前辅文
 第一章 基本概念
  1.1 引言
   1.1.1 几个例子
   1.1.2 什么是统计
  1.2 样本、参数、统计量及抽样分布
   1.2.1 样本、总体与参数
   1.2.2 统计量
   1.2.3 抽样分布
  1.3 一些常用的抽样分布
   1.3.1 x2分布
   1.3.2 t分布
   1.3.3 F分布
   1.3.4 一些常用分布
  1.4 充分与完全统计量
   1.4.1 充分统计量
   1.4.2 完全统计量
  习题一
 第二章 参数点估计
  2.1 几个常用的估计准则
   2.1.1 无偏估计
   2.1.2 一致最小方差无偏估计
   2.1.3 有效估计
   2.1.4 相合估计
   2.1.5 渐近相对效率
  2.2 矩估计
  2.3 最大似然估计
   2.3.1 MLE的定义
   2.3.2 MLE的相合性
   2.3.3 EM算法
  2.4 Bayes估计
   2.4.1 Bayes公式
   2.4.2 Bayes估计
   2.4.3 共轭先验
   2.4.4 经验Bayes
  2.5 minimax估计
  习题二
 第三章 假设检验与置信区间
  3.1 假设检验问题概述
   3.1.1 显著性检验思想
   3.1.2 基本概念
   3.1.3 p值
  3.2 正态总体的检验
   3.2.1 单样本情形
   3.2.2 两样本情形
   3.2.3 多样木问题和方差分析
  3.3 最大功效检验
   3.3.1 基本概念
   3.3.2 N-P引理
   3.3.3 一致最大功效检验
  3.4 似然比检验
   3.4.1 基本方法
   3.4.2 最优性、相合性和渐近功效
   3.4.3 Wald检验和Rao得分检验
   3.4.4 序贯概率比检验
   3.4.5 经验似然比检验
  3.5 置信区间
   3.5.1 基本概念
   3.5.2 构造方法
   3.5.3 正态总体参数的置信区间
   3.5.4 大样本置信区间
   3.5.5 反转检验方法
  习题三
 第四章 多元模型
  4.1 多元分布
   4.1.1 随机向量
   4.1.2 多元数据
   4.1.3 多元正态分布
  4.2 多元模型的统计推断
   4.2.1 多元正态的最大似然估计
   4.2.2 多元正态下的假设检验和置信区域
  4.3 多重检验
   4.3.1 基本概念
   4.3.2 总体错误率的控制
   4.3.3 错误发现率的控制
  习题四
 第五章 线性模型与logistic回归
  5.1 最小二乘估计
  5.2 线性模型的估计与检验
   5.2.1 模型估计
   5.2.2 模型检验
  5.3 变量选择
   5.3.1 子集选择法
   5.3.2 正则化法
  5.4 logistic回归
   5.4.1 二分类
   5.4.2 多分类
  习题五
 第六章 非参数方法
  6.1 概率密度函数估计
   6.1.1 直方图
   6.1.2 核密度估计
  6.2 经验分布与替代原理
   6.2.1 经验分布函数
   6.2.2 替代原理
  6.3 拟合优度检验
   6.3.1 分类数据的x2拟合优度检验
   6.3.2 带有未知参数的x2拟合优度检验
   6.3.3 Kolmogorov-Smirnov检验
   6.3.4 正态性检验
  6.4 独立性检验
  6.5 U统计量与秩检验
   6.5.1 U统计量
   6.5.2 秩检验
  习题六
 第七章 bootstrap
  7.1 bootstrap原理
  7.2 bootstrap常见应用
   7.2.1 bootstrap方差估计
   7.2.2 bootstrap偏差修正
   7.2.3 bootstrap置信区间
   7.2.4 bootstrap残差法
  7.3 bootstrap失效的情况
  习题七
 附录 补充知识
  A.1 随机变量序列的收敛性
  A.2 连续映射定理与Slutsky定理
  A.3 大数定律与中心极限定理
  A.4 Delta方法
  A.5 常见重要概率不等式
  A.6 两种常见轻尾分布
 参考文献
 索引