一些非常好的书籍：Box, Hunter & Hunter 的“实验者统计：设计、创新和发现，第 2 版”。这是正式的介绍性文本（更适合化学和工程人员），但在应用方面非常好。

“使用回归和多级/分层模型进行数据分析”，作者：Andrew Gelman 和 Jennifer Hill。非常适合回归建模的应用。

“统计学习的要素：数据挖掘、推理和预测，第二版”（Springer 系列统计）第 2 版（2009 年），由 Hastie Trevor、Tibshirani Robert 和 Friedman Jerome 更正。比我列表中的前两个更具理论性，但在应用程序的原因和如果方面也非常出色。-- PDF 发布版本

Gareth James、Daniela Witten、Trevor Hastie 和 Robert Tibshirani 的“统计学习简介”（Springer 系列统计）第 6 期（2015 年）- PDF 已发布版本

通读这三本书应该为应用程序提供一个很好的基础。

Harrell (2001)，回归建模策略的特点是

• 涵盖从头到尾的建模——因此数据缩减、缺失值的插补和模型验证是包含的主题
• 强调解释如何在不同阶段采用不同的方法
• 详尽的示例（和 S-Plus/R 代码）占据了本书的大部分内容

除此之外， Woodrige的 Introductory Econometrics: A Modern Approach几乎涵盖了您想了解的有关回归的所有信息，适用于高级本科生。

编辑：如果您要处理分类结果，Hastie 等人是必不可少的。此外， Agresti 的分类数据分析是一种很好的经典方法，与 Hastie 等人的机器学习方法相反。

Gelman 等人的贝叶斯数据分析第三版（2013 年）。水平参差不齐，但我觉得治疗非常好，可以从大多数章节中获得有价值的东西。如果您对方法的原则应用感兴趣，我会推荐这本书。