描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787302546009丛书名: 新时代·技术新未来
本书基于社会科学领域读者的需求，清晰且直观地展示了统计学的原理和应用，并将相关概念和详细的技术指导有效地结合起来。本书着眼于可用统计方法进行研究的社会学问题，借助Stata软件，用一种简单易懂的方式来讲解常见的主题和问题。
本书采用众多来自社会科学不同领域的有趣示例来呈现丰富的统计方法和模型，鼓励读者在学习理论的同时借助应用软件来实现研究的目标。
本书还提供：
? 原始案例研究和数据集；
? 在Stata中运行并检验模型的实践指南；
? 每章配套的Stata代码；
? 大量应用Stata的详尽示例；
? 循序渐进编写代码的说明。
总之，这本优秀著作为那些想要在社会科学领域成功进行统计研究的读者提供了理论性、技术性和应用性兼备的专业内容。
本书基于社会学领域学生和学者的需求，将统计学的理论概念和详细的技术指导有机结合起来，通过众多来自社会学不同领域的有趣示例来呈现丰富的统计方法和模型，鼓励读者在了解理论的同时学习应用Stata软件来实现研究的目的。本书除了用5个章节渐进式地详细阐述线性回归模型之外，还进一步涵盖logistic回归、多层次分析、面板数据分析、探索性因子分析、结构方程模型和验证性因子分析等内容。本书通过配套网站提供各章配套的测试题、视频、数据集和Stata代码，方便读者学习并检查学习效果。 本书可作为社会学领域本科生或研究生定量研究课程的教材或参考书，也可作为想要学习应用Stata软件进行定量研究的社会学者的参考书。
1 研究与统计学 1
1.1 统计研究方法论 2
1.2 统计方法 3
1.3 统计推断的基本思想 5
1.3.1 概率论 5
1.3.2 总体规模 6
1.3.3 研究总体时为什么需要显著性水平？ 8
1.4 通用法则和理论 8
1.4.1 客观性和批判现实主义 9
1.5 定量研究论文 10
1.6 总结 12
问题 13
延伸阅读 13
参考文献 14
2 Stata简介
17
2.1 Stata是什么？ 18
2.1.1 Stata界面 18
VIII
Stata统计分析：社会科学应用指南
2.1.2 如何使用
Stata 20
2.2 数据输入和导入 22
2.2.1 输入数据 22
2.2.2 导入数据 23
2.3 数据管理 24
2.3.1 打开数据 25
2.3.2 检查数据 25
2.3.3 修改变量 27
2.3.4 生成变量 29
2.3.5 数据子集 32
2.3.6 标记变量 32
2.4 描述性统计和图 33
2.4.1 频率分布 33
2.4.2 汇总统计 35
2.4.3 纵向合并数据 38
2.4.4 横向合并数据 39
2.4.5 数据变型 40
2.5 双变量统计推断 41
2.5.1 相关 41
2.5.2 独立
t检验 41
2.5.3 方差分析（ANOVA） 42
2.5.4 卡方检验 43
2.6 总结 44
问题 45
延伸阅读 45
3 简单（双变量）回归
47
3.1 什么是回归分析？ 48
3.2 简单线性回归分析 49
目 录
IX
3.2.1 普通小二乘法 52
3.2.2 拟合优度 54
3.2.3 斜率系数的假设检验 57
3.2.4 线性回归预测 59
3.3 Stata实例 60
3.4 总结 64
问题 64
延伸阅读 65
参考文献 65
4 多元回归
67
4.1 多元线性回归分析 68
4.1.1 估计 69
4.1.2 拟合优度和
F检验 70
4.1.3 调整
R2 71
4.1.4 偏回归系数 71
4.1.5 多元回归预测 73
4.1.6 标准化和相对重要性 74
4.2 Stata实例 75
4.3 总结 81
问题 82
延伸阅读 82
参考文献 83
5 虚拟变量回归
85
5.1 为什么使用虚拟变量回归？ 86
5.1.1 生成虚拟变量 86
5.1.2 虚拟变量回归的原理 89
X
Stata统计分析：社会科学应用指南
5.2 含有一个虚拟变量的回归 89
5.2.1 Stata示例 90
5.3 含有一个虚拟变量和一个协变量的回归 91
5.3.1 Stata示例 93
5.4 含有多个虚拟变量的回归 94
5.4.1 Stata示例 96
5.4.2 比较纳入组 97
5.5 含有多个虚拟变量和一个协变量的回归 101
5.5.1 Stata示例 102
5.6 含有两组不同虚拟变量的回归 103
5.6.1 Stata示例 105
5.7 总结 107
问题 108
延伸阅读 108
参考文献 109
6 回归中的交互
/调节效应
111
6.1 交互
/调节效应 112
6.2 乘积项方法
113
6.2.1 一个连续预测变量与一个连续调节变量间的交互 115
6.2.2 一个连续预测变量与一个虚拟调节变量间的交互 119
6.2.3 一个虚拟预测变量与一个虚拟调节变量间的交互 123
6.2.4 一个连续预测变量和一个多分类调节变量间的交互 125
6.3 总结 131
问题 132
延伸阅读 132
参考文献 133
目 录
XI
7 线性回归的假设与诊断
135
7.1 正确设定模型 137
7.1.1 所有有关的
X变量，而没有无关的 137
7.1.2 线性 139
7.1.3 可加性 148
7.1.4 不存在多重共线性 148
7.2 残差的假设 150
7.2.1 误差项的条件均值为零 150
7.2.2 同方差 151
7.2.3 不相关的误差 152
7.2.4 正态分布误差 153
7.3 强影响点 155
7.3.1 杠杆作用 155
7.3.2 DFBETA 156
7.3.3 库克距离 157
7.4 总结 159
问题 160
延伸阅读 160
参考文献 160
8 logistic回归
163
8.1 什么是
logistic回归？ 165
8.1.1 假设检验 168
8.2 logistic回归的假设 169
8.2.1 Stata示例 171
8.3 条件效应 178
8.4 诊断 180
8.5 多类
logistic回归 183
XII
Stata统计分析：社会科学应用指南
8.6 有序
logistic回归 188
8.7 总结 192
问题 193
延伸阅读 193
参考文献 194
9 多水平分析
197
9.1 多水平数据 199
9.1.1 使用多水平分析的统计学原因 202
9.2 空模型或截距模型 203
9.2.1 Stata示例 205
9.3 方差分解或组内相关 206
9.4 随机截距模型 207
9.5 水平
2解释变量 209
9.5.1 因变量被解释的量 211
9.6 logistic多水平模型 212
9.7 随机系数（斜率）模型 213
9.8 交互效应 216
9.9 三水平模型 219
9.9.1 交叉分类多水平模型 223
9.10 加权 223
9.11 总结
225
问题 226
延伸阅读 226
参考文献 227
10 面板数据分析
229
10.1 面板数据 230
目 录
XIII
10.2 混合
OLS 233
10.3 组间效应 239
10.4 固定效应（组内估计） 243
10.4.1 解释固定效应 244
10.4.2 固定效应总结 252
10.4.3 时间固定效应 252
10.5 随机效应 253
10.6 时间序列横截面方法 255
10.6.1 非平稳性检验 259
10.6.2 滞后选择 262
10.6.3 TSCS模型 263
10.7 二分类因变量 264
10.8 总结 268
问题 269
延伸阅读 269
参考文献 270
11探索性因子分析
273
11.1 什么是因子分析？
274
11.1.1 因子分析的用途 276
11.2 因子分析过程
276
11.2.1 提取因子 277
11.2.2 确定因子数量 280
11.2.3 旋转因子 281
11.2.4 提炼和解释因子 283
11.3 综合得分和信度检验
285
11.4 Stata示例 286
11.5 总结
292
问题 293
XIV
Stata统计分析：社会科学应用指南
延伸阅读 293
参考文献 294
12 结构方程模型和验证性因子分析
297
12.1 什么是结构方程模型？ 298
12.1.1 结构方程模型的类型 299
12.2 验证性因子分析 301
12.2.1 模型设定 301
12.2.2 模型识别 303
12.2.3 参数估计 305
12.2.4 模型评价 306
12.2.5 模型修正 314
12.3 潜路径分析 316
12.3.1 LPA模型的设定 317
12.3.2 测量部分 318
12.3.3 结构部分 322
12.4 总结 324
问题 325
延伸阅读 325
参考文献 326
13 重要问题
329
13.1 变量变换 330
13.1.1 偏度和峰度 330
13.1.2 变换 333
13.2 加权 335
13.3 稳健回归 338
13.4 缺失数据 342
目 录
XV
13.4.1 处理缺失数据的传统方法 343
13.4.2 多重填补 346
13.5 总结 353
问题 353
延伸阅读 354
参考文献 354
对学生和学者来说，知道如何运用统计学来解决社会问题是一项关键技能。想要得到和开发这样的技能需要理解不同统计技术（如线性回归模型、因子分析等）背后的原理，同时学会使用灵活且用户界面友好的软件进行分析。在本书中，我们通过揭示每项统计技术背后的原理并提供Stata软件的应用示例，试图帮助读者达到这两个重要目标。
基于我们的座右铭“万物皆回归”，我们将线性回归模型作为解释不同统计技术的首要框架。
对线性回归模型的深入理解为学习其他统计技术打下了基础—不管这些技术是简单的（如t检验）还是高级的（如结构方程模型）。这也是我们选择深入剖析线性回归模型及其拓展技术的原因所在。在读过相关章节之后，你就会认识到线性回归模型可以很好地替代传统的独立样本组间比较的方差分析（ANOVA）。线性回归方法也成为理解多层次回归技术的纽带，而后者是分析重复测量数据时方差分析方法的有力替代。
若想从本书中有所获，读者好具备关于基础统计学的背景知识，并对统计推断有所了解。读者不需要具备使用Stata的经验，在将Stata应用于不同统计技术之前，我们会用一章的内容来详细介绍该软件的使用方法。当你阅读本书的每一章时，我们强烈建议你打开Stata软件，以便复制和重现相关统计分析的过程与结果。在此之前，你需要登录网址https://study.sagepub.com/login?destination=node/30193，浏览并下载本书的配套材料（如数据集、Stata代码、期刊文章示例等）。
评论
还没有评论。