书籍 · 资源记录

An Introduction to Statistical Learning: with Applications in R, Second Edition

以数据分析案例介绍线性回归、分类、重抽样、模型选择和多重检验，并明确预测与解释的差别。

作者：Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani年份：2021出版信息：Springer元数据：完整链接核验于 2026-07-13

为什么重要

适合结合案例理解线性模型的系数、标准误、区间、检验、预测与常见诊断边界。

M06 · 第 4 章假设检验、功效与多重比较
支持的主张：Wasserman《All of Statistics》为本章的检验函数、第一类错误、p 值和功效提供概率定义，ISLR 则把这些量放入模型比较与预测评估语境。二者共同支撑本章区分“零假设下数据有多极端”和“模型对未来样本是否有用”：显著性不能替代效应量、区间或独立验证，多次尝试模型时也必须控制选择带来的额外错误。
M06 · 第 5 章线性模型中的统计推断
支持的主张：《An Introduction to Statistical Learning》第二版提供线性回归、模型评估和诊断的应用语境，适合对照系数解释、预测与训练范围。它强调建模实践；本章的满列秩、投影及精确 t/F 条件仍应以公式逐项复核。
M06 · 第 6 章估计、检验与统计决策综合复习
支持的主张：Casella 与 Berger 为本章提供似然、估计量、检验与决策风险的统一理论，ISLR 则支撑训练—测试划分、预测误差和模型复杂度的实践检验。两类来源共同说明参数推断与预测评估回答不同问题：前者依赖抽样模型和损失，后者依赖未来数据分布，二者的数值不能在没有目标说明时互相替代。