前辅文
 第一部分 概率和统计思维的基础
  第1章 概率简介
   1.1 什么是概率
   1.2 概率的度量
    1.2.1 单一事件的概率：食肉植物的捕食
    1.2.2 通过抽样估计概率
   1.3 概率定义中的问题
   1.4 概率中的数学
    1.4.1 定义样本空间
    1.4.2 复杂事件和共享事件的概率
    1.4.3 概率计算：以马利筋和毛毛虫为例
    1.4.4 复杂事件和共享事件：集合的交、并、补运算法则
    1.4.5 条件概率
   1.5 贝叶斯定理
   1.6 总结
  第2章 随机变量和概率分布
   2.1 离散随机变量
    2.1.1 伯努利随机变量
    2.1.2 伯努利试验的例子
    2.1.3 多个伯努利试验=二项随机变量
    2.1.4 二项分布
    2.1.5 泊松随机变量
    2.1.6 泊松随机变量示例：稀有植物的分布
    2.1.7 离散随机变量的期望值
    2.1.8 离散随机变量的方差
   2.2 连续随机变量
    2.2.1 均匀随机变量
    2.2.2 连续随机变量的期望
    2.2.3 正态随机变量
    2.2.4 正态分布的性质
    2.2.5 其他连续型随机变量
   2.3 中心极限定理
   2.4 总结
  第3章 汇总统计量：位置和散度的度量
   3.1 位置的度量
    3.1.1 算术平均值
    3.1.2 其他均值
    3.1.3 位置的其他度量：中位数和众数
    3.1.4 如何选择合适的位置度量
   3.2 散度的度量
    3.2.1 方差和标准差
    3.2.2 均值标准误
    3.2.3 偏度、峰度和中心矩
    3.2.4 分位数
    3.2.5 散度度量的使用
   3.3 围绕汇总统计量的一些哲学问题
   3.4 置信区间
    3.4.1 广义置信区间
   3.5 总结
  第4章 假设的构建和检验
   4.1 科学方法
    4.1.1 演绎与归纳
    4.1.2 现代归纳法：贝叶斯推断
    4.1.3 假设–演绎法
   4.2 检验统计假设
    4.2.1 统计假设与科学假设
    4.2.2 统计学显著性与P值
    4.2.3 统计检验中的误差
   4.3 参数估计与预测
   4.4 总结
  第5章 三大统计分析框架
   5.1 样本问题
   5.2 蒙特卡罗分析
    5.2.1 第一步：确定检验统计量
    5.2.2 第二步：建立零假设分布
    5.2.3 第三步：确定使用单尾检验还是双尾检验
    5.2.4 第四步：计算尾概率
    5.2.5 蒙特卡罗法的假设
    5.2.6 蒙特卡罗法的优缺点
   5.3 参数分析
    5.3.1 第一步：确定检验统计量
    5.3.2 第二步：确定零假设分布
    5.3.3 第三步：计算尾概率
    5.3.4 参数法的假设
    5.3.5 参数法的优缺点
    5.3.6 非参数分析：蒙特卡罗分析的一个特例
   5.4 贝叶斯分析
    5.4.1 第一步：确定假设
    5.4.2 第二步：将参数指定为随机变量
    5.4.3 第三步：确定先验概率分布
    5.4.4 第四步：计算似然
    5.4.5 第五步：计算后验概率分布
    5.4.6 第六步：解释结果
    5.4.7 贝叶斯分析的假设
    5.4.8 贝叶斯分析的优缺点
   5.5 总结
 第二部分 实验设计
  第6章 设计成功的野外研究
   6.1 研究的要点
    6.1.1 变量Y是否在空间或时间上存在差异？
    6.1.2 因子X 对变量Y的影响
    6.1.3 变量Y的测量值是否与假设H的预测一致？
    6.1.4 基于变量Y的测量值, 模型Z中参数θ的最优估计是什么？
   6.2 人为操作实验
   6.3 自然观察实验
   6.4 “快照式” 实验和“轨迹式” 实验
    6.4.1 时间依赖性问题
   6.5 压力实验对比脉冲实验
   6.6 重复
    6.6.1 需要多少重复？
    6.6.2 能负担得起多少重复？
    6.6.3 10数规则
    6.6.4 大尺度研究和环境影响
   6.7 保证独立性
   6.8 避免混淆因子
   6.9 重复和随机化
   6.10 设计有效的野外实验和抽样研究
    6.10.1 样方是否足够大到可以确保结果的真实性？
    6.10.2 什么是研究的粒度和广度？
    6.10.3 处理的范围或调查的种类是否涵盖所有可能的环境条件？
    6.10.4 如何设立对照组才能保证结果只反映感兴趣因子引起的变异？
    6.10.5 除了预期的处理外, 对组内所有重复的实验操作是否一致？
    6.10.6 是否测量了每个重复中适当的协变量？
   6.11 总结
  第7章 实验设计和抽样设计
   7.1 分类变量和连续变量
   7.2 因变量和自变量
   7.3 四类实验设计
    7.3.1 回归设计
    7.3.2 ANOVA设计
    7.3.3 ANOVA的替代设计：实验回归
    7.3.4 列联表设计
    7.3.5 替代列联表的设计：比例设计
   7.4 总结
  第8章 管理和管护数据.
   8.1 第一步：管理原始数据
    8.1.1 电子表格
    8.1.2 元数据
   8.2 第二步：存储和管护数据
    8.2.1 存储：临时存储和存档存储
    8.2.2 管护数据
   8.3 第三步：检查数据
    8.3.1 离群值的重要性
    8.3.2 误差
    8.3.3 缺失值
    8.3.4 检测离群值和误差
    8.3.5 创建审计踪迹
   8.4 最后一步：变换数据
    8.4.1 将数据变换作为认知工具
    8.4.2 根据统计需要进行数据变换
    8.4.3 报告结果：是否进行变换？
    8.4.4 审计踪迹回顾
   8.5 总结：数据管理流程图
 第三部分 数据分析
  第9章 回归分析
   9.1 定义直线及其两个参数
   9.2 线性模型拟合
   9.3 方差与协方差
   9.4 最小二乘参数估计
   9.5 方差分量与决定系数
   9.6 回归的假设检验
    9.6.1 方差分析表的剖析
    9.6.2 其他检验与置信区间
   9.7 回归的假设
   9.8 回归的诊断检验
    9.8.1 残差图
    9.8.2 其他诊断图
    9.8.3 影响函数
   9.9 蒙特卡罗与贝叶斯分析
    9.9.1 应用蒙特卡罗方法的线性回归
    9.9.2 应用贝叶斯方法的线性回归
   9.10 其他类型的回归分析
    9.10.1 稳健回归
    9.10.2 分位数回归
    9.10.3 逻辑回归
    9.10.4 非线性回归
    9.10.5 多元回归
    9.10.6 路径分析
   9.11 模型选择准则
    9.11.1 多元回归的模型选择方法
    9.11.2 路径分析中的模型选择方法
    9.11.3 贝叶斯模型选择
   9.12 总结
  第10章 方差分析
   10.1 方差分析中的符号和标签
   10.2 方差分析与平方和分解
   10.3 方差分析的假设
   10.4 利用方差分析进行假设检验
   10.5 构建F比
   10.6 各类方差分析表
    10.6.1 随机分块
    10.6.2 嵌套方差分析
    10.6.3 双因素方差分析
    10.6.4 三因素和多因素方差分析
    10.6.5 裂区方差分析
    10.6.6 重复测量方差分析
    10.6.7 协方差分析
   10.7 方差分析中的随机因素与固定因素
   10.8 分解方差
   10.9 方差分析作图和交互项理解
    10.9.1 单因素方差分析作图
    10.9.2 双因素方差分析作图
    10.9.3 理解交互项
    10.9.4 协方差分析作图
   10.10 均值比较
    10.10.1 事后比较
    10.10.2 事前对照
   10.11 Bonferroni校正和多重比较中的问题
   10.12 总结
  第11章 分类数据分析
   11.1 二维列联表
    11.1.1 整理数据
    11.1.2 变量是否独立？
    11.1.3 检验假设：Pearson卡方检验
    11.1.4 Pearson卡方检验的替代方法：G检验
    11.1.5 R×C表的卡方检验和G检验
    11.1.6 选择哪个检验？
   11.2 多维列联表
    11.2.1 整理数据
    11.2.2 多维表格
    11.2.3 用于列联表的贝叶斯方法
   11.3 拟合优度检验
    11.3.1 离散分布的拟合优度检验
    11.3.2 检验连续分布的拟合优度：Kolmogorov-Smirnov检验
   11.4 总结
  第12章 多元数据分析
   12.1 走进多元数据
    12.1.1 矩阵代数的需求
   12.2 比较多元均值
    12.2.1 比较两个样本的多元均值：Hotelling’s T2检验
    12.2.2 比较两个以上样本的多元均值：一个简单的多元方差分析
   12.3 多元正态分布
    12.3.1 多元正态性检验
   12.4 多元距离的度量
    12.4.1 度量两个个体间的距离
    12.4.2 度量两组间的距离
    12.4.3 其他距离度量
   12.5 排序
    12.5.1 主成分分析
    12.5.2 因子分析
    12.5.3 主坐标分析
    12.5.4 对应分析
    12.5.5 非度量多维尺度分析
    12.5.6 排序的优缺点
   12.6 分类
    12.6.1 聚类分析
    12.6.2 选择聚类方法
    12.6.3 判别分析
    12.6.4 分类的优缺点
   12.7 多元多重回归
    12.7.1 冗余分析
   12.8 总结
 第四部分 估计
  第13章 生物多样性的度量
   13.1 估计物种丰富度
    13.1.1 通过随机子抽样进行标准化多样性比较
    13.1.2 稀疏曲线：内插物种丰富度
    13.1.3 基于个体的稀疏曲线的期望
    13.1.4 基于样本的稀疏曲线：以马萨诸塞州的蚂蚁为例
    13.1.5 物种丰富度vs.物种密度
   13.2 稀疏曲线的统计比较
    13.2.1 稀疏化的假设
   13.3 渐近估计：推断物种丰富度
    13.3.1 稀疏曲线：外推法和内插法
   13.4 估计物种多样性和均匀度
    13.4.1 Hill数
   13.5 估计物种多样性的软件
   13.6 总结
  第14章 种群的检测及其大小的估计
   14.1 占有率
    14.1.1 基本模型：一个物种、一个季度、一系列位点中的两个样本
    14.1.2 多个物种的占有率
    14.1.3 用于参数估计和建模的分层模型
    14.1.4 开放种群的占有率模型
    14.1.5 马萨诸塞州球蚜的动态占有率
   14.2 估计种群大小
    14.2.1 标记重捕：基本模型
    14.2.2 开放种群的标记重捕模型
   14.3 占有率建模和标记重捕：更多模型
   14.4 用于估计占有率和丰度的抽样
   14.5 估计占有率和丰度的软件
   14.6 总结
 附录 阅读本书所需的矩阵代数基础
 术语表
 参考文献
 索引
 译后记
 插图