回归模型是现代统计学中最常用的方法之一；而且现代回归模型分为非常多的种类。在诸多的现代回归模型中，非参数和半参数回归以其杰出的灵活性得到了广泛的应用；特别是半参数模型由于灵活和高可解释性成为一种理想的回归模型，这两种方法的理论和编程方式与普通的回归模型有非常明显的区别。
Ｒ语言的非参数与半参数回归模型实践技术
专题一：核函数与局部多项式回归
1.核密度函数及其估计
2.加权最小二乘法与局部多项式回归
3.带宽的选择
专题二：惩罚样条函数回归
1.惩罚样条函数基
2.回归参数的选择
3.基于样条的混合模型
4.带有因子效应的惩罚样条回归
专题三：广义可加模型
1.广义线性模型
2.广义可加模型
3.模型选择
4.向量回归
专题四：分组数据的半参数回归
1.可加混合效应模型
2.边缘模型
3.非高斯数据的半参数回归
专题五：高级主题（一）
1.地理可加性模型
2.变系数模型
3.附加半参数回归
4.双变量非参数回归
专题六：高级主题（二）
1.分位数的半参数回归
2.稳定半参数回归
3.贝叶斯半参数回归
4.贝叶斯半参数回归的图模型方法
