Chapter1

• 1-1 偏差平方和」を「データの変動」と捉える
  • A. 偏差の和を考える
  • B. 偏差平方和を考える
  • C. 偏差平方和をデータの変動と捉える
• 1-2 各列の「偏差平方和」の和を「データの情報量」と捉える
• 1-3 分散と標準偏差
  • A. 分散
  • B. 標準偏差
• 1-4 相関係数
  • A. 散布図
  • B. 偏差積和
  • C. 共分散
  • D. 相関係数
• 1-5 データの標準化
• 1-6 偏差平方和・積和行列，分散・共分散行列，相関行列

Chapter 2 回帰分析

• 2-1 回帰分析とは
  • A. 分布を代表する直線を引く
  • B. 回帰直線の係数を求める
• 2-2 決定係数
  • A. yの変動
  • B. yの偏差の分解
  • C. 回帰によって説明される変動
  • D. 回帰によって説明されない変動
  • E. 決定係数
• 2-3 多変数の回帰分析
  • A. 独立変数が2つ以上の場合
  • B. 決定係数
• 2-4 回帰分析の統計的理論
  • A. 検定の基礎
  • B. 回帰式の統計的背景
  • C. 確率変数としての偏回帰係数βiの分布
  • D. t値に注目
  • E. 実際にt値を検討する
  • F. 誤差分散の推定値
• 2-5 回帰分析の統計的側面のまとめ
• 2-6 回帰式の検討

Chapter 3 主成分分析

• 3-1 主成分とは
  • A. 2次元データを1次元の値に変換
  • B. 主成分のグラフ表現
  • C. 2つの軸の直交
  • D. データの情報量のfとgの情報量への移行
• 3-2 主成分の算出
  • A. 第1主成分と第2主成分
  • B. 主成分の図示
  • C. 主成分の情報量保存方程式
• 3-3 主成分分析の一般的方法
  • A. 標準化データで解析
  • B. 主成分の係数を求める
  • C. 主成分の図示
  • D. 主成分の情報量保存方程式
• 3-4 変数プロットとサンプルプロット
  • A. 変数のプロットと意味づけ
  • B. サンプルプロットとその特徴

Chapter 4 因子分析

• 4-1 因子と因子負荷量
  • A. 因子
  • B. 因子負荷量
• 4-2 モデル式の構築
• 4-3 得点決定のさらにわかりやすいイメージ
  • A. 本例における因子負荷量の大きさの傾向
  • B. 因子負荷量の働きのイメージ
• 4-4 因子分析における仮定
  • A. 因子得点における仮定
  • B. 残差についての仮定
  • C. 因子得点と残差間の仮定
• 4-5 共通性と因子の寄与量
  • A. 共通性
  • B. 総共通性
  • C. 因子の寄与量
• 4-6 因子分析の基本式と共通性の推定
  • A. 因子分析の基本式
  • B. 共通性の推定
• 4-7 因子負荷量を求める（主因子法）
  • A. 主因子法の考え方
  • B. 実際に求めてみる
• 4-8 因子の不定性と因子の寄与量
  • A. 因子の不定性
  • B. 因子の寄与量
• 4-9 因子得点を求める

Chapter 5 判別分析

• 5-1 判別分析とは
• 5-2 相関比の最大化

• A.全体のf値の平均，1群のf値の平均，2群のf値の平均
• • B. 全変動と群間変動
  • C. 相関比
• 5-3 判別関数の算出と判定
  • A. a1とa2を求める
  • B. 正答率
  • C. 予測
• 5-4 3群の判別分析
• 5-5 2つの判別関数
  • A. 第1判別関数と第2判別関数
  • B. 第1判別関数による判別
  • C. 第2判別関数による判別
  • D. 2つの判別関数のグラフ
• 5-6 gが判別関数と見なせる根拠
  • A. f値とg値は無相関である
  • B.「相関比が最小である」という見方を変える
• 5-7 判別の予測
• 5-8 重回帰分析との関連性
  • A. 第1判別関数と回帰式
  • B. 第2判別関数と回帰式

Chapter 6 数量化理論1類

• 6-1 数量化理論1類の解析方法
  • A. 問題の背景
  • B. 質的データの0−1型データへの変換
  • C. 非基準化重回帰式とその欠点
  • D. 非基準化アイテムスコア
• 6-2 基準化重回帰式と基準化アイテムスコア
  • A. 基準化重回帰式
  • B. 基準化アイテムスコア
• 6-3 理論値，決定係数および予測
  • A. 理論値と決定係数
  • B. 予測値
• 6-4 どのアイテムが貢献しているか
  • A. アイテムのレンジ
  • B. 重回帰分析のt値
  • C. 偏相関係数

Chapter 7 数量化理論2類

• 7-1 数量化理論2類の解析方法
  • A. 問題の背景
  • B. 質的データの0−1型データへの変換
  • C. 非基準化判別関数とその欠点
  • D. 非基準化アイテムスコア
• 7-2 基準化判別関数と基準化アイテムスコア
  • A. 基準化判別関数
  • B. 基準化アイテムスコア
• 7-3 2群における判別関数値と判別
• 7-4 複数の判別関数が出現する場合
  • A. 3群の数量化理論2類
  • B. アイテムスコア
• 7-5 3群における判別関数値と判別
  • A. 第1判別関数による判別
  • B. 第2判別関数による判別
• 7-6 f値とg値の散布図と予測
  • A. f値とg値の散布図
  • B. 予測
• 7-7 重回帰分析との関連性

Chapter 8 数量化理論3類

• 8-1 数量化理論3類のしくみ
  • A. 数量化理論3類とは
  • B. サンプル，カテゴリーに数値を与える
• 8-2 簡単な例による手法の紹介
  • A. 反応点の相関係数
  • B. 相関係数の最大化
• 8-3 計算結果のまとめと軸の解釈
• 8-4 例題の解析
  • A. サンプルとカテゴリーを2次元ベクトルで表す
  • B. 反応点を並び替える
  • C. サンプルプロット
  • D. カテゴリープロット

Chapter 9 数量化理論4類

• 9-1 数量化理論4類とは
  • A. ゼミの学生間の親近感
  • B. 親近性行列
• 9-2 数量化理論4類の解析方法
  • A. 個体に数値を与えて，距離を定義する
  • B. 関数Qの導入
• 9-3 平面（2次元空間）への展開
  • A. 個体の位置を2次元座標で表す
  • B. 個体を平面上にプロット
  • C. 個体のx成分とy成分の相関係数は0
• 9-4 例題の解析
  • A. 個体を2次元座標で表す
  • B. 個体の最適な次元を探る

Capter 10 クラスター分析

• 10-1 距離行列とデンドログラム
  • A. 距離行列
  • B. デンドログラム
• 10-2 分類手法
  • A. 最近隣法
  • B. 最遠隣法
  • C. 重心法
• 10-3 クラスター分析の応用