1장 메타분석(meta analysis)
  1. 비율의 비교 = 1
  2. 출간 편향 = 7
  3. 평균의 비교 = 8
  4. "meta"의 다른 기능 = 12
2장 잠재 층 분석(latent class analysis)
  1. 범주형 응답과 이에 대한 통계적 모형 = 13
  2. values 사례와 모형 선택 = 15
  3. 잠재 층 회귀 모형 = 18
  4. 응용 : 잠재 층에 대한 로지스틱 회귀 = 21
  5. 그 밖의 혼합분포 모형 = 23
3장 성향점수 맞추기(propensity score matching)
  1. 배후요인의 수준 차이 = 25
  2. 성향점수 모형 = 26
  3. 최근접 이웃 맞추기 = 28
  4. 부구간 맞추기 = 29
  5. 사례 : Lalonde 자료 = 30
  6. 그 밖의 맞추기 기법과 R 팩키지 = 35
4장 최적화 알고리즘(optimization algorithm)
  1. 최대가능도 추정 = 37
  2. 비선형 회귀 = 43
  3. TSP(traveling salesman problem) = 47
5장 결측값 대체(missing value imputation)
  1. 결측값 대체 = 51
  2. 대체 자료의 활용 = 57
  3. 대체 방법과 손실
  4. MAR 상황
6장 다차원 척도화(multidimensional scaling)
  1. 거리 행렬 = 63
  2. 고전적 MDS = 65
  3. 비계량형 MDS = 67
  4. iso map = 69
  5. 차원의 결정 = 71
7장 표본크기와 검정력(sample size and power)
  1. 정규분포의 중심 = 77
  2. t-검정 = 81
  3. 비율의 검정 = 85
  4. 상관의 검정 = 88
  5. 그 밖의 검정 = 89
8장 붓스트랩 방법(bootstrap method)
  1. 붓스트랩 방법이란? = 91
  2. 붓스트랩 사례 : 상관계수 = 94
  3. 붓스트랩 사례 : 로지스틱 회귀 = 97
  4. 붓스트랩 사례 : 두 독립표본의 중심 간 차이 = 99
9장 로버스트 회귀와 분위수 회귀(robust and quantile regression)
  1. 로버스트 회귀 = 103
  2. 분위수 회귀 = 110
10장 일반화선형모형(generalized linear model)
  1. 일반화선형모형이란? = 117
  2. 포아송 회귀 = 120
  3. 로지스틱 회귀 = 123
  4. 감마 회귀 = 126
  5. 요약 = 129
11장 국소적 회귀 LOESS = 131
  1. 국소 가중치 = 132
  2. 국소 선형ㆍ이차식의 적합 = 133
  3. Engine Exhaust Emissions 사례 = 135
  4. Sulfate Deposits 사례 = 138
  5. 기술적 세부 사항 = 141
  참고문헌 = 143
12장 일반화가법모형(generalized additive model)
  1. 기본 사례와 방법론 = 145
  2. 준모수적 회귀모형 = 150
  3. 모의자료 사례 = 152
  참고문헌 = 155
13장 R 컬러와 산점도(r colors and scatterplot)
  1. R의 컬러 = 157
  2. 산점도 응용 : 제3의 변수 = 162
  3. 산점도 응용 : n≥10,000 = 163
  4. 산점도 응용 : lowess 평활 = 167
14장 통계 그래프(statistical graph) 1
  1. 나무 지도 = 171
  2. 모자이크 플롯 = 175
  3. 열 지도 = 180
15장 통계 그래프(statistical graph) 2
  1. 2변량 자료의 밀도 = 189
  2. 3변량 자료의 시각화 = 193
  3. 다변량 자료의 시각화 = 196
16장 행렬도와 대응분석(biplot and correspondence analysis)
  1. 행렬도 = 203
  2. 대응분석 = 208
  3. 다중대응분석 = 215
17장 SVM(Support Vector Machine)
  1. 선형 SVM 분류 = 221
  2. 비선형 SVM 분류 = 226
  3. 선형 및 비선형 SVM 회귀 = 232
18장 나무 알고리즘(tree algorithm)
  1. CART = 239
  2. 랜덤 포리스트 = 249
19장 KPCA와 LLE(kernel PCA and locally linear embedding)
  1. 커널 PCA = 253
  2. LLE = 260
20장 예측함수의 시각화(visualizing predictive functions)
  1. 조건부 예측 그래프 = 267
  2. 회귀모형의 경우 = 272
  3. 설명변수가 많은 경우 = 277
부록 Ⅰ. R에서 데이터세트 다루기(manipulating datasets in R)(초급)
  데이터세트의 분할, 변수선택, 순서정렬 = 283
  데이터세트의 병합 = 287
  데이터 집계와 요약 = 289
  데이터 선별 = 291
  전문적 R 팩키지들 = 292
부록 Ⅱ. R에서 데이터세트 다루기(manipulating datasets in R)(고급)
  reshape = 293
  plyr = 298
  data.table = 302
  최신의 R 기법들 = 306
  추록 = 306
참고문헌 = 307
실습파일 = 309
찾아보기 = 311