An Introduction to Generalized Linear Models

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 

قیمت کتاب (تومان) : 35,000

در ادامه تاکید بر روش‌های عددی و گرافیکی، مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته، ویرایش سوم یک چارچوب منسجم برای مدل‌سازی آماری ارائه می‌کند. این نسخه جدید پرفروش با کدهای Stata، R و WinBUGS و همچنین سه فصل جدید در مورد تحلیل بیزی به روز شده است.

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.

Continuing to emphasize numerical and graphical methods, An Introduction to Generalized Linear Models, Third Edition provides a cohesive framework for statistical modeling. This new edition of a bestseller has been updated with Stata, R, and WinBUGS code as well as three new chapters on Bayesian analysis.

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.