来源：专知本文约1200字，建议阅读5分钟本文内容关于使用回归来解决比较、估计、预测和因果推理等实际问题。
大多数有关回归的教科书侧重于理论和最简单的例子。然而，真正的统计问题是复杂而微妙的。这不是一本关于回归理论的书。它是关于使用回归来解决比较、估计、预测和因果推理等实际问题。与其他书籍不同，它侧重于实际问题，如样本量、缺失数据以及广泛的目标和技术。它直接进入你可以立即使用的方法和计算机代码。作者亲身经历的真实例子和故事，展示了回归的作用及其局限性，并为理解实验和观察研究的假设和实施方法提供了实用建议。他们顺利过渡到逻辑回归和GLM。重点是R和Stan的计算，而不是推导，代码可以在线获得。图形和演示有助于理解模型和模型拟合。
https://avehtari.github.io/ROS-Examples/
目录内容：
- 介绍
- 数据和测量
- 数学和概率论中的一些基本方法
- 生成模型和统计推断
- 模拟
- 回归建模背景
- 单预测器线性回归
- 拟合回归模型
- 预测和贝叶斯推理
- 多预测因子线性回归
- 假设、诊断和模型评估
- 转换
- 逻辑回归
- 使用逻辑回归
- 其他广义线性模型
- 设计和样本大小的决定
- 后分层和缺失数据归因
- 因果推理基础和随机实验
- 使用对治疗变量的回归进行因果推断
- 因果推理中更高级的主题
- 高级回归和多级模型
现有的关于回归的教科书通常混合了一些数学推导。我们写这本书是因为我们看到了一种新的前进方式，专注于理解回归模型，将它们应用于实际问题，并使用假数据模拟来理解模型是如何匹配的。读完这本书并完成练习之后，您应该能够在计算机上模拟回归模型，并建立、批判性地评估它们，并将它们用于应用问题。我们的书的另一个特点，除了广泛的例子和计算机模拟的重点，是它的广泛的覆盖，包括统计和测量的基础知识，线性回归，多元回归，贝叶斯推理，逻辑回归和广义线性模型，从样本到人口的外推，和因果推论。线性回归是一个起点，但止步于此是没有意义的:一旦你有了统计预测的基本概念，最好的理解方法是将它应用到许多不同的方式和不同的环境中。
在完成本书的第1部分后，您应该能够使用数学、统计和计算工具，这些工具将允许您使用回归模型。这些前几章可以作为你在入门统计学课程中所学到的方法和思想的桥梁。
第1部分的目标包括显示和探索数据，计算和绘制线性关系，理解基本的概率分布和统计推断，以及模拟随机过程来表示推断和预测不确定性。
在完成第2部分之后，您应该能够构建、适应、理解、使用和评估线性回归模型的适应。本书这部分的章节在几个应用和模拟数据示例的背景下开发相关的统计和计算工具。
完成第3部分后，您应该能够类似地使用逻辑回归和其他广义线性模型。
第4部分涵盖了从样本到总体的数据收集和外推，第5部分我们涵盖了因果推理，从使用受控实验回归的基本方法开始，然后考虑更复杂的方法来调整观测数据的不平衡或利用自然实验。
第6部分介绍了更高级的回归模型，附录包括一些快速提示和软件的概述
