《理论统计（英文版）》是一本内容简明，结构严谨的理论统计教科书，内容包括自助法、非参数回归、同变估计、经验贝叶斯、序贯设计和分析。《理论统计（英文版）》各章有丰富的习题，解答在附录中提供。读者需具备微积分、线性代数、概率论、数学分析和拓扑等数学基础知识。目次：概率和测度；指数族；风险，充分性，完整性；无偏估计；曲指数族；条件分布；贝叶斯估计；大样本理论；估计方程和大概似值；同变估计；经验贝叶斯法和收缩估计；假设检验；高维优化试验等。

《理论统计（英文版）》是一本内容简明，结构严谨的理论统计教科书，内容包括自助法、非参数回归、同变估计、经验贝叶斯、序贯设计和分析。《理论统计（英文版）》各章有丰富的习题，解答在附录中提供。读者需具备微积分、线性代数、概率论、数学分析和拓扑等数学基础知识。目次：概率和测度；指数族；风险，充分性，完整性；无偏估计；曲指数族；条件分布；贝叶斯估计；大样本理论；估计方程和大概似值；同变估计；经验贝叶斯法和收缩估计；假设检验；高维优化试验等。

《统计理论(英文)》是一部经典的讲述统计理论的研究生教程，综合性强，内容涵盖：估计；检验；大样本理论，这些都是研究生要进入博士或者更高层次必须学习的预备知识。为了让读者具备更加强硬的数学背景和更广阔的理论知识，书中不仅给出了经典方法，也给出了贝叶斯推理知识。《统计理论(英文)》目次如下：概率模型；充分统计量；决策理论；假设检验；估计；等价；大样本理论；分层模型；序列分析；附录：测度与积分理论；概率论；数学定理；分布概述。

统计学习理论是研究利用经验数据进行机器学习的一种一般理论，属于计算机科学、模式识别和应用统计学相交叉与结合的范畴，其主要创立者是本书作者。统计学习理论基本内容诞生于20世纪60~70年代，到90年代中期发展到比较成熟并受到世界机器学习界的广泛重视，其核心内容反映在Vapnik的两部重要著作中，本书即是其中一部，另一部是《统计学习理论的本质》。 由于较系统地考虑了有限样本的情况，统计学习理论与传统统计学理论相比有更好的实用性，在该理论下发展出的支持向量机方法以其有限样本下良好的推广能力而备受重视。

统计学习理论是研究利用经验数据进行机器学习的一种一般理论，属于计算机科学、模式识别和应用统计学相交叉与结合的范畴，其主要创立者是本书作者。统计学习理论基本内容诞生于20世纪60~70年代，到90年代中期发展到比较成熟并受到世界机器学习界的广泛重视，其核心内容反映在Vapnik的两部重要著作中，本书即是其中一部，另一部是《统计学习理论的本质》。 由于较系统地考虑了有限样本的情况，统计学习理论与传统统计学理论相比有更好的实用性，在该理论下发展出的支持向量机方法以其有限样本下良好的推广能力而备受重视。

本书是一本优秀的统计模型教材，着重讲解线性模型的应用问题，包括广义最小二乘和两步最小二乘模型，以及二分变量的probit及logit模型的应用，还包括关于研究设计、二分变量回归及矩阵代数的背景知识。 这还是一本鼓舞人心的而又易读的书，无论是老师还是学生都会从中受益。

本书是一本优秀的统计模型教材，着重讲解线性模型的应用问题，包括广义最小二乘和两步最小二乘模型，以及二分变量的probit及logit模型的应用。还包括关于研究设计、二分变量回归及矩阵代数的背景知识。此外，本书附有大量的练习，并且其中多数练习题在书后都有答案，便于读者学习、巩固和提高。 本书适合作为统计专业高年级本科生和低年级研究生线性模型课程的教材，同时也适合作为相关领域研究人员的参考书。

本书是一本优秀的统计模型教材，着重讲解线性模型的应用问题，包括广义最小二乘和两步最小二乘模型，以及二分变量的probit及logit模型的应用，还包括关于研究设计、二分变量回归及矩阵代数的背景知识。 这还是一本鼓舞人心的而又易读的书，无论是老师还是学生都会从中受益。