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: Faraway. Julian James, Wang. Xiaofeng, Yue. Yu سری: Chapman & Hall/CRC Computer Science & Data Analysis ISBN (شابک) : 9781498727259, 1351165747 ناشر: CRC Press سال نشر: 2018 تعداد صفحات: 325 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 19 مگابایت
کلمات کلیدی مربوط به کتاب مدل سازی رگرسیون بیزی با Inla: تحلیل رگرسیون، نظریه تصمیم گیری آماری بیزی، تبدیل لاپلاس، فرآیندهای گاوسی، ریاضیات -- کاربردی، ریاضیات -- احتمال و آمار -- عمومی
در صورت تبدیل فایل کتاب Bayesian Regression Modeling with Inla 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 سازی رگرسیون بیزی با Inla 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 به کاربردهای مدلهای رگرسیون پرکاربرد تحت چارچوب بیزی میپردازد. این روش بر استنتاج بیزی کارآمد از طریق تقریبهای لاپلاس تودرتوی یکپارچه (INLA) و تجزیه و تحلیل دادههای واقعی با استفاده از R تأکید میکند. روش INLA مستقیماً تقریبهای بسیار دقیقی را برای توزیعهای حاشیهای پسین محاسبه میکند و یک جایگزین امیدوارکننده برای الگوریتمهای زنجیره مارکوف مونت کارلو (MCMC) است. با مجموعه ای از مسائل که مانع استفاده عملی از مدل های بیزی می شود.
This book addresses the applications of extensively used regression models under a Bayesian framework. It emphasizes efficient Bayesian inference through integrated nested Laplace approximations (INLA) and real data analysis using R. The INLA method directly computes very accurate approximations to the posterior marginal distributions and is a promising alternative to Markov chain Monte Carlo (MCMC) algorithms, which come with a range of issues that impede practical use of Bayesian models.
Content: 1.Introduction Quick Start Hubble's Law Standard Analysis Bayesian Analysis INLA Bayes Theory Prior and Posterior Distributions Model Checking Model Selection Hypothesis testing Bayesian Computation Exact Sampling Approximation 2.Theory of INLA Latent Gaussian Models (LGMs) Gaussian Markov Random Fields (GMRFs) Laplace Approximation and INLA INLA Problems Extensions 3.Bayesian Linear Regression Introduction Bayesian Inference for Linear Regression Prediction Model Selection and Checking Model Selection by DIC Posterior Predictive Model Checking Cross-validation Model Checking Bayesian Residual Analysis Robust Regression Analysis of Variance Ridge Regression for Multicollinearity Regression with Autoregressive Errors 4.Generalized Linear Models GLMs Binary Responses Count Responses Poisson Regression Negative binomial regression Modeling Rates Gamma Regression for Skewed Data Proportional Responses Modeling Zero-inflated Data 5.Linear Mixed and Generalized Linear Mixed Models Linear Mixed Models Single Random Effect Choice of Priors Random Effects Longitudinal Data Random Intercept Random Slope and Intercept Prediction Classical Z-matrix Model Ridge Regression Revisited Generalized Linear Mixed Models Poisson GLMM Binary GLMM Improving the Approximation 6.Survival Analysis Introduction Semiparametric Models Piecewise Constant Baseline Hazard Models Stratified Proportional Hazards Models Accelerated Failure Time Models Model Diagnosis Interval Censored Data Frailty Models Joint Modeling of Longitudinal and Time-to-event Data 7.Random Walk Models for Smoothing Methods Introduction Smoothing Splines Random Walk (RW) Priors for Equally-spaced Locations Choice of Priors on s e and sf Random Walk Models for Non-equally Spaced Locations Thin-plate Splines Thin-plate Splines on Regular Lattices Thin-plate Splines at Irregularly-spaced Locations Besag Spatial Model Penalized Regression Splines (P-splines) Adaptive Spline Smoothing Generalized Nonparametric Regression Models Excursion Set with Uncertainty 8.Gaussian Process Regression Introduction Penalized Complexity Priors Credible Bands for Smoothness Non-stationary Fields Interpolation with Uncertainty Survival Response 9.Additive and Generalized Additive Models Additive Models Generalized Additive Models Binary response Count response Generalized Additive Mixed Models 10.Errors-in-Variables Regression Introduction Classical Errors-in-Variables Models A simple linear model with heteroscedastic errors-invariables A general exposure model with replicated measurements Berkson Errors-in-Variables Models 11.Miscellaneous Topics in INLA Splines as a Mixed Model Truncated Power Basis Splines O'Sullivan Splines Example: Canadian Income Data Analysis of Variance for Functional Data Extreme Values Density Estimation using INLA Appendix A Installation Appendix B Uninformative Priors in Linear Regression Index