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: سازمان و پردازش داده ها ویرایش: نویسندگان: Augustin T., Wolff J. سری: ناشر: سال نشر: 2004 تعداد صفحات: 19 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 861 کیلوبایت
در صورت تبدیل فایل کتاب A bias analysis of Weibull models under heaped data 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 سوگیری از مدلهای Weibull تحت دادههای انبوه 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.
دادههای مدت زمان جمعآوریشده به صورت گذشتهنگر اغلب به اشتباه گزارش میشوند. یک نوع مهم از چنین خطاهایی انباشته کردن است - پاسخ دهندگان تمایل دارند داده ها را بر اساس برخی از قوانین سرانگشتی گرد یا گرد کنند. برای دو مورد خاص از مدل وایبول، ما رفتار «برآورندههای ساده لوح» را مطالعه میکنیم، که به سادگی خطای اندازهگیری را به دلیل انبوهی نادیده میگیرند و عبارات بسته را برای تعصب مجانبی استخراج میکنند. این نتایج یک توجیه رسمی از شواهد تجربی و یافته های مبتنی بر شبیه سازی گزارش شده در ادبیات ارائه می دهد. بهعلاوه، موقعیتهایی را میتوان شناسایی کرد که در آن سوگیری قابلتوجهی انتظار میرود، و میتوان یک اصلاح دقیق سوگیری انجام داد.
Retrospectively collected duration data are often reported incorrectly. An important type of such an error is heaping - respondents tend to round-off or round-up the data according to some rule of thumb. For two special cases of the Weibull model we study the behaviour of the 'naive estimators', which simply ignore the measurement error due to heaping, and derive closed expressions for the asymptotic bias. These results give a formal justification of empirical evidence and simulation-based findings reported in the literature. Additionally, situations where a remarkable bias has to be expected can be identified, and an exact bias correction can be performed.