【2023年最新】R言語の本「人気・高評価のおすすめ15冊」

プロローグ　雨の文化祭と統計学
第１章　結婚するならスポーツ選手？-平均値と中央値
第２章　テストの偏差値で一喜一憂ー分散・標準偏差
第３章　引越し先の家賃は高い？-ｔ検定、相関、回帰分析
第４章　新製品でアンケート調査ー比率の検定と多変量解析
第５章　ＳＮＳ？友人の紹介？長続きするのはどんなカップル？-生存解析
付録

神田善伸（カンダヨシノブ）
１９９１年東京大学医学部医学科卒業、東京大学医学部附属病院内科研修医。１９９２年ＪＲ東京総合病院内科研修医。１９９４年都立駒込病院血液内科医員。１９９７年東京大学大学院医学系研究科修了、東京大学医学部附属病院無菌治療部医員。１９９８年国立国際医療センター血液内科医員。２０００年国立がんセンター中央病院幹細胞移植療法室医員。２００１年東京大学医学部附属病院無菌治療部助手。２００５年東京大学医学部附属病院血液・腫瘍内科講師。２００７年自治医科大学総合医学第一講座・同附属さいたま医療センター血液科教授（現職）。２０１４年自治医科大学内科学講座血液学部門教授（現職・兼任）、自治医科大学臨床研究支援センター長（本データはこの書籍が刊行された当時に掲載されていたものです）

第Ⅰ部　多変量解析入門
第1章　Ｒによる多変量データの基本的な統計処理
第2章　Rによるデータハンドリング
第Ⅱ部　量的変数の予測
第3章　どの要因が影響しているのかが知りたい①―重回帰分析―
第4章　どの要因が影響しているのかが知りたい②―階層的重回帰分析―
第5章　様々な集団から得られたデータを分析したい―マルチレベルモデル―
第6章　複雑な統計的仮説を統計モデルとして表したい①　―パス解析―
第Ⅲ部　尺度の分析
第7章　尺度を科学的に開発したい―探索的因子分析―
第8章　尺度を科学的に開発したい―確認的因子分析―
第9章　複雑な統計的仮説を統計モデルとして表したい②　―潜在変数を伴うパス解析―
第Ⅳ部　質的変数の予測
第10章　クロス集計表をもっと丁寧に分析したい―対数線形モデル―
第11章　質的結果を予測したい―ロジスティック回帰分析―
第Ⅴ部　個体と変数の分類
第12章　傾向が似ているものを分類したい―クラスタ―分析―
第13章　質的変数間の連関を視覚化したい―コレスポンデンス分析―
第Ⅵ部　多変量解析を使いこなす
第14章　多変量データのもつ情報を効率的に可視化したい
第15章　多変量解析手法を実践で生かすために

川端一光（カワハシイッコウ）
２００８年早稲田大学大学院文学研究科博士後期課程単位取得退学、博士（文学）。現在、明治学院大学心理学部准教授。専門、心理統計学・教育測定学

岩間徳兼（イワマノリカズ）
２０１１年早稲田大学大学院文学研究科博士後期課程修了、博士（文学）。現在、北海道大学高等教育推進機構講師。専門、心理統計学・教育測定学

鈴木雅之（スズキマサユキ）
２０１３年東京大学大学院教育学研究科博士課程修了、博士（教育学）。現在、横浜国立大学教育学部准教授。専門、教育心理学（本データはこの書籍が刊行された当時に掲載されていたものです）

石田基広（イシダモトヒロ）
１９８９年東京都立大学大学院人文科学研究科修士課程修了。１９９１年東京都立大学大学院人文科学研究科博士課程中退、広島大学文学部助手。１９９４年徳島大学総合科学部講師。１９９６年徳島大学総合科学部助教授。２００８年徳島大学総合科学部准教授。２０１２年徳島大学大学院ソシオ・アーツ・アンド・サイエンス研究部教授。２０１７年徳島大学大学院社会産業理工学研究部教授（本データはこの書籍が刊行された当時に掲載されていたものです）

グロールマンド，ギャレット（Grolemund,Garrett）
統計学者であり、教師であり、Ｒ開発者。現在はＲＳｔｕｄｉｏに勤務

大橋真也（オオハシシンヤ）
千葉大学理学部数学科卒業、同教育学部教育学研究科修了。千葉県公立高等学校教諭。Ａｐｐｌｅ　Ｄｉｓｔｉｎｇｕｉｓｈｅｄ　Ｅｄｕｃａｔｏｒ、Ｗｏｌｆｒａｍ　Ｅｄｕｃａｔｉｏｎ　Ｇｒｏｕｐ　Ｉｎｓｔｒｕｃｔｏｒ、日本数式処理学会、ＣＩＥＣ（コンピュータ利用教育学会）。現在、千葉県立啓明高等学校数学科・情報科教諭

長尾高弘（ナガオタカヒロ）
１９６０年千葉県生まれ。東京大学教育学部卒。株式会社ロングテール社長（本データはこの書籍が刊行された当時に掲載されていたものです）

本橋智光（モトハシトモミツ）
システム開発会社の研究員、Ｗｅｂ系企業のデータサイエンティストを経て、デジタル医療スタートアップのサスメド株式会社のＣＴＯ。株式会社ホクソエムにも所属。量子アニーリングコンピュータの検証に個人事業主として従事している。製造業、小売業、金融業、運輸業、レジャー業、Ｗｅｂなど多様な業種のデータ分析経験を持つ。ＫＤＤ　ＣＵＰ　２０１５　２位（本データはこの書籍が刊行された当時に掲載されていたものです）

Ｒの基本
データの基本的なプロット
棒グラフ
折れ線グラフ
散布図
データ分布の要約
注釈
軸
グラフの全体的な体裁
凡例
ファセット
色を使う
さまざまなグラフ
文書用に図を出力する
データの前処理
付録Ａ　ｇｇｐｌｏｔ２を理解する
付録Ｂ　日本語フォントの利用（日本語版補遺）

■第1部　【導入編】Rを始める
　第1章　Rプログラミングの考え方
　第2章　Rを始める
■第2部　【初級編】Rによるデータ分析の基本
［プログラミングの体験］
　第1章　データ分析を体験する
　第2章　3行プログラミングを構成する要素
［データの取り扱いの基本］
　第3章　データの型
　第4章　ベクトル・行列・配列
　第5章　データフレーム
　第6章　いろいろなデータ構造の使い分け
　第7章　入出力
［様々な計算・分析処理の事例］
　第8章　演算子と論理演算
　第9章　3行以下で終わる分析の例：集計編
　第10章　3行以下で終わる分析の例：変換編
　第11章　3行以下で終わる分析の例：可視化編
　第12章　確率分布
　第13章　3行以下で終わる分析の例：推測統計編
　第14章　外部パッケージの活用
■第3部　【中級編】長いコードを書く技術
［環境構築］
　第1章　Gitによるバージョン管理
［Rの構文の理解］
　第2章　条件分岐と繰り返し
　第3章　関数の作成と関数の活用
　第4章　関数の応用的な使い方
［実装時の工夫］
第5章　長いコードを書くときの工夫
■第4部　【応用編】Tidyverseの活用
［導入］
　第1章　Tidyverseの基本
［Tidyverseによるデータ処理］
　第2章　パイプ演算子
　第3章　データの読み込み
　第4章　データの抽出・変換・集計
　第5章　日付の操作
　第6章　データの可視化
　第7章　データの整形と結合
　参考文献
　索引
　Rリファレンス

第1部　【理論編】ベイズ統計モデリングの基本
第1章 はじめよう！　ベイズ統計モデリング
第2章 統計学の基本
第3章 確率の基本
第4章 確率分布の基本
第5章 統計モデルの基本
第6章 ベイズ推論の基本
第7章 MCMCの基本
第2部　【基礎編】RとStanによるデータ分析
第1章 Rの基本
第2章 データの要約
第3章 ggplot2によるデータの可視化
第4章 Stanの基本
第5章 MCMCの結果の評価
第6章 Stanコーディングの詳細
第3部　【実践編】一般化線形モデル
第1章 一般化線形モデルの基本
第2章 単回帰モデル
第3章 モデルを用いた予測
第4章 デザイン行列を用いた一般化線形モデルの推定
第5章 brmsの使い方
第6章 ダミー変数と分散分析モデル
第7章 正規線形モデル
第8章 ポアソン回帰モデル
第9章 ロジスティック回帰モデル
第10章 交互作用
第4部　【応用編】一般化線形混合モデル
第1章 階層ベイズモデルと一般化線形混合モデルの基本
第2章 ランダム切片モデル
第3章 ランダム係数モデル
第5部　【応用編】状態空間モデル
第1章 時系列分析と状態空間モデルの基本
第2章 ローカルレベルモデル
第3章 状態空間モデルによる予測と補間
第4章 時変係数モデル
第5章 トレンドの構造
第6章 周期性のモデル化
第7章 自己回帰モデルとその周辺
第8章 動的一般化線形モデル：二項分布を仮定した例
第9章 動的一般化線形モデル：ポアソン分布を仮定した例

Chapter 1　はじめに
1.1　RMarkdown
1.2　sessioninfoによるバージョン情報の確認
1.3　プロジェクトの作成
1.4　本章のまとめと参考文献
Chapter 2　基本的な統計モデリング―要因と目的変数の関係解析(1)
2.1　データの読み込み・概観チェック・集計・可視化
2.2 【レポート例2-1】
2.3　検定・相関解析
2.4　統計モデリング第一歩
2.5 【レポート例2-2】
2.6　本章のまとめと参考文献
Chapter 3　発展的な統計モデリング―要因と目的変数の関係解析(2)
3.1　データの読み込み・集計・可視化
3.2 【レポート例3-1】
3.3　検定
3.4　統計モデリング
3.5 【レポート例3-2】
3.6　本章のまとめと参考文献
Chapter 4　実験計画法と分散分析
4.1　一元配置分散分析―One-way ANOVAによる精製カラムの検討
4.2　二元配置分散分析―Two-way ANOVAによる検出器の検討
4.3 【レポート例4-1】
4.4　直交表を使った分散分析―多数の因子がある場合の組み合わせ効率化：注入口条件の最適化
4.5　分析法の検証
4.6 【レポート例4-2】
4.7　本章のまとめと参考文献
Chapter 5　機械学習―代謝産物の変動解析を例に
5.1　データの読み込み・加工・可視化・検定
5.2　機械学習による判別分析
5.3　変数重要度が上位の因子によるpathway解析および機能解析の準備
5.4 【レポート例5】
5.5　本章のまとめと参考文献
Chapter 6　実践 レポート作成―化学物質の分子記述子と物性の関係解析を例に
6.1　ファイル作成・YAML記述
6.2　本文の記述とデータの読み込み
6.3　機械学習モデル
6.4　バリデーションセットを用いた精度の検証
6.5　変数重要度
6.6　実行環境・引用文献
6.7　本章のまとめと参考文献

はじめに
　本書の特徴
　本書の構成
　本書の対象読者
　本書で解説しなかったこと
　さあRStudioで分析を
tidyverseとは
　tidyverseのパッケージ
　tidyverseの過去
　tidyverseの未来
第1章 RStudioの基礎
1-1 RStudioのダウンロードとインストール
　macOS
　Windows
1-2 RStudioの基本操作
　RStudioのインターフェース
　プロジェクト機能
　Rスクリプトの新規作成と保存
　Rのコマンドの実行
　オブジェクトの確認
　補完機能
　Jobs機能
1-3 RStudioを自分好みにカスタマイズ
　RStudio全般
　コーディング
　外観
　Terminal
　キーボードショートカット
1-4 ファイルの読み込み
　Rの標準関数の問題点
　readrパッケージ
　Excelファイルの読み込み
　SAS,SPSS,STATAファイルの読み込み
　RStudio（GUI）によるデータの読み込み
　ファイル読み込みのまとめ
1-5 RやRStudioで困ったときは
　ヘルプを使う
　Vignetteを見る
　チートシートを使う
　コマンドパレット
1-6 まとめ
第2章 スクレイピングによるデータ収集
2-1 なぜスクレイピングが必要か
　スクレイピングとは
　手作業によるデータ取得の限界
2-2 スクレイピングに必要なWeb知識
　HTML
　CSS
　XMLとXPath
2-3 Rによるスクレイピング入門
　rvestパッケージ
　Webページタイトルの抽出
　パイプ演算子
　スクレイピング実践
2-4 API
　APIとは
　rtweetパッケージによるTwitterデータの収集
　ツイートの収集
　COLUMN ブラウザの自動操作
　COLUMN Webスクレイピングをするときの注意点
2-5 まとめ
　参考文献
第3章 dplyr/tidyrによるデータ前処理
3-1 tidy dataとは
　tidy dataの定義
　tidyではないデータ
3-2 tidyrによるtidy dataへの変形
　tidyではないデータ
　pivot_longer()による縦長データへの変形
　pivot_wider()による横長のデータへの変形
3-3 dplyrによる基本的なデータ操作
　tibbleとデータフレームの違い
　dplyrの関数の概要
　1つのデータフレームを操作する関数の共通点と%>%
　演算子による処理のパイプライン化
　filter()による行の絞り込み
　COLUMN dplyrの関数内でのコード実行
　arrange()によるデータの並び替え
　select()による列の絞り込み
　relocate()による列の並べ替え
　mutate()による列の追加
　summarise()によるデータの集計計算
3-4 dplyrによる応用的なデータ操作
　グループ化
　COLUMN 複数の値を返す集約関数とsummarise()
　COLUMN ウィンドウ関数
　COLUMN selectのセマンティクスとmutateのセマンティクス
　複数の列への操作
3-5 dplyrによる2つのデータセットの結合と絞り込み
　inner_join()によるデータの結合
　さまざまなキーの指定方法
　inner_join()以外の関数によるデータの結合
　semi_join()、anti_join()による絞り込み
3-6 tidyrのその他の関数
　separate()による値の分割
　extract()による値の抽出
　separate_rows()による値の分割（縦方向）
　暗黙の欠損値
　complete()による存在しない組み合わせの検出
　COLUMN group_by()による存在しない組み合わせの表示
　fill()による欠損値の補完
　replace_na()による欠損値の置き換え
3-7 まとめ
第4章 ggplot2を用いたデータ可視化
4-1 可視化の重要性
4-2 ggplot2パッケージを用いた可視化
　準備
　エステティックマッピング
　COLUMN グラフに肉付けする
　統計的処理：stat
　COLUMN X軸に離散変数をマッピングした場合における折れ線グラフ
　配置の指定：position
　COLUMN position_dodge()とposition_dodge2()
　軸の調整
　グラフの保存
4-3 他者と共有可能な状態に仕上げる
　themeの変更
　文字サイズやフォントの変更
　配色の変更
　ラベルを変更する
4-4 便利なパッケージ
　複数のグラフを並べる
　表示される水準の順番を変更したい
4-5 まとめ
　参考文献
第5章 R Markdownによるレポート生成
5-1 分析結果のレポーティング
　ドキュメント作成の現場
　手作業によるドキュメント作成の問題点
5-2 R Markdown入門
　Hello, R Markdown
　Rmdファイルと処理フロー
　Markdownの基本
　Rチャンク
　ドキュメントの設定
　RStudioで使える便利なTips
　COLUMN Visual ModeによるRmdファイルの編集
5-3 出力形式
　html_document形式
　pdf_document形式
　word_document形式
　スライド出力
　R Markdownの出力形式を提供するパッケージ
　COLUMN 日本語環境での注意点
5-4 まとめ
　参考URL・参考文献
付録A stringrによる文字列データの処理
A-1 文字列データとstringrパッケージ
A-2 文字列処理の例
　str_c()による文字列の連結
　str_split()による文字列の分割
　str_detect()による文字列の判定
　COLUMN fixed()/coll()を用いた挙動の調整
　str_count()による検索対象の計上
　str_locate()による検索対象の位置の特定
　str_subset()/str_extract()による文字列の抽出
　str_sub()による文字列の抽出
　str_replace()による文字列の置換
　str_trim()/str_squish()による空白の除去
A-3 正規表現
　任意の文字や記号の検索
　高度な検索
　regex()
A-4 まとめ
付録B lubridateによる日付・時刻データの処理2
B-1 日付・時刻のデータ型とlubridateパッケージ
B-2 日付・時刻への変換
　文字列から日付・時刻への変換
　数値から日付・時刻への変換
　readrパッケージによる読み込み時の変換
B-3 日付・時刻データの加工
B-4 interval
B-5 日付、時刻データの計算・集計例
　wday()を使った曜日の計算例
　floor_date()を使った週ごとの集計例
B-6 タイムゾーンの扱い
B-7 その他の日付・時刻データ処理に関する関数
　zipanguパッケージ
　sliderパッケージ

第1章：データサイエンス入門
　1.1：データサイエンスの基本
　　1.1.1：データサイエンスの重要性
　　1.1.2：データサイエンスの定義とその歴史
　　1.1.3：データサイエンスにおけるモデリング
　　1.1.4：データサイエンスとその関連領域
　1.2：データサイエンスの実践
　　1.2.1：データサイエンスのプロセスとタスク
　　1.2.2：データサイエンスの実践に必要なツール
　　1.2.3：データサイエンスの実践に必要なスキル
　　1.2.4：データサイエンスの限界と課題
　コラム：ビジネス活用における留意点
第2章：RとPython
　2.1：RとPython
　　2.1.1：RとPythonの比較
　2.2：R入門
　　2.2.1：Rの概要
　　2.2.2：Rの文法
　　2.2.3：データ構造と制御構造
　2.3：Python入門
　　2.3.1：Pythonの概要
　　2.3.2：Pythonの文法
　　2.3.3：Pythonでのプログラミング
　　2.3.4：NumPyとpandas
　2.4：RとPythonの実行例の比較
　　2.4.1：簡単な分析の実行例
第3章：データ分析と基本的なモデリング
　3.1：データの特徴を捉える
　　3.1.1：分布の形を捉える ─ ビジュアルでの確認
　　3.1.2：要約統計量を算出する ─ 代表値とばらつき
　　3.1.3：関連性を把握する ─ 相関係数の使い方と意味
　　3.1.4：Rを使った相関分析 ─ 自治体のデータを使った例
　　3.1.5：確立分布とその利用 ─ 理論と実際の考え方
　3.2：データからモデルを作る
　　3.2.1：目的変数と説明変数 ─ 説明と予測の「向き」
　　3.2.2：簡単な線形回帰モデル ─ Rによる実行と結果
　　3.2.3：ダミー変数を使ったモデル ─ グループ間の差異を分析
　　3.2.4：複雑な線形回帰モデル ─ 交互作用，モデル間の比較
　　3.2.5：線形回帰の仕組みと最小二乗法
　3.3：モデルを評価する
　　3.3.1：モデルを評価するための観点
　　3.3.2：この結果は偶然ではないのか? ─ 有意確率と有意差検定
　　3.3.3：モデルはデータに当てはまっているか? ─ フィッティングと決定係数
　　3.3.4：モデルは複雑すぎないか? ─ オーバーフィッティングと予測精度
　　3.3.5：残差の分布 ─ 線形回帰モデルと診断プロット
　　3.3.6：説明変数同士の相関 ─ 多重共線性
　　3.3.7：標準偏回帰係数
第4章：実践的なモデリング
　4.1：モデリングの準備
　　4.1.1：データの準備と加工
　　4.1.2：分析とモデリングの手法
　4.2：データの加工
　　4.2.1：データのクレンジング
　　4.2.2：カテゴリ変数の加工
　　4.2.3：数値変数の加工とスケーリング
　　4.2.4：分布の形を変える ─ 対数変換とロジット変換
　　4.2.5：欠損値の処理
　　4.2.6：外れ値の処理
　4.3：モデリングの手法
　　4.3.1：グループに分ける ─ クラスタリング
　　4.3.2：指標を集約する ─ 因子分析と主成分分析
　　4.3.3：一般化線形モデル（GLM）とステップワイズ法
　　4.3.4：2値データを目的変数とする分析 ─ ロジスティック回帰
　　4.3.5：セグメントの抽出とその特徴の分析 ─ 決定木
　4.4：因果推論
　　4.4.1：データから因果関係を明らかにする ─ 統計的因果推論
　　4.4.2：因果の有無の検証
　　4.4.3：因果効果の推定
　　4.4.4：因果関係の定式化 ─ 構造方程式モデリング
　　4.4.5：因果関係の定式化 ─ 構造的因果モデル
　　4.4.6：因果関係の定式化 ─ ベイズ統計モデリング
　　4.4.7：因果の探索
　　4.4.8：因果関係に基づく変数選択
第5章：機械学習とディープラーニング
　5.1：機械学習の基本とその実行
　　5.1.1：機械学習の基本
　　5.1.2：機械学習ライブラリの活用 ─ scikit-learn
　　5.1.3：機械学習の実行（教師あり学習）
　　5.1.4：機械学習の実行（教師なし学習）
　　5.1.5：スケーリングの実行（標準化・正規化）
　　5.1.6：次元の削減（主成分分析）
　コラム：機械学習と強化学習
　5.2：機械学習アルゴリズムの例
　　5.2.1：k近傍法
　　5.2.2：ランダムフォレスト
　　5.2.3：ロジスティック回帰とリッジ回帰
　　5.2.4：サポートベクターマシン（SVM）
　5.3：機械学習の手順
　　5.3.1：機械学習の主要な手順
　　5.3.2：ホールドアウト法による実行
　　5.3.3：クロスバリデーションとグリッドサーチ
　　5.3.4：閾値の調整
　　5.3.5：特徴量の重要度と部分従属プロット
　5.4：機械学習の実践
　　5.4.1：データの準備に関わる問題
　　5.4.2：特徴抽出と特徴ベクトル
　　5.4.3：機械学習の実行例
　5.5：ディープラーニング
　　5.5.1：ニューラルネットワーク
　　5.5.2：ディープラーニングを支える技術
　　5.5.3：ディープラーニング・フレームワーク
　　5.5.4：ディープラーニングの実行
　　5.5.5：生成モデル

第1章　機械学習入門
1.1　機械学習の起源
1.2　機械学習の利用と乱用
1.3　機械はどのように学習するか
1.4　実際の機械学習
1.5　Rによる機械学習
1.6　まとめ
第2章　データを管理し、理解する
2.1　Rのデータ構造
2.2　Rでのデータの管理
2.3　データを調べて理解する
2.4　まとめ
第3章　怠惰学習―最近傍法を使った分類
3.1　最近傍法分類を理解する
3.2　例：k最近傍法を使って乳がんを診断する
3.3　まとめ
第4章　確率論的学習―ナイーブベイズを使った分類
4.1　ナイーブベイズを理解する
4.2　例：ナイーブベイズを使ってSMSスパムをフィルタリングする
4.3　まとめ
第5章　分割統治―決定木と分類ルールに基づく分類
5.1　決定木を理解する
5.2　例：C5.0の決定木を使ってあぶない融資を特定する
5.3　分類ルールを理解する
5.4　例：分類ルール学習器を使って毒キノコを識別する
5.5　まとめ
第6章　数値データを予測する―回帰法
6.1　回帰を理解する
6.2　例：線形回帰を使って医療費を予測する
6.3　回帰木とモデル木を理解する
6.4　例：回帰木とモデル木を使ってワインの品質を予測する
6.5　まとめ
第7章　ブラックボックス手法―ニューラルネットワークとサポートベクトルマシン
7.1　ニューラルネットワークを理解する
7.2　例：人工ニューラルネットワークを使ってコンクリートの強度をモデル化する
7.3　サポートベクトルマシンを理解する
7.4　例：SVMを使って文字を認識する
7.5　まとめ
第8章　パターン検出―相関ルールを使ったバスケット分析
8.1　相関ルールを理解する
8.2　例：相関ルールを使って頻繁に購入される商品を特定する
8.3　まとめ
第9章　データのグループを特定する―k-means法
9.1　クラスタリングを理解する
9.2　例：k-means法を使ってマーケティングセグメントを特定する
9.3　まとめ
第10章　モデルの性能を評価する
10.1　分類の性能を計測する
10.2　将来の性能を推定する
10.3　まとめ
第11章　モデルの性能を改善する
11.1　定番のモデルの性能を向上させる
11.2　メタ学習でモデルの性能を改善する
11.3　まとめ
第12章　機械学習の専門的なトピック
12.1　現実のデータの管理と前処理
12.2　オンラインデータとオンラインサービスの操作
12.3　問題領域固有のデータを操作する
12.4　Rの性能を向上させる
12.5　まとめ

第1部　【理論編】ベイズ統計モデリングの基本
第1章 はじめよう！　ベイズ統計モデリング
第2章 統計学の基本
第3章 確率の基本
第4章 確率分布の基本
第5章 統計モデルの基本
第6章 ベイズ推論の基本
第7章 MCMCの基本
第2部　【基礎編】RとStanによるデータ分析
第1章 Rの基本
第2章 データの要約
第3章 ggplot2によるデータの可視化
第4章 Stanの基本
第5章 MCMCの結果の評価
第6章 Stanコーディングの詳細
第3部　【実践編】一般化線形モデル
第1章 一般化線形モデルの基本
第2章 単回帰モデル
第3章 モデルを用いた予測
第4章 デザイン行列を用いた一般化線形モデルの推定
第5章 brmsの使い方
第6章 ダミー変数と分散分析モデル
第7章 正規線形モデル
第8章 ポアソン回帰モデル
第9章 ロジスティック回帰モデル
第10章 交互作用
第4部　【応用編】一般化線形混合モデル
第1章 階層ベイズモデルと一般化線形混合モデルの基本
第2章 ランダム切片モデル
第3章 ランダム係数モデル
第5部　【応用編】状態空間モデル
第1章 時系列分析と状態空間モデルの基本
第2章 ローカルレベルモデル
第3章 状態空間モデルによる予測と補間
第4章 時変係数モデル
第5章 トレンドの構造
第6章 周期性のモデル化
第7章 自己回帰モデルとその周辺
第8章 動的一般化線形モデル：二項分布を仮定した例
第9章 動的一般化線形モデル：ポアソン分布を仮定した例