Loading......

    要广泛深入地学习当今统计计算和计算统计学,所需了解的大多数内容本书均有涉及.我们力求让读者理解现有方法的机理,使读者能够有效地使用这些现代统计方法.由于许多新方法都是从现有的技术构建出来的,故我们的最终目的是向科学工作者提供必要的工具,帮助他们为此领域贡献新的思想.
    想要达到这些目的,就必须精通统计计算、计算统计、计算机科学和数值分析等各方面内容.我们选取了那些我们认为是本领域中心的内容,也会是读者感兴趣和认为有用的内容. 另外,我们从注重实效的角度优先考虑了使学生和研究者受益最多、收效最快的内容.
    考虑到出现了一些高质量的软件,我们省略了本领域过往以来的某些重要的研究内容. 例如,伪随机数的产生是一个经典的课题,但我们更倾向于让学生使用可靠的软件来解决问题.还有一些内容如数值线性代数, 属于讲与不讲两可.这些内容对于很多应用来说是很关键的,但是通常都有不错的计算机软件可用. 按我们的判断,人们不会经常抛开程序而去探究数值线性代数的细节,因而(刚好)不足以让我们把这些内容写到书里.这些经典内容我们只写了优化和数值积分,这么做的原因是：(i)二者是频率学派和Bayes推断的基石;(ii)现有软件程序往往不能应付此方面的难题;(iii)这些方法本身还是其他统计计算方法的基础.
    我们这里使用``现代''这个字眼, 可能面临如下矛盾,其实这本书不可能囊括所有的最新、最好的技术. 事实上,我们也从未打算这么做. 有些领域实在变化得太快,比如启发式搜索和MCMC. 我们只是努力提供这些领域主要内容的近期概况,而把其多样性和专业性让读者自己去探索回味.还有的内容(如主曲线和tabu搜索)我们写在书中,仅仅是因为这些内容很有意思, 可以从全新的角度去看熟悉的问题.也许研究者将来能从这些内容出发设计出有创意且有效的新算法来.
    本书的目标读者为统计和相关专业的研究生、应用统计工作者和其他领域做定量分析的科学工作者.我们希望这些读者在应用标准方法和研发新方法的时候, 能够用到本书.
    本书不要求读者具有高深的数学水平,但要了解Taylor级数和线性代数方面的知识.读者数学训练的广度比深度更有用. 第1章回顾了基础知识,较高级的读者可以在与具体内容相关的很多其他书中找到更多的数学细节,我们在书中列举出了这些参考文献. 其他读者如果对分析的细节不太关注,则看懂本书的算法和例子讲解就够了.
    本书要求的统计知识仅限于一年级研究生所学的统计和概率论内容,其中最重要的基础知识是极大似然方法、Bayes方法、基本渐近理论、马氏链和线性模型.大部分这些内容都会在第1章提到.
    至于计算机编程, 我们发现好学生可以按需自学. 当然,了解一门合适的语言有助于快速地把本书中的概念加以实现.我们在书中摈弃了那些针对具体语言的例子、算法和编码.对于那些在学习本书的同时还想学习语言的人,建议他们选择一个高水平的交互式软件包,即可以灵活设计图形化显示并包含基本的统计和概率函数的软件包.目前在本书写作阶段,我们推荐使用S-Plus,R和MATLAB,这些都是研究人员在开发新的统计计算技术时经常用到的软件,也适用于实现我们书中描述的绝大部分方法,除了个别特大型复杂问题以外. 当然, 你也可以用一些低级语言如C++,在研究人员把方法琢磨好后,通常可以用低级语言把它们作成一个专业版的软件.
    即使是编程的老手,对于数学运算是如何在计算机的二进制世界里实现的细节,也可能不甚了解. 各种稀奇古怪的问题其实并不少见,比如满秩矩阵似乎不可逆, 积分和似然是退化的,数值近似比实际情况还精确等等.我们一方面不能忽视计算机运算和稳定的数值计算的重要性,另一方面更要重视算法原理的大局观,而不去拘泥某些数值计算的细枝末节.
    本书共分为3个主要部分：优化(第2章到第4章), 积分(第5章到第8章),光滑技术(第10章到第12章).第9章穿插介绍了另一个重要内容Bootstrap方法. 每章的内容都是独立的,老师可以根据课程需要自由选取章节. 如果是一学期的课程,通常我们选取第2章, 第5章到第7章, 第9章到第11章.如果想讲得更为从容或深入, 还可以进一步缩小范围.对于一学年的课程来说, 本书的内容也足够丰富,何况老师可能还想讲些补充内容.
    每章后面都有大量的课后作业. 有些题目直截了当,但有些题目则需要学生对学过的模型或方法有深入的了解,仔细(甚至机灵)地编写出适当的程序, 并且充分注重对于结果的分析.
    正文和习题中涉及的数据集可以从本书网站获得： www.stat.colostate.edu/  computationalstatistics.网站上还有本书的勘误表. 作者对于书中的错误负全部责任.
                                                                      Geof H.Givens, Jennifer A.Hoeting
                                                                    于科罗拉多州福特科林斯