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: آمار ریاضی ویرایش: 3 نویسندگان: Annette J. Dobson, Adrian Barnett سری: Chapman & Hall/CRC Texts in Statistical Science ISBN (شابک) : 1584889500, 9781584889502 ناشر: Chapman and Hall/CRC سال نشر: 2008 تعداد صفحات: 316 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب مقدمه ای بر مدل های خطی تعمیم یافته: ریاضیات، نظریه احتمالات و آمار ریاضی، آمار ریاضی
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.
این نسخه مانند نسخه قبلی خود، 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 نرمال، پواسون و دوجمله ای 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.
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. این شامل مثالها و تمرینهایی با مجموعه دادههای کامل برای تقریباً همه مدلهای تحت پوشش است.
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.
Using popular statistical software programs, this concise and accessible text illustrates practical approaches to estimation, model fitting, and model comparisons. It includes examples and exercises with complete data sets for nearly all the models covered.