دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: تحلیل و بررسی ویرایش: نویسندگان: Beamonte E., Bermudez J. سری: ناشر: سال نشر: 2002 تعداد صفحات: 17 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 675 کیلوبایت
در صورت تبدیل فایل کتاب A bayesian semiparametric analysis for additive Hazard models with censored observations به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تجزیه و تحلیل نیمه پارامتریک بیزی برای مدلهای خطر افزایشی با مشاهدات سانسور شده نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
تابع خطر که تابع ریسک یا تابع شدت نیز نامیده میشود، معمولاً برای مدلسازی دادههای بقا یا سایر زمانهای انتظار، مانند زمانهای بیکاری، استفاده میشود. برخلاف مدل خطر متناسب، مدل ریسک افزایشی فرض میکند که تابع خطر به جای حاصلضرب، مجموع تابع خطر پایه و تابع غیرمنفی متغیرهای کمکی است. ما پیشنهاد می کنیم که متغیرهای کمکی را از طریق یک تابع خطر گاما به مدل معرفی کنیم، در حالی که تابع خطر خط پایه نامشخص مانده است. با پیروی از پارادایم بیزی، با استفاده از تکنیکهای مونت کارلو زنجیره مارکوف، یک تقریبی برای توزیع پسین به دست میآوریم. تخمین بقای موضوعی خاص نیز مورد مطالعه قرار گرفته است. یک مثال واقعی با استفاده از داده های بیکاری ارائه شده است
The hazard function, also called the risk function or intensity function, is usually used to model survival data or other waiting times, such as unemployment times. In contrast to the proportional hazard model, the additive risk model assumes that the hazard function is the sum of rather than the product of, the baseline hazard function and a non-negative function of covariates. We propose to introduce the covariates into the model through a Gamma hazard function, while the baseline hazard function is left unspecified. Following the Bayesian paradigm, we obtain an approximation to the posterior distribution using Markov Chain Monte Carlo techniques. The subject-specific survival estimation is also studied. A real example using unemployment data is provided