دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب An Introduction to Generalized Linear Models
دانلود کتاب مقدمه ای بر مدل های خطی تعمیم یافته
مشخصات کتاب
An Introduction to Generalized Linear Models
ویرایش: 4th نویسندگان: Annette J. Dobson, Adrian G. Barnett سری: ISBN (شابک) : 9781138741515 ناشر: CRC سال نشر: 2018 تعداد صفحات: 378 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
قیمت کتاب (تومان) : 52,000
در صورت تبدیل فایل کتاب An Introduction to Generalized Linear Models 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 مقدمه ای بر مدل های خطی تعمیم یافته 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 مقدمه ای بر مدل های خطی تعمیم یافته
مقدمه ای بر مدل های خطی تعمیم یافته، ویرایش چهارم یک چارچوب منسجم برای مدل سازی آماری با تاکید بر روش های عددی و گرافیکی ارائه می دهد. این نسخه جدید از یک پرفروش با بخش‌های جدید در ارتباط‌های غیرخطی، استراتژی‌های انتخاب مدل، و یک پست در مورد عملکرد آماری خوب به‌روزرسانی شده است. مانند نسخه قبلی خود، این نسخه پیشینه نظری مدل های خطی تعمیم یافته (GLMs) را قبل از تمرکز بر روش هایی برای تجزیه و تحلیل انواع خاصی از داده ها ارائه می دهد. توزیع های Normal، Poisson و Binomial را پوشش می دهد. مدل های رگرسیون خطی برآورد کلاسیک و روش های برازش مدل؛ و روشهای فراوانی استنباط آماری. پس از تشکیل این پایه، نویسندگان روشهای رگرسیون خطی چندگانه، تحلیل واریانس (ANOVA)، رگرسیون لجستیک، مدل‌های لگ خطی، تحلیل بقا، مدل‌سازی چندسطحی، مدل‌های بیزی و زنجیره مارکوف مونت کارلو (MCMC) را بررسی می‌کنند. GLM ها را به گونه ای معرفی می کند که خوانندگان را قادر می سازد ساختار یکپارچه ای را که زیربنای آنهاست درک کنند. درباره مفاهیم و اصول رایج GLM های پیشرفته، از جمله رگرسیون اسمی و ترتیبی، تجزیه و تحلیل بقا، تداعی های غیرخطی و تجزیه و تحلیل طولی بحث می کند. شامل مثال‌های متعددی از تجارت، پزشکی، مهندسی و علوم اجتماعی است. کد مثالی برای R، Stata، و WinBUGS برای تشویق اجرای روش‌ها ارائه می‌کند. اعتبار علمی و تکرارپذیری نتایج. این متن مختصر و قابل دسترس با استفاده از برنامه‌های نرم‌افزار آماری محبوب، رویکردهای عملی برای تخمین، برازش مدل و مقایسه مدل را نشان می‌دهد.
توضیحاتی درمورد کتاب به خارجی
An Introduction to Generalized Linear Models, Fourth Edition provides a cohesive framework for statistical modelling, with an emphasis on numerical and graphical methods. This new edition of a bestseller has been updated with new sections on non-linear associations, strategies for model selection, and a Postface on good statistical practice. Like its predecessor, this edition presents the theoretical background of generalized linear models (GLMs) before focusing on methods for analyzing particular kinds of data. It covers Normal, Poisson, and Binomial distributions; linear regression models; classical estimation and model fitting methods; and frequentist methods of statistical inference. After forming this foundation, the authors explore multiple linear regression, analysis of variance (ANOVA), logistic regression, log-linear models, survival analysis, multilevel modeling, Bayesian models, and Markov chain Monte Carlo (MCMC) methods. Introduces GLMs in a way that enables readers to understand the unifying structure that underpins them Discusses common concepts and principles of advanced GLMs, including nominal and ordinal regression, survival analysis, non-linear associations and longitudinal analysis Connects Bayesian analysis and MCMC methods to fit GLMs Contains numerous examples from business, medicine, engineering, and the social sciences Provides the example code for R, Stata, and WinBUGS to encourage implementation of the methods Offers the data sets and solutions to the exercises online Describes the components of good statistical practice to improve scientific validity and reproducibility of results. Using popular statistical software programs, this concise and accessible text illustrates practical approaches to estimation, model fitting, and model comparisons.
فهرست مطالب
Contents......Page 3
Preface......Page 10
Scope......Page 11
Notation......Page 16
Distributions related to the Normal distribution......Page 18
Quadratic forms......Page 21
Estimation......Page 23
Exercises......Page 27
Examples......Page 31
Some principles of statistical modelling......Page 45
Notation and coding for explanatory variables......Page 50
Exercises......Page 54
Introduction......Page 59
Exponential family of distributions......Page 60
Properties of distributions in the exponential family......Page 63
Generalized linear models......Page 66
Examples......Page 68
Exercises......Page 71
Example: Failure times for pressure vessels......Page 75
Maximum likelihood estimation......Page 80
Poisson regression example......Page 83
Exercises......Page 86
Introduction......Page 89
Sampling distribution for score statistics......Page 91
Taylor series approximations......Page 93
Sampling distribution for maximum likelihood estimators......Page 94
Log-likelihood ratio statistic......Page 96
Sampling distribution for the deviance......Page 97
Hypothesis testing......Page 102
Exercises......Page 105
Introduction......Page 107
Basic results......Page 108
Multiple linear regression......Page 114
Analysis of variance......Page 129
Analysis of covariance......Page 142
General linear models......Page 145
Box–Cox transformation......Page 146
Non-linear associations......Page 147
Fractional polynomials......Page 151
Exercises......Page 153
Probability distributions......Page 159
Generalized linear models......Page 160
Dose response models......Page 161
General logistic regression model......Page 168
Goodness of fit statistics......Page 172
Residuals......Page 176
Other diagnostics......Page 177
Example: Senility and WAIS......Page 178
Odds ratios and prevalence ratios......Page 181
Exercises......Page 184
Introduction......Page 188
Multinomial distribution......Page 189
Nominal logistic regression......Page 190
Ordinal logistic regression......Page 197
General comments......Page 202
Exercises......Page 203
Introduction......Page 206
Poisson regression......Page 207
Examples of contingency tables......Page 213
Probability models for contingency tables......Page 218
Log-linear models......Page 219
Numerical examples......Page 221
Remarks......Page 225
Exercises......Page 226
Introduction......Page 231
Survivor functions and hazard functions......Page 233
Empirical survivor function......Page 238
Estimation......Page 241
Model checking......Page 244
Example: Remission times......Page 246
Exercises......Page 248
Introduction......Page 253
Example: Recovery from stroke......Page 255
Multilevel models......Page 267
Stroke example continued......Page 270
Comments......Page 273
Exercises......Page 274
Frequentist & Bayesian paradigms......Page 279
Priors......Page 283
WinBUGS software for Bayesian analysis......Page 289
Exercises......Page 292
Monte Carlo integration Monte Carlo integration......Page 294
Markov chains......Page 296
Bayesian inference......Page 307
Diagnostics of chain convergence......Page 309
Bayesian model fit: the deviance information criterion (DIC)......Page 313
Exercises......Page 315
Introduction......Page 321
Binary variables and logistic regression......Page 322
Nominal logistic regression......Page 328
Latent variable model......Page 330
Survival analysis......Page 332
Random effects......Page 334
Longitudinal data analysis......Page 337
Bayesian model averaging......Page 344
Some practical tips for WinBUGS......Page 348
Exercises......Page 350
Postface......Page 352
Appendix......Page 359
Software......Page 360
Refs......Page 362
Index......Page 373
