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: [2nd Edition]
نویسندگان: Peter D. Congdon
سری:
ISBN (شابک) : 1498785751, 9781498785754
ناشر: Chapman & Hall/CRC Press/Taylor & Francis Group
سال نشر: 2020
تعداد صفحات: 579
[593]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 15 Mb
در صورت تبدیل فایل کتاب Bayesian Hierarchical Models: With Applications Using R 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 مدل های سلسله مراتبی بیزی: با برنامه های کاربردی با استفاده از R 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 کتاب که در سطح متوسطی از مدلهای سلسله مراتبی بیزی و کاربردهای آنها پرداخته است، مزایای رویکرد بیزی برای مجموعههای داده شامل استنتاج برای مجموعههای واحدها یا متغیرهای مرتبط، و در روشهایی که پارامترها را میتوان به عنوان مجموعههای تصادفی در نظر گرفت، نشان میدهد. این کتاب از طریق تجزیه و تحلیل داده های گویا و توجه به محاسبات آماری، اجرای عملی روش های سلسله مراتبی بیزی را تسهیل می کند. نسخه جدید بازبینی کتاب روش های سلسله مراتبی بیزی کاربردی است. تمرکز آن بر مدلسازی کاربردی و تجزیه و تحلیل دادهها است، اما اکنون از گزینههای محاسباتی بیزی کاملا مبتنی بر R استفاده میکند. این با یک فصل جدید در مورد رگرسیون برای اثرات علی و یک فصل در مورد گزینه ها و استراتژی های محاسباتی به روز شده است. این فصل اخیر به دلیل پیشرفت های اخیر در محاسبات و تخمین بیزی، از جمله توسعه jags و rstan، اهمیت ویژه ای دارد. همچنین دارای به روز رسانی در سراسر با نمونه های جدید است. مثالها از مزایای گستردهتر محیط محاسباتی R بهرهبرداری و نشان میدهند، در حالی که به خوانندگان اجازه میدهند مفروضات احتمال جایگزین، ساختارهای رگرسیون و مفروضات مربوط به تراکمهای قبلی را بررسی کنند. ویژگی ها: ارائه یک نمای کلی جامع و در دسترس از مدل سازی سلسله مراتبی بیزی کاربردی شامل نمونه های داده واقعی برای نشان دادن موضوعات مختلف مدل سازی کد R (بر اساس rjags، jagsUI، R2OpenBUGS، و rstan) در کتاب ادغام شده است، که بر گزینه های نرم افزار پیاده سازی و اصول کدگذاری تاکید دارد. در فصل جدید برنامه های محاسباتی و مجموعه داده های موجود در وب سایت کتاب معرفی شده اند.
An intermediate-level treatment of Bayesian hierarchical models and their applications, this book demonstrates the advantages of a Bayesian approach to data sets involving inferences for collections of related units or variables, and in methods where parameters can be treated as random collections. Through illustrative data analysis and attention to statistical computing, this book facilitates practical implementation of Bayesian hierarchical methods. The new edition is a revision of the book Applied Bayesian Hierarchical Methods. It maintains a focus on applied modelling and data analysis, but now using entirely R-based Bayesian computing options. It has been updated with a new chapter on regression for causal effects, and one on computing options and strategies. This latter chapter is particularly important, due to recent advances in Bayesian computing and estimation, including the development of rjags and rstan. It also features updates throughout with new examples. The examples exploit and illustrate the broader advantages of the R computing environment, while allowing readers to explore alternative likelihood assumptions, regression structures, and assumptions on prior densities. Features: Provides a comprehensive and accessible overview of applied Bayesian hierarchical modelling Includes many real data examples to illustrate different modelling topics R code (based on rjags, jagsUI, R2OpenBUGS, and rstan) is integrated into the book, emphasizing implementation Software options and coding principles are introduced in new chapter on computing Programs and data sets available on the book’s website.
Contents
Preface
1. Bayesian Methods for Complex Data: Estimation and Inference
2. Bayesian Analysis Options in R, and Coding for BUGS, JAGS, and Stan
3. Model Fit, Comparison, and Checking
4. Borrowing Strength via Hierarchical Estimation
5. Time Structured Priors
6. Representing Spatial Dependence
7. Regression Techniques Using Hierarchical Priors
8. Bayesian Multilevel Models
9. Factor Analysis, Structural Equation Models, and Multivariate Priors
10. Hierarchical Models for Longitudinal Data
11. Survival and Event History Models
12. Hierarchical Methods for Nonlinear and Quantile Regression