缺失值(NA)，是导致我们计算错误的一大来源，处理缺失数据在实际的应用中有着较为重要的作用。

基本方法

　　使用函数中内置的缺失值处理参数：在一般的计算函数如sum中，就包括了na.rm=T/F来控制是否忽略缺失值，默认不忽略，计算结果为NA，若忽略，则返回排除缺失值之后的计算结果。
　　使用na.omiit()函数处理：na.omit()函数可以把含有缺失值(NA)的向量的元素、矩阵和数据框的行删除。对向量和矩阵，删除后返回一个omit对象，并且显示删除了元素的下标或矩阵的行号，返回对象名称；对数据框，则直接返回去除缺失所在行之后的数据框对象。具体可使用example(na.omit)查看。

高级方法

　　完整的处理步骤包含：
　　1、识别缺失数据；
　　2、检查导致缺失数据的原因；
　　3、删除含缺失值的实例或用合理的值代替（插补）缺失值。
　　很明显的是，识别缺失数据是可以由机器完成的，但是，缺失数据原因的检查，以及选择删除还是使用某种合理值代替缺失数据均需要人工来选择，需要对数据的收集过程有所理解才能知道数据缺失原因，知道数据的含义及实际作用才能理解使用什么样的值才合理（

广义线性回归

　　我们知道，OLS回归的要求是假设因变量是正态分布（还有独立性、线性及同方差性），但是，我们在使用时，因变量通常会出现二值变量（如是/否、通过/不通过之类）或多分类变量（如优/良/中/差等），又或者为计数变量（如一周的交通事故次数这类非负有限值）。而广义线性回归就是能够解决此类问题的回归。书中只介绍了Logistic回归及泊松回归两个回归的一般方法（像稳健、多项、有序等并未涉及）。
http://s4/mw690/002gSfimzy79wzGrNTl13&690

 　　同OLS回归，广义线性的使用也是由一个函数统领，为glm()函数，它与OLS回归相似，但多了一些参数，最主要的是family参数，它指定了概率分布及相应默认的连接函数，如下表：

置换检验

　　双样本均值检验的时候，假设检验的方法就是，检查正态性、独立性、方差齐性，分别对应的参数非参数方法进行假设检验，但是，这些方法都要求样本数必须有多少多少，但是，由于试验时，各种条件的限制，导致样本量过小，此时以上方法几乎都会失真，置换检验就应运而生了。
　　Permutation test 置换检验是Fisher于20世纪30年代提出的一种基于大量计算 （computationally intensive），利用样本数据的全（或随机）排列，进行统计推断的方法，因其对总体分布自由，应用较为广泛，特别适用于总体分布未知的小样本资料，以及某些难以用常规方法分析资料的假设检验问题。在具体使用上它和Bootstrap Methods类似，通过对样本进行顺序上的置换，重新计算统计检验量，构造经验分布，然后在此基础上求出P-value进行推断。
　　置换检验的操作方法：假设有两组待检数据，A组有m个数据，B组有n个数据，均值差为d0，现把所有数据放在一起进行随机抽取，抽出m个放入A组，剩下n个放入B组，计算A、B两组的均值差记为d1，再放在一起进行随机重抽m、n两组，得到均值差记为d2，重复这个步骤k次得到（d3……dk），于是d1……dk可以画出一张正态图

功效及两类错误

　　功效及样本量在概率论与数理统计的假设检验部分里面有说明，可以返回查看原理，这里以R语言实战的描述简单复习一下。
　　以书中例子说明，两组玩手机开车试验，它们的统计量应该是双总体，标准差未知的配对t检验，所以，若它们没有什么区别，则零假设为它们的反应时间之差为0，所以实际统计量应该是(x¯

术语

　　组间因子，组内因子，水平：组间因子和组同因子的区别是，组间因子对所有测试对象进行分组，而组内因子则把所有测试对象归为同一组，水平则是因子的分类值
　　单因素方差分析，多因素方差分析，协方差分析，多元方差分析，协变量：单因素，多因素都是一元方差分析，只有一个因变量(y),协方差分析也是，多元就是有多个因变量，协变量的意思其实就是不感兴趣或不能控制的变量，把它从自变量（可控制变量）中剔除出去的变量，它代表着每个测试对象的某些初始状态。
　　均衡设计，非均衡设计：分组时，各组的观测数若相同，则为均衡设计，否则为非均衡设计。
　　下面看两个图表，代表的是因子数、协变量、因变量的数目不同时，方差的叫法不同，以及一个书上的例子。
http://img.blog.csdn.net/20161230160151997?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZ2R5Zmx4dw==/font/5a6L5L2T/fontsize/

　　首先，是之前的文章，数理统计里面的简单回归分析，这里简单回顾一下：
　　简单回归分析的原理：最小二乘法，即使回归函数与实际值之差的平方和最小。所以它在R中也称为OLS模型，它能实现的回归分析为简单线性回归、多项式回归以及多元线性回归。
　　模型中的称谓：自变量、解释变量及预测变量为x，因变量、结果变量、效标变量及预测响应变量为y，用x,y解释对我们从小就学习y=a+bx的人来说是最容易理解不过了。
　　使用OLS的前提条件：正态性（对于固定的x，y呈正态分布）；独立性（各个y值之间独立）；线性（y和x是线性关系，这也是简单回归分析需要先做相关性检验）；同方差性（y的方差不变，不会因为x的水平不同而改变，意思即为，y是观察值，它应该是不会随机某个变量的改变而拿到我们的观察值跟着变化的）。
　　
　　然后是在R中的实现，R中实现OLS很简单，就一个函数lm()，其使用方法为：fit<-lm(formula,data),其中formula表达式的的形式为：Y~X1+X2+X3……+Xk，~左边为响应变量，右边为预测变量。对这个表达式，还有一个表来说明它的使