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: نویسندگان: Ming T. Tan, Guo-Liang Tian, Kai Wang Ng سری: Chapman & Hall/CRC Biostatistics Series ISBN (شابک) : 142007749X, 9781420077490 ناشر: Chapman and Hall/CRC سال نشر: 2009 تعداد صفحات: 331 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 Mb
در صورت تبدیل فایل کتاب Bayesian Missing Data Problems: EM, Data Augmentation and Noniterative Computation () 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 مشکلات داده های گمشده بیزی: EM ، افزودن داده ها و محاسبه غیرتحریری () 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.
مسائل داده های گمشده بیزی: EM، تقویت داده ها و محاسبات غیرمجاز راه حل هایی را برای مشکلات داده های از دست رفته از طریق محاسبه نمونه گیری صریح یا غیر تکراری از پسین های بیزی ارائه می دهد. روشها بر اساس فرمولهای بیز معکوس هستند که توسط یکی از نویسندهها در سال 1995 کشف شد. با استفاده از رویکرد بیزی برای مسائل مهم دنیای واقعی، نویسندگان بر روی راهحلهای عددی دقیق، یک رویکرد نمونهگیری شرطی از طریق افزایش دادهها، و یک رویکرد نمونهگیری غیر تکراری تمرکز میکنند. از طریق الگوریتم های نوع EM.
پس از معرفی مسائل داده های گمشده، رویکرد بیزی، و محاسبات پسین، این کتاب به طور خلاصه الگوریتم های نوع EM، شبیه سازی مونت کارلو، تکنیک های عددی و روش های بهینه سازی را شرح می دهد. سپس راهحلهای عقبی دقیقی را برای مشکلات ارائه میکند، مانند عدم پاسخ در نظرسنجیها و آزمایشهای متقاطع با مقادیر گمشده. همچنین راهحلهای نمونهگیری غیرقابل تکراری برای مشکلات، مانند جداول احتمالی با حاشیههای تکمیلی، پاسخهای انبوه در نظرسنجیها، پواسون با تورم صفر، مدلهای گرفتن-بازگیری، مدلهای اثرات مختلط، مدل رگرسیون سانسور شده راست، و مدلهای پارامتر محدود ارائه میکند. متن با بحث در مورد سازگاری، یک مسئله اساسی در استنتاج بیزی، به پایان میرسد.
این کتاب یک درمان یکپارچه از مجموعهای از مشکلات آماری را ارائه میکند که شامل دادههای از دست رفته و پارامترهای محدود میشود. این نشان می دهد که چگونه رویه های بیزی می توانند در حل این مشکلات مفید باشند.
Bayesian Missing Data Problems: EM, Data Augmentation and Noniterative Computation presents solutions to missing data problems through explicit or noniterative sampling calculation of Bayesian posteriors. The methods are based on the inverse Bayes formulae discovered by one of the author in 1995. Applying the Bayesian approach to important real-world problems, the authors focus on exact numerical solutions, a conditional sampling approach via data augmentation, and a noniterative sampling approach via EM-type algorithms.
After introducing the missing data problems, Bayesian approach, and posterior computation, the book succinctly describes EM-type algorithms, Monte Carlo simulation, numerical techniques, and optimization methods. It then gives exact posterior solutions for problems, such as nonresponses in surveys and cross-over trials with missing values. It also provides noniterative posterior sampling solutions for problems, such as contingency tables with supplemental margins, aggregated responses in surveys, zero-inflated Poisson, capture-recapture models, mixed effects models, right-censored regression model, and constrained parameter models. The text concludes with a discussion on compatibility, a fundamental issue in Bayesian inference.
This book offers a unified treatment of an array of statistical problems that involve missing data and constrained parameters. It shows how Bayesian procedures can be useful in solving these problems.