R速成：統計分析和科研數據分析快速上手

第1章 R 簡介 1
1.1 R 是什麼？為什麼要使用R？ 2
1.2 RStudio 是什麼？ 5
1.3 如何安裝R 和RStudio？ 6
1.3.1 在Windows 上使用R 6
1.3.2 在Mac 上使用R 7
1.3.3 在Linux 上使用R 7
1.3.4 在Windows、macOS 和Linux 上使用RStudio 8
1.4 瞭解 RStudio 9
1.4.1 腳本窗口 9
1.4.2 控制台窗口 11
1.4.3 環境視窗 11
1.4.4 圖形視窗 12
1.5 R 的線上資源 13
1.6 R 包的作用 15
1.7 更新R、RStudio 和R 包 17
1.8 本章小結 18

第2章 在R 中導入和處理資料 21
2.1 如何在R 中表示資料集？ 22
2.2 在R 中導入數據 23
2.3 在R 中輸入資料 29
2.4 如何在R 中使用資料集？ 33
2.5 資料類型 35
2.6 本章小結 39

第3章 R 是怎樣工作的？ 42
3.1 R 的工作方式 43
3.2 函數是什麼？ 44
3.3 物件是什麼？ 47
3.3.1 向量 48
3.3.2 數據框 51
3.3.3 矩陣 57
3.3.4 列表 58
3.4 本章小結 60

第4章 資料管理 63
4.1 變數的資料管理 64
4.1.1 創建新變數 64
4.1.2 重新編碼變數 67
4.1.3 替換變數值 69
4.1.4 重命名變數 72
4.1.5 探索缺失值 73
4.1.6 生成虛擬變數 77
4.1.7 修改變數的資料類型 79
4.1.8 標籤變數 80
4.1.9 整理分類變數 81
4.2 對資料集進行資料管理 82
4.2.1 變數的選擇和排除 82
4.2.2 選擇觀察值 85
4.2.3 根據變數合併資料集 87
4.2.4 根據觀察值合併資料集. 89
4.2.5 對資料集排序 90
4.2.6 重塑資料集 91
4.2.7 給變數排序 92
4.2.8 從資料集中隨機抽取樣本 94
4.2.9 管道 95
4.3 本章小結 96

第5章 用ggplot2 實現資料視覺化 100
5.1 視覺化在資料分析中的作用101
5.2 瞭解ggplot2 103
5.2.1 層的結構 104
5.2.2 影響所有層的附加組件 114
5.3 R 示例圖122
5.3.1 單變數圖 123
5.3.2 二元圖 129
5.3.3 多元圖 132
5.4 本章小結133

第6章 描述性統計 137
6.1 單變數分析139
6.1.1 集中趨勢的度量140
6.1.2 散佈的度量 143
6.1.3 偏度和峰度 147
6.1.4 離散分佈 149
6.1.5 快速描述性分析152
6.2 描述變數之間的關係 157
6.2.1 相關係數 157
6.2.2 交叉表 161
6.3 分析組間變數 162
6.4 本章小結166

第7章 簡單線性回歸 169
7.1 什麼是回歸分析 170
7.2 簡單線性回歸分析 171
7.2.1 普通最小二乘法173
7.2.2 擬合優度 175
7.2.3 回歸係數的假設檢驗178
7.2.4 線性回歸預測181
7.3 R 語言實例 181
7.4 本章小結185

第8章 多元線性回歸 188
8.1 多元線性回歸分析 189
8.1.1 參數估計 189
8.1.2 擬合優度和F 檢驗190
8.1.3 調整的R2191
8.1.4 偏斜係數 192
8.1.5 使用多元線性回歸進行預測 193
8.1.6 標準化和相對重要程度194
8.1.7 回歸假設和診斷195
8.2 R 語言實例 196
8.3 本章小結208

第9章 虛擬變數回歸 211
9.1 為什麼要進行虛擬變數回歸？212
9.1.1 創建虛擬變數212
9.1.2 虛擬變數回歸背後的邏輯 214
9.2 單一虛擬變數回歸 214
9.3 一個虛擬變數和一個協變數的回歸 217
9.4 多虛擬變數回歸 220
9.4.1 R 語言實例222
9.4.2 比較組間差異224
9.4.3 成對多重比較調整228
9.5 有一個以上虛擬變數和一個協變數的回歸.230
9.6 兩組獨立虛擬變數的回歸232
9.7 本章小結237

第10章 使用回歸法進行調節/交互分析 240
10.1 交互作用/調節效應241
10.2 乘積-項方法 242
10.3 連續預測變數與虛擬調節變數的交互作用244
10.4 連續預測變數和連續調節變數之間的交互作用248
10.5 虛擬預測變數與虛擬調節變數的交互作用253
10.6 連續預測變數與多分類調節變數的交互作用256
10.7 其他注意事項 261
10.7.1 顯著與不顯著的交互作用 261
10.7.2 中心化和標準化261
10.8 本章小結262

第11章 Logistic 回歸 265
11.1 R 實現簡單Logistic 回歸 269
11.1.1 Logistic 回歸中係數的含義 272
11.1.2 擬合優度和模型選擇 276
11.2 多重邏輯回歸 278
11.3 Logistic 回歸進行分類 287
11.4 本章小結293

第12章 多層次和縱向分析 296
12.1 嵌套資料結構的表示 298
12.2 完全、部分和無聚集 303
12.3 線性混合模型的顯著性檢驗310
12.4 縱向混合模型的模型比較317
12.5 本章小結321

第13章 因數分析 324
13.1 什麼是因數分析? 325
13.2 因數分析過程 327
13.2.1 確定因數的數量328
13.2.2 因數提取 329
13.2.3 因數旋轉 332
13.2.4 提煉和解釋因數334
13.3 綜合評分和信度檢驗 335
13.4 R 語言實例 337
13.4.1 確定因數的數量337
13.4.2 用旋轉法提取因數339
13.5 本章小結343

第14章 結構方程模型 347
14.1 什麼是結構方程模型？348
14.2 確認性因數分析 350
14.2.1 模型設定 351
14.2.2 模型識別 352
14.2.3 參數估計 354
14.2.4 模型評估 355
14.2.5 模型修正 362
14.3 潛在路徑分析 365
14.3.1 LPA 模型的定義366
14.3.2 測量部分 366
14.3.3 結構部分 370
14.4 本章小結372

第15章 貝葉斯統計 377
15.1 貝葉斯資料分析 380
15.2 用R 實現貝葉斯資料分析 381
15.3 R 語言實例 383
15.3.1 模型診斷 384
15.3.2 回歸係數的貝葉斯估計 386
15.3.3 貝葉斯模型的選擇391
15.3.4 模型檢驗 395
15.3.5 先驗分佈的選擇397
15.4 本章小結400

邁赫邁特·邁赫梅托格魯（Mehmet Mehmetoglu）是挪威科技大學心理學系的研 究方法教授。他的研究方向包括消費者心理學，進化心理學和統計方法。他在大約35種不同的國際期刊上發表過相關論文，其中包括Personality and Individual Differences、Evolutionary Psychology和Journal of Statistical Software。
 
馬蒂亞斯·米特納（Matthias Mittner）是挪威北極大學認知神經科學教授和認知 神經科學研究小組組長。他的研究方向包括神經科學、認知心理學和統計方法。他是幾個神經科學領域R包和Python套裝軟體的作者。