1 EM optimization method 1.1 EM algorithm 1.2 Convergence 1.3 Usage in exponential families 1.4 Usage in finite normal mixtures 1.5 Variance estimation 1.5.1 Louis method 1.5.2 SEM algorithm 1.5.3 Bootstrap method 1.5.4 Empirical Information 1.6 EM Variants 1.6.1 Improving the E step 1.6.2 Improving the M step 1.7 Pros and Cons

1 Markov Chain Monte Carlo Methods 1.4 The Gibbs Sampler 1.4.1 The Slice Gibbs Sampler 1.5 Monitoring Convergence 1.5.1 Convergence diagnostics plots 1.5.2 Monte Carlo Error 1.5.3 The Gelman-Rubin Method 1.6 WinBUGS Introduction 1.6.1 Building Bayesian models in WinBUGS 1.6.2 Model specification in WinBUGS 1.6.3 Data and initial value specification 1.6.4 Compiling model and simulating values

1 Markov Chain Monte Carlo Methods 1.1 Introduction 1.1.1 Integration problems in Bayesian inference 1.1.2 Markov Chain Monte Carlo Integration 1.1.3 Markov Chain 1.2 The Metropolis-Hastings Algorithm 1.2.1 Metropolis-Hastings Sampler 1.2.2 The Metropolis Sampler 1.2.3 Random Walk Metropolis 1.2.4 The Independence Sampler 1.3 Single-component Metropolis Hastings Algorithms 1.4 Application: Logistic regression

1 Bootstrap and Jackknife 1.1 The Bootstrap 1.1.1 Bootstrap Estimation of Standard Error 1.1.2 Bootstrap Estimation of Bias 1.2 Jackknife 1.3 Jackknife-after-Bootstrap 1.4 Bootstrap Confidence Intervals 1.4.1 The Standard Normal Bootstrap Confidence Interval 1.4.2 The Percentile Bootstrap Confidence Interval 1.4.3 The Basic Bootstrap Confidence Interval 1.4.4 The Bootstrap t interval 1.5 Better Bootstrap Confidence Intervals 1.6 Application: Cross Validation

1 Monte Carlo Methods in Inference 1.1 Monte Carlo Methods for Estimation 1.1.1 Monte Carlo Estimation and Standard Error 1.1.2 Estimation of MSE 1.2 Estimating a confidence level 1.3 Monte Carlo Methods for Hypothesis Tests 1.4 Empirical Type I error rate 1.4.1 Power of a Test 1.4.2 Power Comparisons 1.5 Application: “Count Five” Test for Equal Variance

1 Methods for Generating Random Variables 1.1 Generating Uniform(0,1) random number 1.2 Random Generators of Common Probability Distribution in R 1.2.1 The Inverse Transform Method 1.2.2 The Acceptance-Rejection Method 1.2.3 Transformation Methods 1.2.4 Sums and Mixtures 1.3 Multivariate Distribution 1.3.1 Multivariate Normal Distribution 1.3.2 Mixtures of Multivariate Normals 1.3.3 Wishart Distribution 1.3.4 Uniform Distribution on the d−Sphere 1.4 Stochastic Process

学习本章的目的在于了解时间数列的概念、种类和编制方法；熟练掌握时间数列各项分析指标的计算方法，并能够结合实际资料进行运用；理解并掌握长期趋势、季节变动的测定方法。 第一节 动态数列概述 第二节 动态数列的分析指标 第三节 长期趋势的测定与预测 第四节 季节变动和循环变动的测定

大数据是多源异构的。在信息技术飞速发展的今天，多模态数据已成为近来数据资源的主要形式。研究多模态学习方法，赋予计算机理解多源异构海量数据的能力具有重要价值。本文归纳了多模态的定义与多模态学习的基本任务，介绍了多模态学习的认知机理与发展过程。在此基础上，重点综述了多模态统计学习方法与深度学习方法。此外，本文系统归纳了近两年较为新颖的基于对抗学习的跨模态匹配与生成技术。本文总结了多模态学习的主要形式，并对未来可能的研究方向进行思考与展望

教学内容： 1.抽样推断的含义、作用 2.抽样推断中的基本概念 3.抽样误差的概念、影响因素 4.概率度、概率保证程度的含义及其二者之间的关系 5.总体参数的抽样估计方法 6.随机抽样的几种抽样组织方式（含义、样本容量的确定、抽样误差的计算） 教学重点： 1.抽样误差的概念、影响因素 2.总体参数的抽样估计方法 教学难点： 1.抽样平均误差、极限误差的含义及其关系 2.极限误差、概率、概率度的含义及其关系

在社会研究中我们经常要采用定序尺度，但直到现在，我们都还没有机会讨论涉及到定序尺度的显著性检验。本章要讲述某些用于定序尺度的双样本检验。与以前所讲的检验不同，使用这类方法不需要对总体分布作任何事先的假定(例如正态总体)。同时从检验的内容来说，也不是检验总体分布的某些参数(例如均值、成数、方差等)，而是检验总体某些有关的性质，所以称为非参数检验。非参数检验，泛指“对分布类型已知的总体进行参数检验”之外的所有检验方法