出版社：Springer
作者：Wolfgang Jank
页数: 199
主要目录：
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Analytics and Business . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Goal of This Book . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Who Should Read This Book? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 What This Book Is Not . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1 This Is Not a Statistics Book . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.2 This Is Not a Data Mining Book . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 What This Book Is . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.6 Structure of This Book.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.7 Using This Book in a Course . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Exploring and Discovering Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1 Basic Data Summaries and Visualizations: House Price Data . . . . . . . . 10
2.2 Data Transformations and Trellis Graphs: Direct Marketing Data . . . 20
2.3 Time Series Graphs: Soft Drink Sales Data. . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4 Spatial Graphs: Online Purchase Preferences Data. . . . . . . . . . . . . . . . . . . . 28
2.5 Graphs for Categorical Responses: Consumer-to-
Consumer Loan Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6 Graphs for Panel Data: Customer Loyalty Data . . . . . . . . . . . . . . . . . . . . . . . 34
3 Data Modeling I – Basics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1 Introduction:Why Do We Need Models? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2 Fitting and Interpreting a Regression Model:
Least Squares Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.1 The Idea of Least Squares Regression . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.2 Interpreting a First Simple Regression Model.. . . . . . . . . . . . . . . . 50
3.2.3 Evaluating a Regression Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2.4 Comparing Regression Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3 Identifying and Selecting Important Predictors: Statistical Inference 57
3.3.1 The Signal-to-Noise Ratio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.3.2 Testing for Statistical Significance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.3.3 Gauging Practical Importance.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.4 Data Case: Understanding Customers’ Spending Patterns
Using Basic Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4 Data Modeling II – Making Models More Flexible . . . . . . . . . . . . . . . . . . . . . . 67
4.1 More Flexible Models (1): Dummy Variables
and Interaction Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.1.1 Dummy Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.1.2 Interaction Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2 More Flexible Models (2): Nonlinear Relationships
and Data Transformations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2.1 Data Transformations.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.2.2 Interpreting Nonlinear Regression Models . . . . . . . . . . . . . . . . . . . . 88
4.3 Data Case: Using Interaction Terms and Data
Transformations to Better Understand Customers’
Spending Patterns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5 Data Modeling III – Making Models More Selective . . . . . . . . . . . . . . . . . . . . 101
5.1 Models with Too Many Predictors: Multicollinearity
and Variable Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.1.1 Multicollinearity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.1.2 Curing Multicollinearity and Variable Selection . . . . . . . . . . . . . . 107
5.2 Data Case: Using Variable Selection of Financial
Indicators to Predict a Company’s Stock Price . . . . . . . . . . . . . . . . . . . . . . . . 111
6 Data Modeling IV-Fine-Tuning Your Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
6.1 Assessing the Quality of a Model: Predictive Power
vs. Model Fit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
6.1.1 The Shortcomings of Model Fit Statistics . . . . . . . . . . . . . . . . . . . . . 126
6.1.2 Measuring the Predictive Power of a Model.. . . . . . . . . . . . . . . . . . 132
6.2 Exploring and Modeling Complex Relationships:
Nonparametric Regression and Regression Trees . . . . . . . . . . . . . . . . . . . . . 142
6.2.1 Uncovering Interactions with Regression Trees . . . . . . . . . . . . . . . 143
6.2.2 Modeling Nonlinear Relationships Using
Nonparametric Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
6.3 Data Case: Fine-Tuning Stock Price Prediction Models . . . . . . . . . . . . . . 161