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: 2
نویسندگان: Andrew B. Lawson (Author)
سری:
ISBN (شابک) : 9781466504813, 9781466504820
ناشر: Chapman and Hall/CRC
سال نشر: 2013
تعداد صفحات: 392
زبان:
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 19 مگابایت
کلمات کلیدی مربوط به کتاب نقشه برداری بیماری بیزی: مدل سازی سلسله مراتبی در اپیدمیولوژی فضایی، ویرایش دوم: علوم زیستی، اپیدمیولوژی، ریاضیات و آمار، آمار و احتمال، آمار، محاسبات آماری، نظریه و روشهای آماری
در صورت تبدیل فایل کتاب Bayesian Disease Mapping: Hierarchical Modeling in Spatial Epidemiology, Second 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، ویرایش دوم 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.
از زمان انتشار اولین نسخه، بسیاری از ابزارها و روشهای بیزی جدید برای تجزیه و تحلیل دادههای فضا-زمان، مدلسازی پیشبینیکننده پیامدهای سلامت و سایر حوزههای آماری زیستی فضایی توسعه یافتهاند. با بررسی این پیشرفتهای جدید، نقشهبرداری بیماری بیزی: مدلسازی سلسله مراتبی در اپیدمیولوژی فضایی، ویرایش دوم، گزارشی بهروز و منسجم از طیف کاملی از روشها و کاربردهای نقشهبرداری بیماری بیزی ارائه میکند. نویسنده، استاد آمار زیستی و مشاور WHO، استفاده از مدلسازی سلسله مراتبی بیزی را در تحلیل جغرافیایی بیماری از طریق مجموعهای از مجموعه دادههای واقعی نشان میدهد. جدید به نسخه دوم سه فصل جدید در مورد تجزیه و تحلیل رگرسیون و اکولوژیکی، مدلسازی خطر احتمالی و نظارت بر نقشه بیماری مطالب گسترده در مورد مدلسازی رویداد موردی و تجزیه و تحلیل مکانی-زمانی نمونههای جدید و بهروز شده دو ضمیمه جدید با نمونههایی از تقریب لاپلاس تودرتوی یکپارچه (INLA) و شرطی مدلهای خودرگرسیون (CAR) علاوه بر این موضوعات جدید، این کتاب حوزههای مرسومتری مانند تخمین ریسک نسبی، خوشهبندی، تحلیل بقای فضایی و تحلیل طولی را پوشش میدهد. پس از مقدمهای بر استنتاج، محاسبات و ارزیابی مدل بیزی، متن بر موضوعات مهمی از جمله بازسازی نقشه بیماری، تشخیص خوشه، رگرسیون و تجزیه و تحلیل اکولوژیکی، مدلسازی احتمالی خطر، تجزیه و تحلیل مقیاسهای چندگانه و بیماریهای متعدد، بقای فضایی و مطالعات طولی تمرکز میکند. روش های مکانی-زمانی و نظارت بر نقشه. این نشان می دهد که چگونه نقشه برداری بیماری بیزی می تواند بینش قابل توجهی را در مورد داده های سلامت جغرافیایی ارجاع دهد. WinBUGS و R برای دستکاری و شبیه سازی داده ها استفاده می شوند.
Since the publication of the first edition, many new Bayesian tools and methods have been developed for space-time data analysis, the predictive modeling of health outcomes, and other spatial biostatistical areas. Exploring these new developments, Bayesian Disease Mapping: Hierarchical Modeling in Spatial Epidemiology, Second Edition provides an up-to-date, cohesive account of the full range of Bayesian disease mapping methods and applications. A biostatistics professor and WHO advisor, the author illustrates the use of Bayesian hierarchical modeling in the geographical analysis of disease through a range of real-world datasets. New to the Second Edition Three new chapters on regression and ecological analysis, putative hazard modeling, and disease map surveillance Expanded material on case event modeling and spatiotemporal analysis New and updated examples Two new appendices featuring examples of integrated nested Laplace approximation (INLA) and conditional autoregressive (CAR) models In addition to these new topics, the book covers more conventional areas such as relative risk estimation, clustering, spatial survival analysis, and longitudinal analysis. After an introduction to Bayesian inference, computation, and model assessment, the text focuses on important themes, including disease map reconstruction, cluster detection, regression and ecological analysis, putative hazard modeling, analysis of multiple scales and multiple diseases, spatial survival and longitudinal studies, spatiotemporal methods, and map surveillance. It shows how Bayesian disease mapping can yield significant insights into georeferenced health data. WinBUGS and R are used throughout for data manipulation and simulation.
BACKGROUND: Introduction. Bayesian Inference and Modeling. Computational Issues. Residuals and Goodness-of-Fit. THEMES: Disease Map Reconstruction and Relative Risk Estimation. Disease Cluster Detection. Regression and Ecological Analysis. Putative Hazard Modeling. Multiple Scale Analysis. Multivariate Disease Analysis. Spatial Survival and Longitudinal Analyses. Spatiotemporal Disease Mapping. Disease Map Surveillance. Appendices. References. Index.