如果想成为一名应用定量分析研究者，分析抽样或其他定量数据集，以支持所涉及领域的大量文献知识，*后发表你的研究结果。本书正是为此所设计。它是基于两个分学期的课程和作者在加州大学洛杉矶分校过去30多年的教学，并跟踪社会学和其他社会科学领域定量分析方法新发展成果的基础上成书的。本书的特点是没有复杂的数学推导，通过大量的实例领会社会科学研究的基本逻辑和设计思想，图文并茂，浅显易懂，把握前沿新社会科学成果。

这是一本由学术界公认的大师和睿智的教师介绍现代社会科学研究方法的一流教材。Treiman使复杂的问题变得简单，并提供了许多实用的建议和最优的方法。本书没有复杂的数学推导，通过大量的实例领会社会科学研究的基本逻辑和设计思想，图文并茂，浅显易懂，把握前沿最新社会科学成果。《量化数据分析：通过社会研究检验想法》不只是讲授统计学——它讲授如何用统计学回答社会问题,它教会学生如何运用统计学开展一流的量化研究。

如果想成为一名应用定量分析研究者，分析抽样或其他定量数据集，以支持所涉及领域的大量文献知识，*后发表你的研究结果。本书正是为此所设计。它是基于两个分学期的课程和作者在加州大学洛杉矶分校过去30多年的教学，并跟踪社会学和其他社会科学领域定量分析方法新发展成果的基础上成书的。本书的特点是没有复杂的数学推导，通过大量的实例领会社会科学研究的基本逻辑和设计思想，图文并茂，浅显易懂，把握前沿新社会科学成果。

这是一本由学术界公认的大师和睿智的教师介绍现代社会科学研究方法的一流教材。Treiman使复杂的问题变得简单，并提供了许多实用的建议和最优的方法。本书没有复杂的数学推导，通过大量的实例领会社会科学研究的基本逻辑和设计思想，图文并茂，浅显易懂，把握前沿最新社会科学成果。《量化数据分析：通过社会研究检验想法》不只是讲授统计学——它讲授如何用统计学回答社会问题,它教会学生如何运用统计学开展一流的量化研究。

本书以统计学史上著名人物的伟大成就为脉络，将数据分析这一学科的发展历程娓娓道来。从开普勒仰望星空拉开统计学序幕，贝叶斯提出主观概率，到人工智能、深度学习逐步渗透今天的日常生活。本书带领读者在数据科学的熠熠星光下，看透大数据的深邃内核。

本书围绕精益创业展开讨论，融合了精益创业法、客户开发、商业模式画布和敏捷持续集成的精华。本书汇聚了100多位创始人、投资人、内部创业者和创新者的成功创业经验，呈现了30多个极具价值的案例分析，可以为各阶段的创业者提供行为准则。

本书由实战经验丰富的两位数据分析师执笔，首先介绍了商业领域里通用的数据分析框架，然后根据该框架，结合8个真实的案例，详细解说了通过数据分析解决各种商业问题的流程，让读者在解决问题的过程中学习各种数据分析方法，包括柱状图、交叉列表统计、A/B测试、多元回归分析、逻辑回归分析、主成分分析、聚类、决策树分析、机器学习等。特别是书中使用的数据都是未经清洗的原始数据，能够让读者了解真实的数据分析流程，避免纸上谈兵。

网络数据分析是网络信息计量学的重要组成部分，也是当前网络界、新闻传播界、信息管理界都十分关注的热点研究领域之一。本书从理论、方法、应用三个角度，全面、系统地论述了网络数据分析的基本原理、方法和工具，详细探讨了它在网络传播、网络信息计量学、网络信息资源管理、电子商务与网络营销、企业管理与市场经营、科学评价与网络管理等许多领域的应用。全书共9章，包括网络数据概论、网络数据仓库、网络数据流量分析、网络数据定性分析、网络数据多维分析、网络数据挖掘分析、网络数据分析系统的开发以及应用和实例等。 本书既适合于高等院校的新闻与传播、信息管理与科学评价、信息计量学与科学计量学、网站设计与管理、管理科学与工程、电子商务、网络营销等专业的师生教学使用，也可供广大信息工作者、网络工作者、科技工作者和有关管理人员学习参考。

《数据分析概论》研究对象是社会科学的研究数据。数据分析可以赋予事实意义，好的数据分析能为所研究的社会现象提供合理的描述和解释。 本书旨在为定量研究数据分析的每一步提供统计学基础。作者讨论了数据搜集的意义、一元统计、对相关性的测量、显著性检验、简单和多元回归，并给出了大量的数学公式，使得读者能更好地理解这些内容。

面板数据模型日益受到应用研究人员的欢迎，因为与横截面数据模型和时序数据模型相比，面板数据模型描述人类行为复杂性的能力更加突出。因此，越来越多且内容更丰富的面板数据集也日益增多。《面板数据分析(第2版)》由萧政所著，1986年的第一版取得了非常大的成功，本书在第一版的基础上进行了重大修订。面板数据研究中的近期进展都以非常严谨而又友好的方式呈现在本书中，并与原有内容有机地结合成一个整体。严谨的理论分析与合理引用的实证案例使得《面板数据分析(第2版)》对经济、商业、社会学、政治学等领域的研究生和高级研究人员非常有帮助。第二版的具体修订包括对Bayes方法和严格外生性概念（为将各种模型的识别联系起来，估计量在广义矩法框架下表示）的介绍，直观解释估计离散选择模型的半参数方法和面板数据样本选择模型估计的配对修整方法，等等。