本教材基于Python学习在进行数据分析时常用的统计分析方法，具体包括多元线性回归模型拟合、多元非线性回归模型拟合、多元统计分析推断、模型变量的异方差性处理、处理面板数据的固定效应方法和随机效应方法、时间序列数据处理的有限分布滞后模型等。本教材学习内容略过数据的获取过程，不关注Python的爬虫应用，仅关注在数据获取之后应用Python实现利用不同的统计分析方法构建模型进行数据挖掘和发现数据规律。本教材共十一章的学习内容建立在对Python应用已有一定程度了解和掌握的基础之上。如果学习者对Python了解不多，可以通过附录部分，先学习应用Python进行数据分析的基础，学习如何搭建Python数据分析环境，了解掌握Python数据处理和分析的常用算法库和工具包。

第一章 应用Python拟合多元线性回归模型
第一节 多元线性回归模型
第二节 普通最小二乘法的Python实现
第二章 应用Python进行多元统计分析推断
第一节 多元统计分析推断的基本原理
第二节 单个总体参数的假设检验的Python实现
第三节 置信区间
第四节 线性组合假设检验
第三章 应用Python拟合多元非线性回归模型
第一节 标准化回归模型
第二节 含有其他形式的回归模型
第三节 将回归模型用于预测
第四章 应用Python检验模型设定和数据问题
第一节 模型误设
第二节 代理变量
第三节 异常观测值
第五章 应用Python处理含虚拟变量的多元回归模型
第一节 自变量为二值虚拟变量的情形
第二节 自变量为多类别虚拟变量的情形
第三节 自变量为虚拟变量时的交互作用
第四节 因变量为二值虚拟变量的情形
第六章 应用Python处理异方差性
第一节 异方差性及其影响
第二节 异方差性检验
第三节 异方差性处理
第七章 应用Python处理简单面板数据
第一节 独立混合横截面数据分析
第二节 两期面板数据分析
第八章 应用Python估计工具变量
第一节 遗漏变量和工具变量
第二节 工具变量相关检验
第三节 其他条件下的2SLS应用
第九章 应用Python处理多期面板数据
第一节 面板数据处理的固定效应和随机效应方法
第二节 使用Python工具包linearmodels处理面板数据
第十章 应用Python处理联立方程组
第一节 联立方程组的关键概念
第二节 方程组参数估计方法的Python实现
第十一章 应用Python处理时间序列数据
第一节 时间序列数据分析的基本模型
第二节 不同特征的时间序列数据分析
附录 应用Python进行数据分析的基础
第一节 Python概述
第二节 Python数据处理和计算
第三节 Python绘图
第四节 常用Python统计分析语法