统计学是一门工具性学科，在众多的学科领域有着广泛的应用。本书将统计学的概念与方法应用于商务领域，从应用层面对统计学的基本方法进行了系统的讲解。全书包括探索和收集数据、理解数据和分布、探索变量间的关系以及为决策建立模型四部分内容，共24章，将方法的讲解与商务领域中的现实案例紧密结合起来，让读者掌握如何利用统计方法解决商务中的实际问题。本书还将统计软件与统计方法的应用结合起来，详细介绍各种统计方法在Excel、Minitab、JMP、SPSS和DataDesk等软件中的操作实现步骤。

序 我们准备为商科学生写一本书以回答一个简单的问题：“我们怎样才能做出更好的决策？”作为企业家和顾问，我们知道为了在今天这样的竞争环境下生存和发展，统计学是至关重要的。作为教育工作者，我们看到了向商科学生讲授统计学的方式与商业决策制定中统计学的使用方式之间的脱节。在《商务统计学》中，我们试图通过介绍统计方法去拉近理论与实践之间的距离，所以它们对学生来说既重要又有趣。 做出一个商业决策的数据有一个故事要讲，统计学在这里所扮演的角色是帮助我们听清楚那个故事。像其他教材一样，《商务统计学》教我们如何去计算一个特定的统计量或检验并且强调定义和公式。但是，又不像其他教材那样，《商务统计学》也教我们“为什么”并坚持在商业决策的背景下报告结果。学生们将会了解，为做出更好的商业决策怎样进行统计思考以及如何有效地表达分析结果并将决策告知他人。 我们在写作《商务统计学》时理解当今时代的统计学是用技术来实践的。这种见解将我们从对方程形式（比计算形式更喜欢直觉形式）的选择中得到的一切东西运用到我们对真实数据的广泛使用中。但是，更重要的是，理解技术的价值使我们将注意力集中于讲授统计思维而不是计算上。我们几百个例子关注的问题不是“你怎么找出答案？”，而是“你怎么思考答案以及它如何帮你制定出一个更好的决策？” 我们对统计思维的关注将本书中的各章联系起来。初级商务统计学课程包含了大量的新术语、概念和方法。但是它们有一个核心部分：通过理解数据告诉我们怎么去更加了解这个世界，怎样做出更好的决策。从这个角度来看，学生们能够知道从数据中得出推断的许多方式都是相同的核心概念的一些应用。 我们的目标：阅读这本书！ 如果学生们不去阅读，世界上最好的教材也是没有任何价值的。下面是我们使《商务统计学》更易接近的一些方法： •易读性。你将马上发现这本书读起来并不像其他统计学教材。 我们寻求一种会话的、易接近的风格，并且我们会介绍趣闻以 保持学生的兴趣。在课堂测验中，老师惊讶地发现学生们的自 愿阅读量会超过老师布置的阅读量。学生给我们写信说（使他 们惊讶的是）他们真的很喜欢这本书。 •关注假设和条件。同其他教材不同的是，《商务统计学》强调 需要证明假设以使用统计程序。我们在案例和练习中重申这个 关注点。我们努力为学生提供检查这些假设和条件的实践模 板，而不是匆匆计算一个实际生活问题。 •重视绘图和探索数据。我们对展示数据重要性的一贯重视是很 明显的，从前面的章节中的理解数据到后面章节中的复杂模型 的建立都是如此。例子总是包括数据展示以及通常用图形说明 数据的价值，并且练习题中也强化了这一点。当我们将数据制 图时，我们能够看到结构或模式，否则我们看不到这些。这些 模式通常提出新的问题，引导我们的统计分析和案例分析过 程。当我们为最复杂的分析将数据制图以说明概念时，贯穿全 书中对绘图的重视帮助学生们看到我们寻找的简单结构。 •一致性。我们努力避免“做我们所说的而不是我们所做的”陷 阱。已经讲授了将数据制图和检查假设和条件的重要性，我们 注意到应在全书中将那种行为模型化。（检查有关多元回归或 时间序列章节中的练习题，你会发现我们仍然需要和展示我们 在前面章节中介绍的绘图和检查。）这种一致性有助于强化这 些基本的原理。 •阅读的需要。只打算浏览这本书的学生可能发现重要的概念、 定义和抽样方案并不总是放在方框中。这本书需要阅读，所以 我们试图使这种阅读体验更愉快。 覆盖范围 商务统计学课程中包含的主题通常与我们的学生在他们学习和今后的工作中的需要是一致的。但是这些主题的顺序和每个主题的相对重要性并不是确定的。在《商务统计学》中，一些主题可能比你预期的更早或更晚出现。尽管我们已经分类地写出了许多章节所以它们能按不同的顺序讲授，但是我们极力推荐考虑我们所选择的顺序。 我们已经通过一个基本原理来引导主题的顺序，这个基本原理就是这应该是一个连贯的过程，其中的概念和方法集中在一起为学生提供对运用数据推理如何能揭示新的和重要的真相一个新的理解。我们尽力保证每个新主题适合理解我们希望学生构建的成长的结构。例如，我们介绍推理概念时先介绍比例再介绍均值。学生们在问卷调查和广告中见过比例，会对比例有更丰富的经验。通过先介绍比例，我们能够通过正态模型讲授推断然后通过学生氏t分布介绍均值的推断。 我们在《商务统计学》中很早就介绍关联、相关和回归的概念。我们在课堂中的经验显示，较早向学生介绍这些基本思想能够在课程开始时就激励他们。在学期的后期，当我们讨论推断时，学生们回想他们所学过的会很自然也相对容易地通过这些方法探索数据，并以他们所见过的基本概念为基础进行推断。 在基础课程中，相对重点是放在需要由老师做出计划的主题上。基础商务统计学课程通常课时有限，所以很难有足够的时间去完全讲解像多元回归和模型构建这样重要的主题。我们已经将对风险和概率的讨论放在了主题序列的后面，这样学生们能够更快进入到实践应用中，有时间对这些重要的技能给以足够的重视。我们已经通过GAISE（统计学教育中的评估和教学指导方针）报告1引导我们选择需要强调的东西。GAISE报告是对学生怎样才能最好地学习统计学进行广泛研究的基础上得到的研究报告。现在被美国统计学会官方采用和推荐的那些建议（以及其他详细的建议）强烈希望统计学教育应该： 1．强调统计知识和开发统计思维； 2．使用真实数据； 3．强调概念的理解而不仅仅是获取知识的过程； 4．培养主动学习； 5．在理解概念和分析数据时使用技术； 6．使评价成为学习过程的一部分； 从这个意义上讲，这本书是很现代的。 但是为了更有效率，一门课程必须很好地适合老师的偏好。使用这些材料有几个同样有效的途径，这取决于某个特定的教师想要强调什么。我们列出一些其他的授课顺序，它们也能够很好地处理这些材料。 灵活的教学纲要。在《商务统计学》中，我们已经选择了遵从GAISE指导方针和统计学教育中最具创新性的教育工作者的建议。这些专家一致认为，最好在课程中早一点和经常让学生面对真实的数据以及自始至终强调对现实世界的解释。我们深知统计学教师面临着在有限的时间内——通常在一个学期中——要讲授重要内容的挑战，我们有两个地方背离了传统统计学的讲授顺序。 1．在教材中（第7章和第8章）我们较早地在导言部分介绍了回 归（初步地，而不是基于推断）。 2．我们将对概率和决策制定的详细讨论（第21章和22章）放在 了教材的后面。我们认识到这种顺序可能并不适合每个人的 需求，所以我们尽可能地将这些章节模块化——可以将它们 挑出来，在课程中的不同时点讲授。 下面是主题顺序的一些选择。 关注数据和更早介绍回归（更加强调概率）。当解释样本比例的抽样分布时，先讲授第9章再讲授第21章可以使教师参考二项式模型。记住这将在理论上引出正态模型。使用正态分布表进行计算将在第9章中介绍。 第1~6（数据）→第21章（概率模型）→第7~8章（不包括推断的回归）→第9~15章（推断）→第16~20章（回归，多元回归和时间序列）→第22章（风险和决策制定）→第23章（试验设计和方差分析）→第24章（分绍数据挖掘） 对于在一个学期课程中的这个步骤，我们推荐第1-6章、第21章（概率模型）、第7-8章（不包括推断的回归）、第9-15章和第16-17章（包括推断的回归）。第21章也可以在第8章之后讲授，刚好位于有关推断的章节之前而不是直接在第6章之后。 关注概率，在后面介绍回归。为了关注概率和在课程后面介绍回归，第21章和第22章可以在第1-6章之后介绍。一种可能的顺序是： 第1~6章数据→第21章和第22章（概率模型以及风险和决策制定）→第9~15章（推断）→第7~8章（不包括推断的回归）→第16~20章（回归，多元回归和时间序列）→第23~24章（试验设计和方差分析；数据挖掘） 对于在一个学期课程中的这个步骤，我们推荐第1-6章、第21章（概率模型）、第9-15章、第7-8章（不包括推断的回归）和第16-17章（包括推断的回归）。 关注数据和在不强调概率的情况下更早介绍回归。这是我们的标准顺序。为了在一个学期课程中完成这一任务，我们推荐下面的顺序。 第1~6章数据→第7~8章（不包括推断的回归）→第9~15章（推断）→第16~17章（包括推断的回归）→第21章（概率模型） 本书特色 一本教材并不仅仅是页面上的文字。一本教材是许多特色集中起来形成的一副大的图画。《商务统计学》的特色为概念提供了一个真实世界的背景，帮助学生们应用这些概念，促进问题的解决和整合技术——所有这些都帮助学生们理解和领会商务统计学这幅大的图画。 激发案例。 每一章都以一个激发案例开头，通常来自作者的咨询经历。这些公司——例如Amazon.com、Zillow.com、Keen Inc.和Whole Foods Market——提升和说明了每一章中的故事，为学生们揭示了统计思维如何和为什么对现代商业决策的制定如此重要。我们会在全章中分析从那些公司取得的数据。 逐步的指导性案例 明确表达统计结果的能力对于帮助将统计学运用于商业决策的制定是非常重要的。为此，每章中的一些例子以引例的形式出现。一个好的解决方案展示在右侧的列中，而评论出现在左边的列中。整体分析遵从我们创新的“设计—实施—报告”的模板。该模板以提出一个关于决策的明确的问题开始分析，以回答该问题的报告结束。如果数据能够支持的话，为了强调每个问题的决策方面，我们将提供报告这一步作为商业备忘录，总结案例背景下的结果并提出建议。另外，我们尽可能地在总结备忘录中包括分析或模型的局限。 微型案例研究项目 每一章中包括一个或两个微型案例研究项目，它们使用真实的数据并要求学生们去调查一个问题或做出一个决策。学生们定义目标，设计过程，完成分析，报告结果。微型案例研究项目中的数据可以从DVD和网站上获得，并提供各种软件所需要的格式。 什么可能出错 每一章中都包含一个叫“什么可能出错？”的创新部分，它强调了最常见的统计误差和人们对统计学的误解。统计方法新的使用者所犯的最常见的错误包括误用一种方法而不是错误地计算一个统计量。我们讨论的大多数错误都是作者在商务背景下而不是在课堂中经历的。我们的目标之一是为学生们提供发现统计误差的工具以及提供揭示统计量误用的实践，不管是在国际上还是国内。在这种意义上，我们的一些练习题探究的是对这种误差的理解。 手工 即使我们建议使用技术去计算统计量，我们仍然意识到手工计算在教育层面的好处。手工方框将一些更简单公式的计算拆分，通过计算工作案例来帮助学生。 现实检查 我们经常提醒学生们统计学是关于如何理解世界和用数据进行决策的。不管我们多么仔细地思考我们所做的计算，无意义的结果很可能是错误的。错误很容易通过一些思考发现，所以我们要求学生在解释结果前停一下以进行现实检查。 注意符号 在全书中，我们强调明确表达的重要性。适当的符号是统计学专业词汇的一部分，但是它可能会令人生畏。知道数学符号n能够代表任意变量的学生可能惊讶地发现在统计学中n总是并且仅代表样本容量。统计学家们给许多字母和符号赋予特定的含义（b、e、 n、p、q、r、s、t和z以及许多希腊字母都有特定的含义）。当学生们清楚地知道统计学家使用的字母和符号时，他们学习起来会更有效率。 测验题 为了帮助学生检验他们对刚刚阅读的材料的理解，我们问一些全章中涉及各个要点的问题。这些问题是一个快速的测验；大多数测验题只需要很少的计算。答案在每一章习题集的最后，所以学生能很容易检验自己以确认他们对关键思想的理解。这些问题还可用于激发课堂讨论。 数学方框 在许多章节中，我们提供统计方法和概念的数学基础。不同的学生以不同的方式学习，甚至同一个学生能够以多种途径理解同一材料。通过将证明、公式推导和理由与正文区分开，我们允许学生们遵从正在学习主题的逻辑发展，同时也使数学基础能够向更深的层次发展。 我们学到了什么？ 章节结尾的总结强调新的概念，定义该章中介绍的新术语，同时列出学生们应该掌握的技能。学生们可以将这些看成是学习指导。如果他们理解总结中的概念，知道术语和掌握技能，他们可能已经准备好去考试了。 行为中的道德规范 学生们经常惊讶地发现统计学并不仅仅是将数据塞进公式里。大多数统计分析都需要大量的判断。这些判断最好的指导是我们以真诚和合乎道德的努力去发现真相。做不到这一点将会导致糟糕的和危险的决策。行为中的道德规范穿插在每一章中，说明在统计分析中需要的一些判断，识别可能的误差，将这些问题与美国统计学会的道德指南联系起来，然后提出道德上和统计上更好的备选方法。 练习题 我们已经很努力地确保练习题包含相关的、现代的和真实世界的问题。许多来自新闻故事；一些来自近期的研究文章。在可能的情况下，数据都保存在光盘和网站上（总是以各种不同的格式），所以学生们能够更深地挖掘它们。练习题上标有T的表明提供了数据。有时，因为数据集大小的关系，数据只能是电子版的。从头到尾，我们都将练习题进行了配对，使每个奇数练习题（书后面有答案）和后面紧接着的偶数练习题是同一个统计主题。每章中的练习题粗略地根据主题和难易程度排序。 数据来源 在例子和练习题中使用的大部分数据都来自真实世界。在这个版本中我们列出了许多来源。无论什么时候只要我们能够做到，我们都包括了使用的互联网数据来源的参考，通常以网址的形式给出。作为互联网的使用者（也就是我们的学生）很了解，随着网站的变化网址可能成为无效的链接。为了将这种变化的影响最小化，我们指出在地址树上越高处越可行。另外，随着更多更近数值的获得，数据本身通常也是变化的。我们使用的数据通常是放在《商务统计学》新书附带的DVD光盘中，也放在合作的网站www.aw.com/sharp上。如果你在互联网上搜寻数据或数据的更新版本，我们试着引导你从一个好的出发点开始。 DVD上带可选字幕的视频 刻画《商务统计学》作者特点的这些视频帮助学生们回顾每章中的主要内容，概念视频（商务洞察能力视频）关注统计概念因为它们适合于真实世界。这些展示与教材一样，也是学生友好型的，也强调批判性思维。DVD格式能够更加简单和方便地从家里或学校电脑里观看这些视频。视频中包含字幕。也可以从在线MyStatLab课程中观看这些视频。 技术帮助 在商务活动中，统计学是用计算机实践的，而不是使用单一的软件平台。在每章的结尾，我们不是强调一个特定的统计程序，而是总结学生们在最常用的统计软件包中能够发现的东西，通常是有注释的输出结果。然后我们为这些最常用的统计软件包（Excel 2007和2003、Minitab、SPSS、JMP和Data Desk）提供明确的指导，以帮助学生们开始使用他们所选的软件。

Contents Part I Exploring and Collecting Data Chapter 1 Statistics and Variation 3 1.1 So, What Is Statistics? • 1.2 How Will This Book Help? Chapter 2 Data 9 2.1 What Are Data? • 2.2 Variable Types • 2.3 Where, How, and When Mini Case Study Project: Credit Card Bank 22 Chapter 3 Surveys and Sampling 27 3.1 Three Ideas of Sampling • 3.2 A Census—Does It Make Sense? • 3.3 Populations and Parameters • 3.4 Simple Random Sample (SRS) • 3.5 Other Sample Designs • 3.6 Defining the Population • 3.7 The Valid Survey Mini Case Study Projects: Market Survey Research 47 The GfK Roper Reports Worldwide Survey 47 Chapter 4 Displaying and Describing Categorical Data 53 4.1 The Three Rules of Data Analysis • 4.2 Frequency Tables • 4.3 Charts • 4.4 Contingency Tables Mini Case Study Project: KEEN Footwear 74 Chapter 5 Randomness and Probability 85 5.1 Random Phenomena and Probability • 5.2 The Nonexistent Law of Averages • 5.3 Different Types of Probability • 5.4 Probability Rules • 5.5 Joint Probability and Contingency Tables • 5.6 Conditional Probability • 5.7 Constructing Contingency Tables Mini Case Study Project: Market Segmentation 103 Chapter 6 Displaying and Describing Quantitative Data 111 6.1 Displaying Distributions • 6.2 Shape • 6.3 Center • 6.4 Spread of the Distribution • 6.5 Shape, Center, and Spread—A Summary • 6.6 Five-Number Summary and Boxplots • 6.7 Comparing Groups • 6.8 Identifying Outliers • 6.9 Standardizing • 6.10 Time Series Plots • *6.11 Transforming Skewed Data Mini Case Study Projects: Hotel Occupancy Rates 143, Value and Growth Stock Returns 143 Part II Understanding Data and Distributions 157 Chapter 7 Scatterplots, Association, and Correlation 159 7.1 Looking at Scatterplots • 7.2 Assigning Roles to Variables in Scatterplots • 7.3 Understanding Correlation • *7.4 Straightening Scatterplots • 7.5 Lurking Variables and Causation Mini Case Study Projects: *Fuel Efficiency 181, The U.S. Economy and Home Depot Stock Prices 182 Chapter 8 Linear Regression 193 8.1 The Linear Model • 8.2 Correlation and the Line • 8.3 Regression to the Mean • 8.4 Checking the Model • 8.5 Learning More from the Residuals • 8.6 Variation in the Model and R2 • 8.7 Reality Check: Is the Regression Reasonable? Mini Case Study Projects: Cost of Living 213, Mutual Funds 213 Chapter 9 Sampling Distributions and the Normal Model 223 9.1 Modeling the Distribution of Sample Proportions • 9.2 Simulations • 9.3 The Normal Distribution • 9.4 Practice with Normal Distribution Calculations • 9.5 The Sampling Distribution for Proportions • 9.6 Assumptions and Conditions • 9.7 The Central Limit Theorem—The Fundamental Theorem of Statistics • 9.8 The Sampling Distribution of the Mean • 9.9 Sample Size—Diminishing Returns • 9.10 How Sampling Distribution Models Work Mini Case Study Project: Real Estate Simulation 247 Chapter 10 Confidence Intervals for Proportions 255 10.1 A Confidence Interval • 10.2 Margin of Error: Certainty vs. Precision • 10.3 Critical Values • 10.4 Assumptions and Conditions • *10.5 A Confidence Interval for Small Samples • 10.6 Choosing the Sample Size Mini Case Study Projects: Investment 272, Forecasting Demand 272 Chapter 11 Testing Hypotheses about Proportions 279 11.1 Hypotheses • 11.2 A Trial as a Hypothesis Test • 11.3 P-values • 11.4 The Reasoning of Hypothesis Testing • 11.5 Alternative Hypotheses • 11.6 Alpha Levels and Significance • 11.7 Critical Values • 11.8 Confidence Intervals and Hypothesis Tests • 11.9 Two Types of Errors • *11.10 Power Mini Case Study Projects: Metal Production 305, Loyalty Program 305 Chapter 12 Confidence Intervals and Hypothesis Tests for Means 313 12.1 The Sampling Distribution for the Mean • 12.2 A Confidence Interval for Means • 12.3 Assumptions and Conditions • 12.4 Cautions About Interpreting Confidence Intervals • 12.5 One-Sample t-Test • 12.6 Sample Size • *12.7 Degrees of Freedom—Why n – 1? Mini Case Study Projects: Real Estate 333, Donor Profiles 333 Chapter 13 Comparing Two Means 343 13.1 Testing Differences Between Two Means • 13.2 The Two-Sample t-Test • 13.3 Assumptions and Conditions • 13.4 A Confidence Interval for the Difference Between Two Means • 13.5 The Pooled t-Test • *13.6 Tukey’s Quick Test Mini Case Study Project: Real Estate 364 Chapter 14 Paired Samples and Blocks 375 14.1 Paired Data • 14.2 Assumptions and Conditions • 14.3 The Paired t-Test • 14.4 How the Paired t-Test Works Mini Case Study Projects: A Taste Test (Data Collection and Analysis) 389, Consumer Spending Patterns (Data Analysis) 389 Chapter 15 Inference for Counts: Chi-Square Tests 401 15.1 Goodness-of-Fit Tests • 15.2 Interpreting Chi-Square Values • 15.3 Examining the Residuals • 15.4 The Chi-Square Test of Homogeneity • 15.5 Comparing Two Proportions • 15.6 Chi-Square Test of Independence Mini Case Study Projects: Health Insurance 424, Loyalty Program 424 Part III Exploring Relationships Among Variables 435 Chapter 16 Inference for Regression 437 16.1 The Population and the Sample • 16.2 Assumptions and Conditions • 16.3 The Standard Error of the Slope • 16.4 A Test for the Regression Slope • 16.5 A Hypothesis Test for Correlation • 16.6 Standard Errors for Predicted Values • 16.7 Using Confidence and Prediction Intervals Mini Case Study Projects: Frozen Pizza 461, Global Warming? 461 Chapter 17 Understanding Residuals 473 17.1 Examining Residuals for Groups • 17.2 Extrapolation and Prediction • 17.3 Unusual and Extraordinary Observations • 17.4 Working with Summary Values • 17.5 Autocorrelation • 17.6 Linearity • 17.7 Transforming (Re-expressing) Data • 17.8 The Ladder of Powers Mini Case Study Projects: Gross Domestic Product 497, Energy Sources 498 Chapter 18 Multiple Regression 509 18.1 The Multiple Regression Model • 18.2 Interpreting Multiple Regression Coefficients • 18.3 Assumptions and Conditions for the Multiple Regression Model • 18.4 Testing the Multiple Regression Model • 18.5 Adjusted R2, and the F-statistic • *18.6 The Logistic Regression Model Mini Case Study Project: Golf Success 536 Chapter 19 Building Multiple Regression Models 547 19.1 Indicator (or Dummy) Variables • 19.2 Adjusting for Different Slopes—Interaction Terms • 19.3 Multiple Regression Diagnostics • 19.4 Building Regression Models • 19.5 Collinearity • 19.6 Quadratic Terms Mini Case Study Project: Paralyzed Veterans of America 577 Chapter 20 Time Series Analysis 589 20.1 What Is a Time Series? • 20.2 Components of a Time Series • 20.3 Smoothing Methods • 20.4 Simple Moving Average Methods • 20.5 Weighted Moving Averages • 20.6 Exponential Smoothing Methods • 20.7 Summarizing Forecast Error • 20.8 Autoregressive Models • 20.9 Random Walks • 20.10 Multiple Regression-based Models • 20.11 Additive and Multiplicative Models • 20.12 Cyclical and Irregular Components • 20.13 Forecasting with Regressionbased Models • 20.14 Choosing a Time Series Forecasting Method • 20.15 Interpreting Time Series Models: The Whole Foods Data Revisited Mini Case Study Projects: Intel Corporation 624, Tiffany & Co. 624 Part IV Building Models for Decision Making 637 Chapter 21 Random Variables and Probability Models 639 21.1 Expected Value of a Random Variable • 21.2 Standard Deviation of a Random Variable • 21.3 Properties of Expected Values and Variances • 21.4 Discrete Probability Models • 21.5 Continuous Random Variables Mini Case Study Project: Investment Options 668 Chapter 22 Decision Making and Risk 675 22.1 Actions, States of Nature, and Outcomes • 22.2 Payoff Tables and Decision Trees • 22.3 Minimizing Loss and Maximizing Gain • 22.4 The Expected Value of an Action • 22.5 Expected Value with Perfect Information • 22.6 Decisions Made with Sample Information • 22.7 Estimating Variation • 22.8 Sensitivity • 22.9 Simulation • 22.10 Probability Trees • *22.11 Reversing the Conditioning: Bayes’s Rule • 22.12 More Complex Decisions Mini Case Study Projects: Texaco-Pennzoil 693, Insurance Services, Revisited 694 Chapter 23 Design and Analysis of Experiments and Observational Studies 699 23.1 Observational Studies • 23.2 Randomized, Comparative Experiments • 23.3 The Four Principles of Experimental Design • 23.4 Experimental Designs • 23.5 Blinding and Placebos • 23.6 Confounding and Lurking Variables • 23.7 Analyzing a Design in One Factor—The Analysis of Variance • 23.8 Assumptions and Conditions for ANOVA • *23.9 Multiple Comparisons • 23.10 ANOVA on Observational Data • 23.11 Analysis of Multifactor Designs Mini Case Study Project: A Multifactor Experiment 736 Chapter 24 Introduction to Data Mining 747 24.1 Direct Marketing • 24.2 The Data • 24.3 The Goals of Data Mining • 24.4 Data Mining Myths • 24.5 Successful Data Mining • 24.6 Data Mining Problems • 24.7 Data Mining Algorithms • 24.8 The Data Mining Process • 24.9 Summary Appendixes A Answers A-1 B Photo Acknowledgments A-37 C Tables and Selected Formulas A-41 D Index A-57