一本“思想寶庫”。作者在講解每一個迴歸模型時，都會將其置於更廣闊的統計學和計量經濟學框架下進行考察，並深入探討其在不同應用場景下的適用性和局限性。例如，書中對時間序列迴歸模型（time series regression models）的講解，就非常詳盡，遠超齣瞭簡單的ARIMA模型。作者深入地討論瞭平穩性（stationarity）、協整（cointegration）、單位根檢驗（unit root tests）等概念，並詳細介紹瞭嚮量自迴歸（Vector Autoregression, VAR）模型、嚮量誤差修正模型（Vector Error Correction Model, VECM）等更復雜的模型。我曾經在分析宏觀經濟數據時，就遇到瞭顯著的時間序列相關性和非平穩性問題，導緻普通的OLS迴歸結果無法解釋。閱讀瞭這本書關於時間序列模型的章節後，我纔真正理解瞭問題的癥結所在，並能夠運用更閤適的模型來分析數據。作者在講解這些模型時，不僅僅停留在算法層麵，還深入剖析瞭它們背後的統計學原理，以及如何從經濟學理論齣發來構建和解釋模型。而且，書中還強調瞭模型的解釋性和預測能力的重要性，並給齣瞭如何評估模型性能的詳細指南。

評分☆☆☆☆☆

這本書給我最大的感受就是它的“深”和“廣”。“深”體現在它對每一個統計模型的講解都深入骨髓，不留任何死角。作者在解釋一個模型時，往往會從其産生的曆史背景、理論基礎開始，然後層層剝繭，直至揭示其內在的數學邏輯和統計意義。例如，書中對麵闆數據模型（panel data models）的闡述，就不僅僅是簡單地介紹固定效應和隨機效應模型，而是詳細地分析瞭這兩種模型各自的假設條件、適用場景，以及它們在估計效率上的差異。作者甚至還探討瞭如何處理麵闆數據中的異質性（heterogeneity）和時間序列相關性（time-series autocorrelation）問題，這一點對於處理實際業務數據中的復雜情況至關重要。我曾經在分析季度銷售數據時，就遇到瞭這種數據結構，當時苦於找不到閤適的工具來解釋，直到讀到這本書，纔豁然開朗。書中對這些模型的推導過程也清晰明瞭，即使是對數學推導略感畏懼的讀者，也能通過作者的引導，逐步理解模型是如何構建起來的。更難得的是，作者還強調瞭模型的解釋性，以及如何將統計模型的結果轉化為有意義的業務洞察。這一點對於我們這些非統計學專業的讀者來說，簡直是雪中送炭。它不僅僅教我們“如何做”，更教我們“為何這樣做”，以及“這樣做有什麼意義”。書中的圖錶也十分精煉，能夠直觀地展現模型的擬閤效果和參數估計的意義，這大大減輕瞭閱讀的負擔，也加深瞭理解。我尤其喜歡作者在講解模型診斷時，所強調的“模型是用來解釋現實的，而不是用來摺磨讀者的”這一觀點，這讓我對迴歸分析的實用性有瞭更深刻的認識。

評分☆☆☆☆☆

這本書最大的特點在於其“批判性”的思維方式。作者在介紹每一個統計模型時，都會非常細緻地剖析其前提假設，並深入探討當這些假設不被滿足時，模型會産生什麼樣的偏差，以及我們應該如何應對。例如，書中對於異方差（heteroscedasticity）的講解，就遠不止於簡單的“使用穩健標準誤”的建議。作者詳細分析瞭異方差産生的根源，它對OLS估計量和標準誤的影響，並係統地介紹瞭如何進行異方差的檢驗（如Breusch-Pagan檢驗、White檢驗），以及如何通過廣義最小二乘法（Generalized Least Squares, GLS）等方法來獲得更有效率的估計。我曾經在分析房地産價格數據時，就遇到瞭典型的異方差問題，導緻模型的可信度大打摺扣。閱讀瞭這本書關於異方差的章節後，我纔真正理解瞭問題的嚴重性，並學會瞭如何係統地診斷和處理它。作者還強調瞭模型診斷的重要性，並將模型診斷視為迴歸分析過程中不可或缺的一環。他認為，僅僅擬閤一個看起來“不錯”的模型是遠遠不夠的，更重要的是要通過一係列的檢驗來確保模型的有效性和可靠性。書中列舉瞭多種模型診斷的手段，並給齣瞭詳細的解釋和操作指南，這讓我受益匪淺。通過這些診斷，我能夠及時發現模型中的潛在問題，並進行相應的修正，從而得到更準確、更可靠的分析結果。

評分☆☆☆☆☆

這本書絕對是為那些希望在迴歸分析領域“更上一層樓”的讀者量身打造的。它不是一本入門讀物，而是建立在你已經掌握瞭基礎統計學知識的前提下，帶你進入更深層次的探索。書中對於多重共綫性（multicollinearity）問題的處理，就遠超齣瞭教科書上簡單的“刪除變量”或者“嶺迴歸”的介紹。作者詳細分析瞭共綫性的根源，以及它對模型估計造成的影響，並提供瞭諸如主成分迴歸（principal component regression）、偏最小二乘迴歸（partial least squares regression）等更高級的解決方案，並且深入探討瞭這些方法的理論依據和適用條件。我曾經在分析客戶畫像數據時，就麵臨著大量變量之間高度相關的問題，導緻模型結果不穩定且難以解釋。閱讀瞭這本書關於共綫性的章節後，我纔真正理解瞭問題的癥結所在，並能夠有針對性地采取措施。作者在講解這些高級方法時，也並沒有一味地堆砌公式，而是通過邏輯清晰的推導和生動的案例，將復雜的概念變得易於理解。比如，書中對嶺迴歸和Lasso迴歸的比較，就非常詳盡地闡述瞭它們在處理共綫性時的不同機製，以及它們對模型正則化（regularization）的貢獻。此外，書中關於模型選擇（model selection）的討論也異常精彩，作者並沒有局限於AIC或BIC，而是深入探討瞭交叉驗證（cross-validation）等更 robust 的方法，並分析瞭不同模型選擇準則的優劣。

評分☆☆☆☆☆

這本書最令我驚嘆之處在於它對“因果推斷”這一前沿領域的深入探討。在傳統迴歸分析中，我們更多地關注變量之間的相關性，而在因果推斷中，我們則緻力於迴答“X是否導緻Y”這一根本性問題。書中詳細介紹瞭多種因果推斷的方法，包括工具變量法（instrumental variables, IV）、傾嚮得分匹配法（propensity score matching, PSM）、以及差分中差分法（difference-in-differences, DiD）等。我曾經在分析某個政策實施效果時，就麵臨著如何排除內生性（endogeneity）問題，以準確評估政策的因果效應。閱讀瞭這本書關於因果推斷的章節後，我纔真正理解瞭內生性的根源，以及如何運用工具變量法和傾嚮得分匹配法來解決這一難題。作者在講解這些方法時，不僅僅停留在算法層麵，還深入剖析瞭它們背後的統計學原理，以及如何從經濟學理論齣發來構建和解釋模型。而且，書中還強調瞭因果推斷的嚴謹性和可信度，並給齣瞭如何評估因果推斷結果的詳細指南。這本書為我打開瞭一扇新的大門，讓我能夠以更嚴謹、更科學的方式來分析和理解現實世界中的因果關係。

評分☆☆☆☆☆

這本書的封麵設計就有一種沉靜而專業的氣質，不是那種花哨的、試圖吸引眼球的設計，而是透著一股紮實的學術氣息。當我拿到它的時候，就感覺到它是一本有分量的書。翻開第一頁，我就被作者嚴謹的邏輯和清晰的語言所吸引。雖然我之前接觸過一些基礎的統計學知識，但這本書的起點似乎更高，直接切入瞭一些更復雜的概念。我特彆欣賞作者在講解每一個模型時，都會先迴顧其背後的理論基礎，然後逐步構建起數學框架，最後再通過實例進行驗證。這讓我不僅僅是“學會”如何使用這些模型，更是“理解”它們為何有效，以及在什麼條件下纔能發揮最大的作用。比如，書中對於廣義綫性模型的闡述，就不僅僅停留在公式的堆砌，而是深入探討瞭其對因變量分布的假設，以及如何選擇閤適的連接函數，這一點對於我理解數據背後的生成機製非常有幫助。而且，作者在講解過程中，並沒有迴避數學推導，但又非常巧妙地將復雜的數學公式轉化為易於理解的邏輯步驟，即使是我這種對高等數學不是特彆精通的讀者，也能跟得上思路。我曾經在處理某些非正態分布的數據時感到束手, 以為隻能靠一些近似的方法，但這本書提供瞭一套係統的方法論，讓我能夠從根基上解決問題。例如，書中對泊鬆迴歸和負二項迴歸的比較分析，就非常透徹地揭示瞭它們在處理計數數據時各自的優勢和局限性，讓我能夠根據具體數據特點做齣更明智的模型選擇。書中的例子也恰到好處，沒有過於簡單到缺乏啓發性，也沒有過於復雜到讓人望而卻步，每一個例子都緊密圍繞著理論講解展開，能夠幫助讀者將抽象的概念具體化。我尤其喜歡書中關於模型診斷的部分，作者強調瞭僅僅擬閤模型是不夠的，更重要的是對模型進行細緻的評估和診斷，以確保模型的有效性和可靠性。這一部分的內容，讓我對迴歸分析的理解上升到瞭一個新的高度，從“能用”上升到瞭“用得好”。

評分☆☆☆☆☆

這本書給我的感覺是，它是一本“實戰派”的迴歸分析指南。作者在講解每一個統計模型時，都會緊密結閤實際應用場景，並通過生動的案例來闡釋模型的原理和應用。例如，書中對於非綫性迴歸模型（non-linear regression models）的講解，就非常詳盡，並且提供瞭多種解決非綫性問題的方法，包括多項式迴歸、樣條迴歸（spline regression）、以及一些非參數方法。我曾經在分析産品生命周期數據時，就遇到瞭典型的非綫性關係，但又不知道如何處理。閱讀瞭這本書關於非綫性迴歸的章節後，我纔發現原來有這麼多工具可以用來解決這類問題，並且學會瞭如何根據數據的特點來選擇最閤適的模型。作者在講解這些模型時，不僅僅停留在算法層麵，還深入剖析瞭它們背後的統計學原理，以及如何從經濟學理論齣發來構建和解釋模型。而且，書中還強調瞭模型的解釋性和預測能力的重要性，並給齣瞭如何評估模型性能的詳細指南。這本書的案例庫非常豐富，涵蓋瞭經濟學、社會學、醫學等多個領域，這讓我能夠從中汲取靈感，並將所學知識應用於自己的研究中。

評分☆☆☆☆☆

這本書最讓我印象深刻的是其“嚴謹”的治學態度。作者在每一個章節都力求做到概念清晰、邏輯嚴密、推導準確。即使是一些相對基礎的概念，比如最小二乘法（Ordinary Least Squares, OLS），作者也進行瞭非常深入的剖析，包括其幾何解釋、參數估計的性質（無偏性、有效性），以及其背後的高斯-馬爾科夫定理。我曾經以為自己已經完全掌握瞭OLS，但通過閱讀這本書，我纔發現自己對OLS的理解還有很多盲點。作者還非常細緻地分析瞭OLS的各項假設，並深入探討瞭當這些假設不被滿足時，模型會産生什麼樣的影響，以及我們應該如何進行修正。例如，書中對於多重共綫性（multicollinearity）的講解，就遠超齣瞭教科書上簡單的“增加樣本量”或者“剔除變量”的建議。作者詳細分析瞭多重共綫性對參數估計的方差膨脹效應，以及它如何導緻模型的不穩定性和難以解釋性，並提供瞭諸如嶺迴歸（Ridge Regression）、主成分迴歸（Principal Component Regression, PCR）等更高級的解決方案。我曾經在分析市場營銷數據時，就麵臨著多個廣告投放渠道之間高度相關的問題，導緻模型結果混亂。閱讀瞭書中關於多重共綫性的章節後，我纔真正理解瞭問題的癥結所在，並能夠采取有效的措施來緩解共綫性的影響，從而獲得更可靠的分析結果。

評分☆☆☆☆☆

這本書最大的價值在於它能夠幫助讀者建立起一套“係統性”的迴歸分析思維。作者在講解每一個統計模型時，都不僅僅停留在“如何使用”的層麵，而是深入探討其“為何如此”的道理，以及它在整個數據分析流程中所處的位置。例如，書中對於模型診斷（model diagnostics）的強調，就遠超齣瞭簡單的殘差圖分析。作者詳細介紹瞭殘差分析、杠杆值、離群點檢測等多種模型診斷的手段，並深入探討瞭每一種診斷方法所能揭示的問題，以及如何根據診斷結果來修正模型。我曾經在分析客戶流失數據時，就遇到瞭模型預測效果不佳的問題，但又不知道從何下手去改進。閱讀瞭這本書關於模型診斷的章節後，我纔發現問題可能齣在模型的殘差上，並且學會瞭如何通過診斷來發現模型中的異常值和異方差問題，並進行相應的處理，從而顯著提高瞭模型的預測精度。作者還強調瞭模型選擇（model selection）的重要性，並深入探討瞭AIC、BIC、交叉驗證等多種模型選擇準則，並分析瞭它們各自的優缺點和適用場景。這讓我能夠更有依據地選擇最適閤自己數據的模型，而不是盲目地嘗試各種模型。

評分☆☆☆☆☆

很實用的書，對於做研究的人來說是很好的

評分☆☆☆☆☆

專業：深刻，係統。科學研究用

評分☆☆☆☆☆

非常優秀和及時的社會定量研究方法叢書，已經買齊瞭已齣的一套叢書，接下來就是認真學習啦！就是定價太離譜啦！

評分☆☆☆☆☆

非常優秀和及時的社會定量研究方法叢書，已經買齊瞭已齣的一套叢書，接下來就是認真學習啦！就是定價太離譜啦！

評分☆☆☆☆☆

非常優秀和及時的社會定量研究方法叢書，已經買齊瞭已齣的一套叢書，接下來就是認真學習啦！就是定價太離譜啦！

評分☆☆☆☆☆

適閤初學者，很不錯的統計學

評分☆☆☆☆☆

有關經濟學的數理分析書已經很多。而這套專門針對社會學的數理分析叢書獨具特色，更值得社會學研究者參考

評分☆☆☆☆☆

很喜歡質量不錯很喜歡質量不錯

評分☆☆☆☆☆

書很好，還沒有看呢！