ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Advanced Regression Models with SAS and R

دانلود کتاب مدل های رگرسیون پیشرفته با SAS و R

Advanced Regression Models with SAS and R

مشخصات کتاب

Advanced Regression Models with SAS and R

ویرایش: 1 
نویسندگان:   
سری:  
ISBN (شابک) : 1138049018, 9781138049017 
ناشر: Chapman and Hall/CRC 
سال نشر: 2018 
تعداد صفحات: 305 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 21 مگابایت

قیمت کتاب (تومان) : 58,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 16


در صورت تبدیل فایل کتاب Advanced Regression Models with SAS and R 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 مدل های رگرسیون پیشرفته با SAS و R 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.


توضیحاتی در مورد کتاب مدل های رگرسیون پیشرفته با SAS و R



مدل‌های رگرسیون پیشرفته با SAS و R خواننده را در معرض دنیای مدرن تحلیل رگرسیون قرار می‌دهد. مطالب تحت پوشش این کتاب شامل مدل‌های رگرسیونی است که فراتر از رگرسیون خطی است، از جمله مدل‌هایی برای مشاهدات راست‌-کول، طبقه‌بندی و سلسله مراتبی. این کتاب تئوری و همچنین نمونه های عددی کاملاً کار شده را با کدهای SAS و R کامل برای هر رگرسیون ارائه می دهد. تاکید بر دقت مدل و تفسیر نتایج است. برای هر رگرسیون، مدل برازش شده همراه با تفسیر ضرایب رگرسیون برآورد شده و پیش‌بینی پاسخ برای مقادیر داده شده پیش‌بینی‌کننده‌ها ارائه می‌شود.

ویژگی ها:

  • چارچوب نظری هر رگرسیون را ارائه می دهد.

    • </ p>

  • درباره داده‌هایی بحث می‌کند که دسته‌بندی، تعداد، نسبت‌ها، انحراف راست، طولی و سلسله مراتبی هستند.
  • از نمونه هایی بر اساس پروژه های مشاوره واقعی استفاده می کند.
  • کدهای کامل SAS و R را برای هر نمونه ارائه می دهد.

    • < /p>

  • شامل چندین تمرین برای هر رگرسیون است.

مدل های رگرسیون پیشرفته با SAS و R به عنوان متنی برای مقطع کارشناسی ارشد یا دوره کارشناسی ارشد در تحلیل رگرسیون طراحی شده است. قرار گرفتن در معرض قبلی با دو بسته نرم افزاری مطلوب است اما لازم نیست.

نویسنده:

اولگا کورستلوا، استاد آمار در دانشگاه ایالتی کالیفرنیا، لانگ بیچ است. او دروس آماری متنوعی را برای دانشجویان کارشناسی و کارشناسی ارشد تدریس می کند. او سه کتاب درسی آماری منتشر کرده است. وی چندین سال سمت ریاست دانشکده گروه مشاوره آماری را بر عهده داشته است. علایق تحقیقاتی او بیشتر در کاربردهای روش شناسی آماری از طریق همکاری با مشتریانش در علوم بهداشتی، پرستاری، حرکت شناسی و سایر زمینه ها است.


توضیحاتی درمورد کتاب به خارجی

Advanced Regression Models with SAS and R exposes the reader to the modern world of regression analysis. The material covered by this book consists of regression models that go beyond linear regression, including models for right-skewed, categorical and hierarchical observations. The book presents the theory as well as fully worked-out numerical examples with complete SAS and R codes for each regression. The emphasis is on model accuracy and the interpretation of results. For each regression, the fitted model is presented along with interpretation of estimated regression coefficients and prediction of response for given values of predictors.

Features:

  • Presents the theoretical framework for each regression.
  • Discusses data that are categorical, count, proportions, right-skewed, longitudinal and hierarchical.
  • Uses examples based on real-life consulting projects.
  • Provides complete SAS and R codes for each example.
  • Includes several exercises for every regression.

Advanced Regression Models with SAS and R is designed as a text for an upper division undergraduate or a graduate course in regression analysis. Prior exposure to the two software packages is desired but not required.

The Author:

Olga Korosteleva is a Professor of Statistics at California State University, Long Beach. She teaches a large variety of statistical courses to undergraduate and master's students. She has published three statistical textbooks. For a number of years, she has held the position of faculty director of the statistical consulting group. Her research interests lie mostly in applications of statistical methodology through collaboration with her clients in health sciences, nursing, kinesiology, and other fields.



فهرست مطالب

Cover
Half Title
Title
Copyright
Contents
Preface
Chapter 1 Introduction: General and Generalized Linear Regression Models
	1.1 Definition of General Linear Regression Model
	1.2 Definition of Generalized Linear Regression Model
	1.3 Parameter Estimation and Significance Test for Coefficients
	1.4 Fitted Model
	1.5 Interpretation of Estimated Regression Coefficients
	1.6 Model Goodness-of-Fit Check
	1.7 Predicted Response
	1.8 SAS Implementation
	1.9 R Implementation
	1.10 Example
		Exercises
Chapter 2 Regression Models for Response with Right-skewed Distribution
	2.1 Box-Cox Power Transformation
		2.1.1 Model Definition
		2.1.2 Fitted Model
		2.1.3 Interpretation of Estimated Regression Coefficients
		2.1.4 Predicted Response
		2.1.5 SAS Implementation
		2.1.6 R Implementation
		2.1.7 Example
	2.2 Gamma Regression Model
		2.2.1 Model Definition
		2.2.2 Fitted Model
		2.2.3 Interpretation of Estimated Regression Coefficients
		2.2.4 Predicted Response
		2.2.5 SAS Implementation
		2.2.6 R Implementation
		2.2.7 Example
		Exercises
Chapter 3 Regression Models for Binary Response
	3.1 Binary Logistic Regression Model
		3.1.1 Model Definition
		3.1.2 Fitted Model
		3.1.3 Interpretation of Estimated Regression Coefficients
		3.1.4 Predicted Probability
		3.1.5 SAS Implementation
		3.1.6 R Implementation
		3.1.7 Example
	3.2 Probit Model
		3.2.1 Model Definition
		3.2.2 Fitted Model
		3.2.3 Interpretation of Estimated Regression Coefficients
		3.2.4 Predicted Probability
		3.2.5 SAS Implementation
		3.2.6 R Implementation
		3.2.7 Example
	3.3 Complementary Log-Log Model
		3.3.1 Model Definition
		3.3.2 Fitted Model
		3.3.3 Interpretation of Estimated Regression Coefficients
		3.3.4 Predicted Probability
		3.3.5 SAS Implementation
		3.3.6 R Implementation
		3.3.7 Example
		Exercises
Chapter 4 Regression Models for Categorical Response
	4.1 Cumulative Logit Model
		4.1.1 Model Definition
		4.1.2 Fitted Model
		4.1.3 Interpretation of Estimated Regression Coefficients
		4.1.4 Predicted Probabilities
		4.1.5 SAS Implementation
		4.1.6 R Implementation
		4.1.7 Example
	4.2 Cumulative Probit Model
		4.2.1 Model Definition
		4.2.2 Fitted Model
		4.2.3 Interpretation of Estimated Regression Coefficients
		4.2.4 Predicted Probabilities
		4.2.5 SAS Implementation
		4.2.6 R Implementation
		4.2.7 Example
	4.3 Cumulative Complementary Log-Log Model
		4.3.1 Model Definition
		4.3.2 Fitted Model
		4.3.3 Interpretation of Estimated Regression Coefficients
		4.3.4 Predicted Probabilities
		4.3.5 SAS Implementation
		4.3.6 R Implementation
		4.3.7 Example
	4.4 Generalized Logit Model for Nominal Response
		4.4.1 Model Definition
		4.4.2 Fitted Model
		4.4.3 Interpretation of Estimated Regression Coefficients
		4.4.4 Predicted Probabilities
		4.4.5 SAS Implementation
		4.4.6 R Implementation
		4.4.7 Example
		Exercises
Chapter 5 Regression Models for Count Response
	5.1 Poisson Regression Model
		5.1.1 Model Definition
		5.1.2 Fitted Model
		5.1.3 Interpretation of Estimated Regression Coefficients
		5.1.4 Predicted Response
		5.1.5 SAS Implementation
		5.1.6 R Implementation
		5.1.7 Example
	5.2 Zero-truncated Poisson Regression Model
		5.2.1 Model Definition
		5.2.2 Fitted Model
		5.2.3 Interpretation of Estimated Regression Coefficients
		5.2.4 Predicted Response
		5.2.5 SAS Implementation
		5.2.6 R Implementation
		5.2.7 Example
	5.3 Zero-inflated Poisson Regression Model
		5.3.1 Model Definition
		5.3.2 Fitted Model
		5.3.3 Interpretation of Estimated Regression Coefficients
		5.3.4 Predicted Response
		5.3.5 SAS Implementation
		5.3.6 R Implementation
		5.3.7 Example
	5.4 Hurdle Poisson Regression Model
		5.4.1 Model Definition
		5.4.2 Fitted Model
		5.4.3 Interpretation of Estimated Regression Coefficients
		5.4.4 Predicted Response
		5.4.5 SAS Implementation
		5.4.6 R Implementation
		5.4.7 Example
		Exercises
Chapter 6 Regression Models for Overdispersed Count Response
	6.1 Negative Binomial Regression Model
		6.1.1 Model Definition
		6.1.2 Fitted Model
		6.1.3 Interpretation of Estimated Regression Coefficients
		6.1.4 Predicted Response
		6.1.5 SAS Implementation
		6.1.6 R Implementation
		6.1.7 Example
	6.2 Zero-truncated Negative Binomial Regression Model
		6.2.1 Model Definition
		6.2.2 Fitted Model
		6.2.3 Interpretation of Estimated Regression Coefficients
		6.2.4 Predicted Response
		6.2.5 SAS Implementation
		6.2.6 R Implementation
		6.2.7 Example
	6.3 Zero-inflated Negative Binomial Regression Model
		6.3.1 Model Definition
		6.3.2 Fitted Model
		6.3.3 Interpretation of Estimated Regression Coefficients
		6.3.4 Predicted Response
		6.3.5 SAS Implementation
		6.3.6 R Implementation
		6.3.7 Example
	6.4 Hurdle Negative Binomial Regression Model
		6.4.1 Model Definition
		6.4.2 Fitted Model
		6.4.3 Interpretation of Estimated Regression Coefficients
		6.4.4 Predicted Response
		6.4.5 SAS Implementation
		6.4.6 R Implementation
		6.4.7 Example
		Exercises
Chapter 7 Regression Models for Proportion Response
	7.1 Beta Regression Model
		7.1.1 Model Definition
		7.1.2 Fitted Model
		7.1.3 Interpretation of Estimated Regression Coefficients
		7.1.4 Predicted Response
		7.1.5 SAS Implementation
		7.1.6 R Implementation
		7.1.7 Example
	7.2 Zero-inflated Beta Regression Model
		7.2.1 Model Definition
		7.2.2 Fitted Model
		7.2.3 Interpretation of Estimated Regression Coefficients
		7.2.4 Predicted Response
		7.2.5 SAS Implementation
		7.2.6 R Implementation
		7.2.7 Example
	7.3 One-inflated Beta Regression Model
		7.3.1 Model Definition
		7.3.2 Fitted Model
		7.3.3 Interpretation of Estimated Regression Coefficients
		7.3.4 Predicted Response
		7.3.5 SAS Implementation
		7.3.6 R Implementation
		7.3.7 Example
	7.4 Zero-one-inflated Beta Regression Model
		7.4.1 Model Definition
		7.4.2 Fitted Model
		7.4.3 Interpretation of Estimated Regression Coefficients
		7.4.4 Predicted Response
		7.4.5 SAS Implementation
		7.4.6 R Implementation
		7.4.7 Example
		Exercises
Chapter 8 General Linear Regression Models for Repeated Measures Data
	8.1 Random Slope and Intercept Model
		8.1.1 Model Definition
		8.1.2 Fitted Model
		8.1.3 Interpretation of Estimated Regression Coefficients
		8.1.4 Model Goodness-of-Fit Check
		8.1.5 Predicted Response
		8.1.6 SAS Implementation
		8.1.7 R Implementation
		8.1.8 Example
	8.2 Random Slope and Intercept Model with Covariance Structure for Error
		8.2.1 Model Definition
		8.2.2 Fitted Model, Interpretation of Estimated Regression Coefficients, and Predicted Response
		8.2.3 Model Goodness-of-fit Check
		8.2.4 SAS Implementation
		8.2.5 R Implementation
		8.2.6 Example
	8.3 Generalized Estimating Equations Model
		8.3.1 Model Definition
		8.3.2 Fitted Model, Interpretation of Estimated Regression Coefficients, and Predicted Response
		8.3.3 Model Goodness-of-Fit Check
		8.3.4 SAS Implementation
		8.3.5 R Implementation
		8.3.6 Example
		Exercises
Chapter 9 Generalized Linear Regression Models for Repeated Measures Data
	9.1 Generalized Random Slope and Intercept Model
		9.1.1 Model Definition
		9.1.2 Fitted Model, Interpretation of Estimated Regression Coefficients, Model Goodness-of-Fit Check, and Predicted Response
		9.1.3 SAS Implementation
		9.1.4 R Implementation
		9.1.5 Example
	9.2 Generalized Estimating Equations Model
		9.2.1 Model Definition
		9.2.2 SAS Implementation
		9.2.3 R Implementation
		9.2.4 Example
		Exercises
Chapter 10 Hierarchical Regression Model
	10.1 Hierarchical Regression Model for Normal Response
		10.1.1 Model Definition
		10.1.2 Fitted Model, Interpretation of Estimated Regression Coefficients, Model Goodness-of-Fit Check, Predicted Response
		10.1.3 SAS Implementation
		10.1.4 R Implementation
		10.1.5 Example
	10.2 Hierarchical Regression Model for Non-normal Response
		10.2.1 Model Definition
		10.2.2 Fitted Model
		10.2.3 Interpretation of Estimated Regression Coefficients
		10.2.4 Model Goodness-of-Fit Check
		10.2.5 Predicted Response
		10.2.6 SAS Implementation
		10.2.7 R Implementation
		10.2.8 Example
		Exercises
Recommended Books
List of Notation
Subject Index




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی