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 ed.]
نویسندگان: Daniel J. Denis
سری:
ISBN (شابک) : 1119578140, 9781119578185
ناشر: Wiley
سال نشر: 2021
تعداد صفحات: 304
[300]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 22 Mb
در صورت تبدیل فایل کتاب Applied Univariate, Bivariate, and Multivariate Statistics Using Python: A Beginner's Guide to Advanced Data Analysis 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 کاربرد آمار تک متغیره، دو متغیره و چند متغیره با استفاده از پایتون: راهنمای مبتدیان برای تجزیه و تحلیل داده های پیشرفته 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.
آمارهای تک متغیره، دو متغیره و چند متغیره کاربردی با استفاده از پایتون یک مرجع کاربردی و \"چگونه\" برای هر کسی که تجزیه و تحلیل های آماری ضروری و وظایف مدیریت داده در پایتون را انجام می دهد، آمارهای تک متغیره، دو متغیره و چند متغیره کاربردی با استفاده از پایتون، مقدمه ای جامع برای طیف گسترده ای از روش های آماری با استفاده از پایتون در یک مرجع تک مرحله ای انجام شده است. این کتاب حاوی راهنمای کاربر پسند و دستورالعملهایی در مورد استفاده از پایتون برای اجرای انواع روشهای آماری بدون گرفتار شدن در نظریههای غیر ضروری است. در سرتاسر، نویسنده بر مجموعهای از ابزارهای محاسباتی مورد استفاده در کشف الگوهای تجربی، و همچنین چندین تحلیل آماری رایج و وظایف مدیریت دادهها که میتوانند فوراً اعمال شوند، تأکید میکند. اکثر مجموعه دادههای مورد استفاده در این کتاب به اندازهای کوچک هستند که به راحتی به صورت دستی وارد پایتون میشوند، اگرچه میتوان آنها را به صورت رایگان از www.datapsyc.com نیز دانلود کرد. فقط حداقل دانش آماری در نظر گرفته شده است، و این کتاب را برای کسانی که به دنبال یک جعبه ابزار آسان برای تجزیه و تحلیل آماری با پایتون هستند، عالی می کند. آمارهای تک متغیره، دو متغیره و چند متغیره کاربردی با استفاده از پایتون، سریع ترین راه برای یادگیری نحوه تجزیه و تحلیل داده ها با پایتون است. خوانندگان همچنین از گنجاندن موارد زیر بهره مند خواهند شد: مروری بر اصول آماری اساسی، از جمله انواع داده ها، اندازه گیری، آزمون های معناداری، سطوح معنی داری، و خطاهای نوع I و نوع II. مقدمه ای بر پایتون، بررسی نحوه برقراری ارتباط با پایتون. تجزیه و تحلیل داده های اکتشافی، آمار اولیه و نمایش های بصری، از جمله فرکانس ها و توصیف ها، نمودارهای q-q، نمودارهای جعبه و سبیل، و مدیریت داده ها مقدمه ای بر موضوعاتی مانند ANOVA، MANOVA و تجزیه و تحلیل متمایز، رگرسیون، تجزیه و تحلیل مؤلفه های اصلی، تحلیل عاملی، تجزیه و تحلیل خوشهای، از جمله، کاوش در ماهیت کارهایی که این تکنیکها میتوانند در مقابل نمیتوانند در سطح روششناختی انجام دهند، برای دانشجویان کارشناسی و کارشناسی ارشد در علوم اجتماعی، رفتاری و طبیعی، آمار تک متغیره، دو متغیره و چند متغیره کاربردی با استفاده از پایتون نیز مناسب است. در کتابخانه های محققان و تحلیلگران داده که به دنبال منبعی سریع برای تجزیه و تحلیل تک متغیره، دو متغیره و چند متغیره در پایتون هستند، جایگاهی کسب کنید.
Applied Univariate, Bivariate, and Multivariate Statistics Using Python A practical, “how-to” reference for anyone performing essential statistical analyses and data management tasks in Python Applied Univariate, Bivariate, and Multivariate Statistics Using Python delivers a comprehensive introduction to a wide range of statistical methods performed using Python in a single, one-stop reference. The book contains user-friendly guidance and instructions on using Python to run a variety of statistical procedures without getting bogged down in unnecessary theory. Throughout, the author emphasizes a set of computational tools used in the discovery of empirical patterns, as well as several popular statistical analyses and data management tasks that can be immediately applied. Most of the datasets used in the book are small enough to be easily entered into Python manually, though they can also be downloaded for free from www.datapsyc.com. Only minimal knowledge of statistics is assumed, making the book perfect for those seeking an easily accessible toolkit for statistical analysis with Python. Applied Univariate, Bivariate, and Multivariate Statistics Using Python represents the fastest way to learn how to analyze data with Python. Readers will also benefit from the inclusion of: A review of essential statistical principles, including types of data, measurement, significance tests, significance levels, and type I and type II errors An introduction to Python, exploring how to communicate with Python A treatment of exploratory data analysis, basic statistics and visual displays, including frequencies and descriptives, q-q plots, box-and-whisker plots, and data management An introduction to topics such as ANOVA, MANOVA and discriminant analysis, regression, principal components analysis, factor analysis, cluster analysis, among others, exploring the nature of what these techniques can vs. cannot do on a methodological level Perfect for undergraduate and graduate students in the social, behavioral, and natural sciences, Applied Univariate, Bivariate, and Multivariate Statistics Using Python will also earn a place in the libraries of researchers and data analysts seeking a quick go-to resource for univariate, bivariate, and multivariate analysis in Python.
Applied Univariate, Bivariate, and Multivariate Statistics Using Python Contents Preface 1. A Brief Introduction and Overview of Applied Statistics 1.1 How Statistical Inference Works 1.2 Statistics and Decision-Making 1.3 Quantifying Error Rates in Decision-Making: Type I and Type II Errors 1.4 Estimation of Parameters 1.5 Essential Philosophical Principles for Applied Statistics 1.6 Continuous vs. Discrete Variables 1.6.1 Continuity Is Not Always Clear-Cut 1.7 Using Abstract Systems to Describe Physical Phenomena: Understanding Numerical vs. Physical Differences 1.8 Data Analysis, Data Science, Machine Learning, Big Data 1.9 “Training” and “Testing” Models: What “Statistical Learning” Means in the Age of Machine Learning and Data Science 1.10 Where We Are Going From Here: How to Use This Book Review Exercises 2. Introduction to Python and the Field of Computational Statistics 2.1 The Importance of Specializing in Statistics and Research, Not Python: Advice for Prioritizing Your Hierarchy 2.2 How to Obtain Python 2.3 Python Packages 2.4 Installing a New Package in Python 2.5 Computing z-Scores in Python 2.6 Building a Dataframe in Python: And Computing Some Statistical Functions 2.7 Importing a .txt or .csv File 2.8 Loading Data into Python 2.9 Creating Random Data in Python 2.10 Exploring Mathematics in Python 2.11 Linear and Matrix Algebra in Python: Mechanics of Statistical Analyses 2.11.1 Operations on Matrices 2.11.2 Eigenvalues and Eigenvectors Review Exercises 3. Visualization in Python: Introduction to Graphs and Plots 3.1 Aim for Simplicity and Clarity in Tables and Graphs: Complexity is for Fools! 3.2 State Population Change Data 3.3 What Do the Numbers Tell Us? Clues to Substantive Theory 3.4 The Scatterplot 3.5 Correlograms 3.6 Histograms and Bar Graphs 3.7 Plotting Side-by-Side Histograms 3.8 Bubble Plots 3.9 Pie Plots 3.10 Heatmaps 3.11 Line Charts 3.12 Closing Thoughts Review Exercises 4. Simple Statistical Techniques for Univariate and Bivariate Analyses 4.1 Pearson Product-Moment Correlation 4.2 A Pearson Correlation Does Not (Necessarily) Imply Zero Relationship 4.3 Spearman’s Rho 4.4 More General Comments on Correlation: Don’t Let a Correlation Impress You Too Much! 4.5 Computing Correlation in Python 4.6 T-Tests for Comparing Means 4.7 Paired-Samples t-Test in Python 4.8 Binomial Test 4.9 The Chi-Squared Distribution and Goodness-of-Fit Test 4.10 Contingency Tables Review Exercises 5. Power, Effect Size, P-Values, and Estimating Required Sample Size Using Python 5.1 What Determines the Size of a P-Value? 5.2 How P-Values Are a Function of Sample Size 5.3 What is Effect Size? 5.4 Understanding Population Variability in the Context of Experimental Design 5.5 Where Does Power Fit into All of This? 5.6 Can You Have Too Much Power? Can a Sample Be Too Large? 5.7 Demonstrating Power Principles in Python: Estimating Power or Sample Size 5.8 Demonstrating the Influence of Effect Size 5.9 The Influence of Significance Levels on Statistical Power 5.10 What About Power and Hypothesis Testing in the Age of “Big Data”? 5.11 Concluding Comments on Power, Effect Size, and Significance Testing Review Exercises 6. Analysis of Variance 6.1 T-Tests for Means as a “Special Case” of ANOVA 6.2 Why Not Do Several t-Tests? 6.3 Understanding ANOVA Through an Example 6.4 Evaluating Assumptions in ANOVA 6.5 ANOVA in Python 6.6 Effect Size for Teacher 6.7 Post-Hoc Tests Following the ANOVA F-Test 6.8 A Myriad of Post-Hoc Tests 6.9 Factorial ANOVA 6.10 Statistical Interactions 6.11 Interactions in the Sample Are a Virtual Guarantee: Interactions in the Population Are Not 6.12 Modeling the Interaction Term 6.13 Plotting Residuals 6.14 Randomized Block Designs and Repeated Measures 6.15 Nonparametric Alternatives 6.15.1 Revisiting What “Satisfying Assumptions” Means: A Brief Discussion and Suggestion of How to Approach the Decision Regarding Nonparametrics 6.15.2 Your Experience in the Area Counts 6.15.3 What If Assumptions Are Truly Violated? 6.15.4 Mann-Whitney U Test 6.15.5 Kruskal-Wallis Test as a Nonparametric Alternative to ANOVA Review Exercises 7. Simple and Multiple Linear Regression 7.1 Why Use Regression? 7.2 The Least-Squares Principle 7.3 Regression as a “New” Least-Squares Line 7.4 The Population Least-Squares Regression Line 7.5 How to Estimate Parameters in Regression 7.6 How to Assess Goodness of Fit? 7.7 R2 – Coefficient of Determination 7.8 Adjusted R2 7.9 Regression in Python 7.10 Multiple Linear Regression 7.11 Defining the Multiple Regression Model 7.12 Model Specification Error 7.13 Multiple Regression in Python 7.14 Model-Building Strategies: Forward, Backward, Stepwise 7.15 Computer-Intensive “Algorithmic” Approaches 7.16 Which Approach Should You Adopt? 7.17 Concluding Remarks and Further Directions: Polynomial Regression Review Exercises 8. Logistic Regression and the Generalized Linear Model 8.1 How Are Variables Best Measured? Are There Ideal Scales on Which a Construct Should Be Targeted? 8.2 The Generalized Linear Model 8.3 Logistic Regression for Binary Responses: A Special Subclass of the Generalized Linear Model 8.4 Logistic Regression in Python 8.5 Multiple Logistic Regression 8.5.1 A Model with Only Lag1 8.6 Further Directions Review Exercises 9. Multivariate Analysis of Variance (MANOVA) and Discriminant Analysis 9.1 Why Technically Most Univariate Models are Actually Multivariate 9.2 Should I Be Running a Multivariate Model? 9.3 The Discriminant Function 9.4 Multivariate Tests of Significance: Why They Are Different from the F-Ratio 9.4.1 Wilks’ Lambda 9.4.2 Pillai’s Trace 9.4.3 Roy’s Largest Root 9.4.4 Lawley-Hotelling’s Trace 9.5 Which Multivariate Test to Use? 9.6 Performing MANOVA in Python 9.7 Effect Size for MANOVA 9.8 Linear Discriminant Function Analysis 9.9 How Many Discriminant Functions Does One Require? 9.10 Discriminant Analysis in Python: Binary Response 9.11 Another Example of Discriminant Analysis: Polytomous Classification 9.12 Bird’s Eye View of MANOVA, ANOVA, Discriminant Analysis, and Regression: A Partial Conceptual Unification 9.13 Models “Subsumed” Under the Canonical Correlation Framework Review Exercises 10. Principal Components Analysis 10.1 What Is Principal Components Analysis? 10.2 Principal Components as Eigen Decomposition 10.3 PCA on Correlation Matrix 10.4 Why Icebergs Are Not Good Analogies for PCA 10.5 PCA in Python 10.6 Loadings in PCA: Making Substantive Sense Out of an Abstract Mathematical Entity 10.7 Naming Components Using Loadings: A Few Issues 10.8 Principal Components Analysis on USA Arrests Data 10.9 Plotting the Components Review Exercises 11. Exploratory Factor Analysis 11.1 The Common Factor Analysis Model 11.2 Factor Analysis as a Reproduction of the Covariance Matrix 11.3 Observed vs. Latent Variables: Philosophical Considerations 11.4 So, Why is Factor Analysis Controversial? The Philosophical Pitfalls of Factor Analysis 11.5 Exploratory Factor Analysis in Python 11.6 Exploratory Factor Analysis on USA Arrests Data Review Exercises 12. Cluster Analysis 12.1 Cluster Analysis vs. ANOVA vs. Discriminant Analysis 12.2 How Cluster Analysis Defines “Proximity” 12.2.1 Euclidean Distance 12.3 K-Means Clustering Algorithm 12.4 To Standardize or Not? 12.5 Cluster Analysis in Python 12.6 Hierarchical Clustering 12.7 Hierarchical Clustering in Python Review Exercises References Index EULA