Basic and Advanced Bayesian Structural Equation Modeling: With Applications in the Medical and Behavioral Sciences

این کتاب دستورالعمل‌های روشنی را در مورد نحوه استفاده از مدل‌های معادلات ساختاری (SEM) برای تجزیه و تحلیل روابط متقابل بین متغیرهای مشاهده‌شده و پنهان به محققان ارائه می‌دهد.

Basic و مدل معادلات ساختاری بیزی پیشرفتهing SEM های پایه و پیشرفته را برای تجزیه و تحلیل انواع داده های پیچیده، مانند داده های طبقه بندی شده مرتب و نامرتب، داده های چندسطحی، داده های مخلوط، داده های طولی، داده های بسیار غیرمرتبط معرفی می کند. داده های عادی و همچنین برخی از ترکیبات آنها. علاوه بر این، SEM های نیمه پارامتریک بیزی برای به تصویر کشیدن توزیع واقعی متغیرهای پنهان توضیحی معرفی می شوند، در حالی که SEM با یک معادله ساختاری ناپارامتری برای ارزیابی روابط عملکردی نامشخص بین متغیرهای پنهان نیز مورد بررسی قرار می گیرند.

روش های آماری با استفاده از رویکرد بیزی نتایج قابل اعتمادی را برای نمونه‌های کوچک ارائه می‌کند و امکان استفاده از اطلاعات قبلی را فراهم می‌کند که منجر به نتایج آماری بهتر می‌شود. تخمین پارامترها و آمار مقایسه مدل از طریق روش های قدرتمند مارکوف زنجیره مونت کارلو در محاسبات آماری به دست می آید.

محققان و دانشجویان سطح پیشرفته در آمار، آمار زیستی، بهداشت عمومی، تجارت، آموزش، روانشناسی و علوم اجتماعی از این کتاب بهره خواهند برد.

This book provides clear instructions to researchers on how to apply Structural Equation Models (SEMs) for analyzing the inter relationships between observed and latent variables.

Basic and Advanced Bayesian Structural Equation Modeling introduces basic and advanced SEMs for analyzing various kinds of complex data, such as ordered and unordered categorical data, multilevel data, mixture data, longitudinal data, highly non-normal data, as well as some of their combinations. In addition, Bayesian semiparametric SEMs to capture the true distribution of explanatory latent variables are introduced, whilst SEM with a nonparametric structural equation to assess unspecified functional relationships among latent variables are also explored.

Statistical methodologies are developed using the Bayesian approach giving reliable results for small samples and allowing the use of prior information leading to better statistical results. Estimates of the parameters and model comparison statistics are obtained via powerful Markov Chain Monte Carlo methods in statistical computing.

Researchers and advanced level students in statistics, biostatistics, public health, business, education, psychology and social science will benefit from this book.