مشخصات کتاب

Bayesian Disease Mapping : Hierarchical Modeling in Spatial Epidemiology, Third Edition

ویرایش: Third edition 
نویسندگان: Andrew B. Lawson  
سری: Interdisciplinary Statistics 
ISBN (شابک) : 9781584888406, 1351271741 
ناشر: CRC Press 
سال نشر: 2018 
تعداد صفحات: 392 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 18 مگابایت 

کلمات کلیدی مربوط به کتاب نقشه برداری بیماری بیزی: مدل سازی سلسله مراتبی در اپیدمیولوژی فضایی ، چاپ سوم: آمار ریاضی، آمار ریاضی -- پردازش داده ها، اپیدمیولوژی، پزشکی / پزشکی قانونی، پزشکی / پیشگیرانه، پزشکی / بهداشت عمومی

در صورت تبدیل فایل کتاب Bayesian Disease Mapping : Hierarchical Modeling in Spatial Epidemiology, Third Edition 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 نقشه برداری بیماری بیزی: مدل سازی سلسله مراتبی در اپیدمیولوژی فضایی ، چاپ سوم 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.

توضیحاتی در مورد کتاب نقشه برداری بیماری بیزی: مدل سازی سلسله مراتبی در اپیدمیولوژی فضایی ، چاپ سوم

با تمرکز بر داده‌هایی که معمولاً در پایگاه‌های اطلاعاتی بهداشت عمومی و تنظیمات بالینی یافت می‌شوند،نقشه‌برداری بیماری بیزی: مدل‌سازی سلسله مراتبی در اپیدمیولوژی فضایینگاهی کلی از حوزه‌های اصلی مدل‌سازی سلسله مراتبی بیزی و کاربرد آن در تحلیل جغرافیایی بیماری ارائه می‌کند. این کتاب طیفی از موضوعات در استنتاج و مدل‌سازی بیزی را بررسی می‌کند، از جمله روش‌های مونت کارلو زنجیره مارکوف، نمونه‌برداری گیبس، الگوریتم متروپلیس-هیستینگ، معیارهای برازش مناسب، و تشخیص باقی‌مانده. همچنین بر موضوعات خاص مانند تشخیص خوشه تمرکز دارد. مدل سازی فضا-زمان؛ و تحلیل های چند متغیره، بقا و طولی. نویسنده توضیح می‌دهد که چگونه می‌توان این روش‌ها را برای نقشه‌برداری بیماری با استفاده از مجموعه‌های داده‌های دنیای واقعی متعدد مربوط به سرطان، آسم، صرع، بیماری پا و دهان، آنفولانزا و سایر بیماری‌ها به کار برد. در ضمائم، او نشان می‌دهد که چگونه R و WinBUGS می‌توانند ابزارهای مفیدی در دستکاری و شبیه‌سازی داده‌ها باشند.

به‌کارگیری روش‌های بیزی برای مدل‌سازی داده‌های سلامت جغرافیایی مرجع،نقشه‌برداری بیماری بیزی ثابت می‌کند. که استفاده از این رویکردها برای مسائل آماری زیستی می تواند بینش مهمی را در مورد داده ها به همراه داشته باشد.

توضیحاتی درمورد کتاب به خارجی

Focusing on data commonly found in public health databases and clinical settings,Bayesian Disease Mapping: Hierarchical Modeling in Spatial Epidemiologyprovides an overview of the main areas of Bayesian hierarchical modeling and its application to the geographical analysis of disease. The book explores a range of topics in Bayesian inference and modeling, including Markov chain Monte Carlo methods, Gibbs sampling, the Metropolis-Hastings algorithm, goodness-of-fit measures, and residual diagnostics. It also focuses on special topics, such as cluster detection; space-time modeling; and multivariate, survival, and longitudinal analyses. The author explains how to apply these methods to disease mapping using numerous real-world data sets pertaining to cancer, asthma, epilepsy, foot and mouth disease, influenza, and other diseases. In the appendices, he shows how R and WinBUGS can be useful tools in data manipulation and simulation.

Applying Bayesian methods to the modeling of georeferenced health data,Bayesian Disease Mappingproves that the application of these approaches to biostatistical problems can yield important insights into data.

فهرست مطالب

Content: Intro
 Halftitle Page
 Title Page
 Copyright
 Table of Contents
 List of Tables
 Preface to Third Edition
 Preface to Second Edition
 Preface to First Edition
 I Background
 1 Introduction
 1.1 Data Sets
 2 Bayesian Inference and Modeling
 2.1 Likelihood Models
 2.1.1 Spatial Correlation
 2.1.1.1 Conditional Independence
 2.1.1.2 Joint Densities with Correlations
 2.1.1.3 Pseudolikelihood Approximation
 2.2 Prior Distributions
 2.2.1 Propriety
 2.2.2 Non-Informative Priors
 2.3 Posterior Distributions
 2.3.1 Conjugacy
 2.3.2 Prior Choice
 2.3.2.1 Regression Parameters 2.3.2.2 Variance or Precision Parameters2.3.2.3 Correlation Parameters
 2.3.2.4 Probabilities
 2.3.2.5 Correlated Parameters
 2.4 Predictive Distributions
 2.4.1 Poisson-Gamma Example
 2.5 Bayesian Hierarchical Modeling
 2.6 Hierarchical Models
 2.7 Posterior Inference
 2.7.1 Bernoulli and Binomial Examples
 2.8 Exercises
 3 Computational Issues
 3.1 Posterior Sampling
 3.2 Markov Chain Monte Carlo (MCMC) Methods
 3.3 Metropolis and Metropolis-Hastings Algorithms
 3.3.1 Metropolis Updates
 3.3.2 Metropolis-Hastings Updates
 3.3.3 Gibbs Updates 3.3.4 Metropolis-Hastings (M-H) versus Gibbs Algorithms3.3.5 Special Methods
 3.3.6 Convergence
 3.3.6.1 Single-Chain Methods
 3.3.6.2 Multi-Chain Methods
 3.3.7 Subsampling and Thinning
 3.3.7.1 Monitoring Metropolis-Like Samplers
 3.4 Perfect Sampling
 3.5 Posterior and Likelihood Approximations
 3.5.1 Pseudolikelihood and Other Forms
 3.5.2 Asymptotic Approximations
 3.5.2.1 Asymptotic Quadratic Form
 3.5.2.2 Laplace Integral Approximation
 3.5.2.3 INLA and R-INLA
 3.6 Alternative Computational Aproaches
 3.6.1 Maximum A Posteriori Estimation (MAP)
 3.6.2 Iterated Conditional Modes (ICMs) 3.6.3 MC3 and Parallel Tempering3.6.4 Variational Bayes
 3.6.5 Sequential Monte Carlo
 3.7 Approximate Bayesian Computation (ABC)
 3.8 Exercises
 4 Residuals and Goodness-of-Fit
 4.1 Model GOF Measures
 4.1.1 Deviance Information Criterion
 4.1.2 Posterior Predictive Loss
 4.2 General Residuals
 4.3 Bayesian Residuals
 4.4 Predictive Residuals and Bootstrap
 4.4.1 Conditional Predictive Ordinates (CPOs.)
 4.5 Interpretation of Residuals in a Bayesian Setting
 4.6 Pseudo-Bayes Factors and Marginal Predictive Likelihood
 4.7 Other Diagnostics
 4.8 Exceedance Probabilities
 4.9 Exercises II Themes5 Disease Map Reconstruction and Relative Risk Estimation
 5.1 Introduction to Case Event and Count Likelihoods
 5.1.1 Poisson Process Model
 5.1.2 Conditional Logistic Model
 5.1.3 Binomial Model for Count Data
 5.1.4 Poisson Model for Count Data
 5.1.4.1 Standardisation
 5.1.4.2 Relative Risk
 5.2 Specification of Predictor in Case Event and Count Models
 5.2.1 Bayesian Linear Model
 5.3 Simple Case and Count Data Models with Uncorrelated Random Effects
 5.3.1 Gamma and Beta Models
 5.3.1.1 Gamma Models
 5.3.1.1.1 Hyperprior Distributions
 5.3.1.1.2 Linear Parameterization

نظرات کاربران

کتاب های تصادفی

دانلود کتاب CBSE MATHEMATICS FOR CLASS XII - PART II by Dinesh Khattar Anita Khattar

دانلود کتاب A naturalist amid tropical splendor

دانلود کتاب Trends and Applications of Mathematics to Mechanics

دانلود کتاب Bitcoin Internals: A Technical Guide to Bitcoin

دانلود کتاب Der Anaesthesist Weiterbildung für Anästhesisten 1998: Ihre Basis für die Facharztprüfung