社会统计方法与技术【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

社会统计方法与技术PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

目录3

上篇3

一　定类数据分析3

1 介绍3

1.1 预备知识3

1.2　定类变量的分析9

2　卡方检验9

2.1 卡方检验的解释13

3　相关的量度20

3.1 介绍20

3.2　2×2表格的相关量度24

3.3　I×J表格的相关量度法31

3.4　相关量度的比较43

4　多元数据分析的介绍52

4.1 定类变量的因果分析54

5　结论56

参考文献58

注释58

二　定序数据分析60

简介60

1 定序量度61

1.1 定序变量分析的三个问题63

2　单个观测值的二元预测69

2.1 总体和样本69

2.2 已知自变量状态的预测69

2.3 自变量状态未知的预测70

2.4 ？ δ量度71

2.5 象限量度：专门应用于定序变量75

2.6　科恩Kappa（Cohen’s Kappa）：另一种量度78

2.7 定序变量预测的灵敏度分析：可靠性（信度）评估79

3　成对观测值的二元预测83

3.1 计算合并的定序数据83

3.2 对合并定序表格的预测85

3.3　合并表格的概率形式87

3.4　合并定序形式的灵敏度分析89

3.5　排除所有同分的预测域90

3.6　排除一个变量的同分的预测域91

3.7　从预测域去掉一个单元格而非一行或一列94

3.8　 不同预测域的比较95

3.9　一致和不一致：回顾95

3.10　再次标准化：肯德尔τc（Kendall’s τc）96

3.11 肯德尔τ2b（Kendall’s τ2b）：合并表格的混合预测方法以及与定量变量预测的类似之处96

4　定量，定类和定序变量的联合预测100

4.1　定量变量100

4.2　定类变量和扩展形式101

5　多元分析104

5.1　建立三元合并表105

5.2　模仿二元预测的三元预测106

5.3 多元？108

5.4　部分？109

6　计算方法和统计推论114

6.1　计算机软件114

6.2　统计推论115

6.3 小结115

参考文献116

注释116

三　方差分析118

1 导论118

2　一维方差分析：所有类别121

2.1 两组比较121

2.2 两组以上131

3　二维方差分析，所有类别141

3.1 不相关的解释变量141

3.2　相关的解释变量156

3.3　特殊主题161

4　方差分析，定类样本164

4.1　一维分析164

4.2　两个解释变量168

5　其他模型171

5.1 混合模型（Mixed Models）171

5.2　三个解释变量171

5.3　拉丁方设计172

5.4　嵌套设计（Nested Designs）175

5.5 方差分析与回归分析177

6.1 回顾180

6　结论180

6.2　其他论题182

参考文献183

四　关联的量度184

1 导论184

2　离散数据的抽样分布187

2.1　二项分布和多项分布187

2.2　列联表189

3　定类数据关联的量度190

3.1 以卡方统计值为基础的量度191

3.1.1 皮尔逊（PEARSON）均方列联系数191

3.1.2 皮尔逊（PEARSOON）列联系数与斯科达（SAKODA）的修正191

3.1.3 楚普洛夫（TSCHUPROW）列联系数192

3.1.4 克莱姆（CRAMER）列联系数192

3.2 消减预测误差比例的量度系数194

3.2.1 古德曼—克鲁斯凯（GOODMAN-KRUSKAL）λ系数194

3.2.2 古德曼—克鲁斯凯（GOODMAN-KRUSKAL）τ系数200

3.3　一致性的量度206

3.3.1 科恩（COHEN）κ系数与加权κ系数207

3.3.2 科尔曼—莱特（COLEMAN-LIGHT）条件一致性量度系数211

3.4　针对2×2列联表的特定量度系数213

3.4.1 以交叉乘积比为基础的量度系数213

3.4.2 以相关系数为基础的量度系数217

4　量度连续（定距）数据的相关218

4.1 皮尔逊（PEARSON）积矩相关系数219

4.2 肯德尔（KENDALL）τ系数223

4.3 斯皮尔曼（SPEARMAN）秩相关系数229

5.1　初步235

5　量度定序数据的关联235

5.2 肯德尔（KENDALL）τb系数239

5.3 与肯德尔（KENDALL）τb系数有关的量度系数243

5.3.1 肯德尔—斯图尔特（KENDALL-STUART）τc系数243

5.3.2 古德曼—克鲁斯凯（GOODMAN-KRUSKAL）γ系数245

5.3.3 萨默斯（SOMERS）d系数247

5.3.4　威尔逊（WILSON）e系数251

5.3.5　总结253

5.4　其他量度系数253

6　选择适当的量度系数254

7　相关与因果联系256

注释257

参考文献259

五 多重回归的应用263

序263

导言264

1 多元回归模型：复习264

2　设定错误271

2.1 设定错误导致的后果271

2.2　设定错误举例：生活满意度273

2.3　发现和处理设定错误275

3　量度误差276

3.1 量度误差的后果277

3.2 量度误差举例：生活满意度279

3.3　发现量度误差280

3.4　处理量度误差281

4　多元共线性283

4.1 多元共线性的后果285

4.2　发现高度多元共线性286

4.3 多元共线性举例：生活满意度287

4.4　处理多元共线性289

5　非线性和不可加性292

5.1 发现非线性和不可加性293

5.2　处理非线性296

5.3　处理不可加性301

5.4 非线性和不可加性模型的注意事项306

6　异方差和自相关306

6.1 出现异方差和自相关的原因307

6.2 异方差和自相关导致的后果309

6.3　发现异方差310

6.4　异方差举例：收入和租房312

6.5 处理异方差和自相关315

7　结束语317

注释318

参考文献319

下篇323

一　线性概率模型、对数概率模型和正态概率模型323

丛书编辑引言323

1.1 引言324

1　线性概率模型324

1.2 多元线性回归模型回顾325

1.3 二项因变量和线性概率模型327

1.4　重复数据的二项因变量333

1.5 多项（Polytomous）或多类别（Multiple Category）因变量335

1.6　线性假定336

1.7　线性假定错误的后果338

2.1　引言341

2.2　模型设定的一般问题341

2　非线性概率模型的设定341

2.3 二项情形的其他非线性函数式342

2.4　从行为模型推导非线性转换（Nonlinear Transformations）345

2.5 多项变量的非线性概率设定347

2.6 对数概率模型设定和正态概率模型设定的行为350

2.7　摘要355

3　二项应变量正态概率模型和对数概率模型的估计356

3.1　引言356

3.2　模型假定356

3.3　最大似然估计（Maximum Likelihood Estimation）357

3.4　估值的性质360

3.5 最大似然估计结果的解释和推断361

3.6　结论371

4　最小卡方估计和多项模型372

4.1　引言372

4.2 重复、二项数据的最小卡方估计372

4.3　多项因变量377

5.2　总结382

5.1　引言382

5　总结和扩展382

5.3　扩展384

注释387

参考文献393

二 回归的解释与应用395

丛书编辑导言395

1 导论396

2　基础回归理论与社会科学实践400

2.1 实例403

3 回归估计的统计性质412

3.1 回归系数的一致性415

4 回归系数的抽样分布417

4.1 解释置信区间420

4.2 比较实际显著性与统计显著性423

5　选择一种设定427

5.1 函数形式431

5.2 变量的选择和决定系数R2432

5.3 拟合优度的其他测量方法435

6　变量的重要性439

6.1　理论重要性440

6.2　数量重要性441

6.3 离散重要性443

7　结论446

附录　对回归一致性结果的证明447

注释448

参考文献450

三 时间序列分析：回归技术452

1 导论452

2.1 比率目标假定（A Ratio Goal Hypothesis）453

2　时间序列回归分析：非滞后的情况453

2.2　误差项455

2.3 时间序列回归模型460

2.4　非自回归假定461

2.5　违反自回归假设的后果465

2.6　对自相关的传统检验470

2.7 另一种估计方法473

2.8 EGLS估计（一阶自相关）476

2.9　小样本性质478

2.10　重新考虑比率目标假设479

2.11 扩展到多元回归483

2.12 结论483

3　其他备择的时变过程484

3.1　其他备择过程485

3.2　对高阶过程的检验489

3.3 过程判定491

3.4 估计493

3.5 例子：对含有其他时变过程产生的误差项的模型估计493

3.6　例子：重新考虑比率目标模型496

3.7 结论497

4　时间序列回归分析：滞后的情况497

4.1 分布滞后模型（Distributed Lag Model）497

4.2　滞后的内生变量499

4.3 在有滞后内生变量的模型中检验自相关504

4.4　估计505

4.5 EGLS估计505

4.6 例子506

4.7　修订后的比率目标模型509

4.8　解释分布滞后模型510

4.9　结论512

5 预测513

5.1 预测误差514

5.2　预测的产生516

5.3　对预测公式进行修正517

5.4　预测评估519

5.5 例子：预测美国的防卫支出521

6　总结524

5.6　结论524

注释525

附录　防卫支出数据（单位：10亿美元）525

参考文献526

四 事件史分析法——用于纵向数据的回归分析法529

丛书编辑序529

1　导论530

1.1 事件史分析存在的问题531

1.2　事件史数据分析法概述533

2.1 离散时间分析法例解535

2　离散时间事件史数据分析法535

2.2 离散时间风险率（Discrete-Time Hazard Rate）536

2.3 对数比率回归模型（logit regression model）537

2.4　对模型进行估计538

2.5 生物化学家例子的系数估计539

2.6 似然比卡方检验（The Likelihood-Ratio Chi-square Test）540

2.7 离散时间法存在的问题541

3　连续时间数据的参数分析法542

3.1 连续时间风险率542

2.8 离散时间与连续时间542

3.2 连续时间的回归模型543

3.3　最大似然估计545

3.4　一个经验实例545

3.5 截删547

3.6 某些其他的模型548

3.7　怎样选择模型549

3.8 未观测的异质性来源550

4 比例风险模型和部分似然估计551

4.1 比例风险模型552

4.2　部分似然估计552

4.3 将部分似然估计法用于一个经验实例553

4.4 时变性解释变量554

4.5 时变性解释变量的问题554

4.6 比例风险模型的精确性555

4.7 时间尺度原点的选择557

4.8 离散时间数据的部分似然估计法558

5.1 多类事件的分类559

5　多类事件史的数据估计分析法559

5.2 多类事件估计法561

5.3　竞争风险模型562

5.4　竞争风险模型例解564

5.5 不同类型事件之间的独立性问题566

6　重复事件分析法567

6.1 一种比较简单的分析方法567

6.2 重复事件分析存在的问题569

6.4 左截删571

6.3　将重复事件分析法扩展应用于累犯问题分析571

7　状态变化情况下的事件史分析法572

7.1 转换率573

7.2 工作变动问题分析574

7.3 简化模型578

8　结论579

附录A　最大似然和部分似然580

附录B GLIM、SAS和BMDP程序实例清单584

附录C　计算机程序588

注释591

参考文献592