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
ویرایش: 1 نویسندگان: Geoff Der (Author), Brian S. Everitt (Author) سری: ISBN (شابک) : 9781439867976, 9780429106378 ناشر: Chapman and Hall/CRC سال نشر: 2012 تعداد صفحات: 539 زبان: فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب آمار پزشکی کاربردی با استفاده از SAS: ریاضیات و آمار، آمار و احتمال، آمار، محاسبات آماری، پزشکی، دندانپزشکی، پرستاری و بهداشت وابسته، پزشکی، آمار پزشکی و محاسبات
در صورت تبدیل فایل کتاب Applied Medical Statistics Using SAS 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 آمار پزشکی کاربردی با استفاده از SAS 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 مرجع سطح متوسط که با در نظر گرفتن آماردانان پزشکی و محققان پزشکی نوشته شده است، استفاده از SAS را برای تجزیه و تحلیل داده های پزشکی بررسی می کند. آمار پزشکی کاربردی با استفاده از SAS طیف وسیعی از روشهای آماری مدرن مورد استفاده در تجزیه و تحلیل دادههای پزشکی را پوشش میدهد، از جمله رگرسیون، تحلیل واریانس و کوواریانس، تجزیه و تحلیل دادههای طولی و بقا، دادههای گمشده، مدلهای افزایشی تعمیمیافته (GAMs) و روشهای بیزی. این کتاب بر انجام این تجزیه و تحلیل ها با استفاده از SAS، بسته نرم افزاری انتخابی برای کسانی که داده های پزشکی را تجزیه و تحلیل می کنند، تمرکز دارد. ویژگی ها مرحله برنامه ریزی مطالعات پزشکی را با جزئیات پوشش می دهد. چندین فصل شامل جزئیات تخمین اندازه نمونه است. روشهای تصادفیسازی را نشان میدهد که ممکن است برای کارآزماییهای بالینی مورد استفاده قرار گیرند، موضوعاتی را پوشش میدهد که در قرن بیست و یکم اهمیت زیادی پیدا کردهاند، از جمله روشهای بیزی و انتساب چندگانه وسعت و عمق آن، همراه با گنجاندن همه موارد کد SAS، این کتاب را برای پزشکان و همچنین برای یک کلاس فارغ التحصیل در آمار زیستی یا بهداشت عمومی ایده آل می کند. مجموعه دادههای کامل، تمام کدهای SAS و خروجیهای کامل را میتوانید در یک وبسایت مرتبط پیدا کنید: http://support.sas.com/amsus
Written with medical statisticians and medical researchers in mind, this intermediate-level reference explores the use of SAS for analyzing medical data. Applied Medical Statistics Using SAS covers the whole range of modern statistical methods used in the analysis of medical data, including regression, analysis of variance and covariance, longitudinal and survival data analysis, missing data, generalized additive models (GAMs), and Bayesian methods. The book focuses on performing these analyses using SAS, the software package of choice for those analysing medical data. Features Covers the planning stage of medical studies in detail; several chapters contain details of sample size estimation Illustrates methods of randomisation that might be employed for clinical trials Covers topics that have become of great importance in the 21st century, including Bayesian methods and multiple imputation Its breadth and depth, coupled with the inclusion of all the SAS code, make this book ideal for practitioners as well as for a graduate class in biostatistics or public health. Complete data sets, all the SAS code, and complete outputs can be found on an associated website: http://support.sas.com/amsus
An Introduction to SAS. Statistics and Measurement in Medicine. Clinical Trials. Epidemiology. Meta-analysis. Analysis of Variance and Covariance. Scatter Plots, Correlation, Simple Regression, and Smoothing. Multiple Linear Regression. Logistic Regression. The Generalised Linear Model. Generalised Additive Models. The Analysis of Longitudinal Data I. The Analysis of Longitudinal Data II: Linear Mixed-Effects Models for Normal Response Variables. The Analysis of Longitudinal Data III: Non-Normal Responses. Survival Analysis. Cox`s Proportional Hazards Models for Survival Data. Bayesian Methods. Missing Values.