集約計算方法在統計推斷和探索性數據分析中已
得到廣泛應用。計算統計學方法包括數據集的重新采
樣、分類及多重變換，其中可能利用隨機生成的人工
數據。這些方法的運用需要數值分析的高等技巧。因
此，計算統計學和統計計算方法有著緊密的聯繫。本
書闡述計算統計學的各種方法以及集約計算方法在密
度估計、數據結構的確認及模型的建立等各方面的一
些應用。盡管本書沒有特別論述統計計算方法，但全
面闡述了統計方法意義下的數據變換、函數近似及數
據優化中的數值技巧。本書提供了習題，其中部分提
供了解答。本書雖然假定讀者熟悉概率論和統計學知
識，但也復習了統計推斷的基本方法，因此，本書很
大程度上是自包含的。
金特爾著的《計算統計學基礎(影印版英文版)(
精)/國外數學名著繫列》可以作為教材或補充教材，
用於高年級本科生或研究生的現代統計學課程，也可
以作為使用集約計算方法的統計學家的參考書。
本書作者是ASA刊物的副主編，同時擔任統計學
和計算方面其他雜志的編輯；是《隨機數生成，蒙特
卡羅方法及數值線性代數在統計中的應用》一書的作
者。

Preface
I Methods of Computational Statistics
Introduction to Part I
1 Preliminaries
1.1 Discovering Structure:Data Structures and Structiure in Data
1.2 Modeling and Computational Inference
1.3 The Role of the Empirical Cumulative Distribution Function
1.4 The Role of Optimization in Inference
1.5 Inference about Functions
1.6 Probability Statements in Statistical Inference
Excercises
2 Monte Carlo Methods for Statistical Inference
2.1 Generation of Random Nunbers
2.2 Monte Carlo Estimation
2.3 Simulation of Data from a Hypothesized Model:monte Carlo Tests
2.4 Simulation of Data from a Fitted Model:"Parametric Bootstraps"
2.5 Random Sampling from Data
2.6 Reducing Variance in Monte Carlo Methods
2.7 Acceleration of Markov Chain Monte Chain Monte Carlo Methods
Exercises
3 Randomization and Data Partitioning
3.1 Randomixation Methods
3.2 Cross Validation for Smoothing and Fitting
3.3 Jackknife Methods
Further Reading
Exercises
4 Bootstrap Methods
4.1 Bootstrap Bias Corrections
4.2 Bootstrap Estimation of Variance
4.3 Bootstrap Confidence Intervals
4.4 Bootstrapping Data with Dependencies
4.5 Variance Reduction in Monte Carlo Bootstrap
Further Reading
Exercises
5 Tools for Identification of Structure in Data
5.1 Linear Structure and Other Geometric Properties
5.2 Linear Transformations
5.3 General Transformations of the Coordinate System
5.4 Measures of Similarity and Dissimilarity
5.5 Data Mining
5.6 Computational Feasibility
Exercises
6 Estimation of Functions
7 Graphical Methods in Computational Statistics
II Exploring Data Density and Structure
Introduction to Part II
8 Estimation of Probability Density Functions Using Parametric Models
9 Nonparametric Estimation of Probability Density Functions
10 Structure in data
11 Statistical Models of Dependencies