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
دسته بندی: ریاضیات کاربردی ویرایش: 1 نویسندگان: Herbert I. Weisberg سری: ISBN (شابک) : 0470286393, 9780470286395 ناشر: سال نشر: 2010 تعداد صفحات: 367 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Bias and Causation: Models and Judgment for Valid Comparisons (Wiley Series in Probability and Statistics) 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 سوگیری و علیت: مدلها و قضاوت برای مقایسههای معتبر (سریهای ویلی در احتمال و آمار) 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.
منبعی بی نظیر برای شناسایی و مقابله با سوگیری در تحقیقات آماری در مورد تأثیرات علی آیا تلفن های همراه باعث سرطان می شوند؟ آیا برنامه درسی جدید می تواند پیشرفت دانش آموزان را افزایش دهد؟ تعیین علل واقعی چنین مشکلاتی، و تأثیرات آنها تا چه حد ممکن است، از موضوعات اصلی در تحقیقات در زمینه های مختلف مطالعاتی است. برخی از محققان بهشدت در نتیجهگیریهای علّی به جز در آزمایشهای تصادفیشده کاملاً کنترلشده تردید دارند، در حالی که برخی دیگر تهدیدات ناشی از منابع مختلف سوگیری را حتی در مطالعات مشاهدهای دقیقتر نادیده میگیرند. سوگیری و علت و معلولی، درمان کاملی از موضوع ارائه میکند و انواع مختلف سوگیریها را در چارچوبی مفهومی سازماندهی و روشن میکند. این کتاب به منابع مختلف سوگیری در مطالعات تطبیقی - اعم از تصادفی و مشاهدهای - میپردازد و راهنماییهایی را در مورد چگونگی پرداختن به آنها توسط محققان ارائه میکند. نویسنده با استفاده از یک رویکرد ریاضی نسبتاً ساده، نظریهای از سوگیری ایجاد میکند که ماهیت اساسی مسئله را مشخص میکند. و منابع مختلف سوگیری را که در تحقیقات مدرن با آن مواجه می شوند، شناسایی می کند. کتاب با مقدمه ای بر مطالعه استنتاج علی و مفاهیم و اصطلاحات مرتبط آغاز می شود. در مرحله بعد، مروری بر مسائل روش شناختی در هسته مشکلات ناشی از سوگیری ارائه می شود. فصلهای بعدی مفاهیم سوگیری انتخاب، مخدوشکننده، عوامل علّی میانی، و سوگیری اطلاعات را همراه با تحریف یک اثر علّی توضیح میدهند که میتواند زمانی ایجاد شود که مواجهه و/یا نتیجه با خطا اندازهگیری شود. این کتاب با یک طبقهبندی جدید از بیست منبع کلی سوگیری و توصیههای عملی در مورد اینکه چگونه مدلسازی ریاضی و قضاوت متخصص را میتوان برای دستیابی به معتبرترین نتیجهگیریهای علّی ترکیب کرد، به پایان میرسد. در سرتاسر کتاب، نمونههایی از حوزههای پزشکی، سیاست عمومی، و آموزش آمده است. در ارائه موضوعات مختلف گنجانده شده اند. علاوه بر این، شش مطالعه موردی دقیق، مثالهای عینی از اهمیت سوگیریها در تحقیقات روزمره را نشان میدهند. سوگیری و علیت، با نیاز به درک پایهای از آمار و نظریه احتمال، مکمل عالی برای دروس روشهای تحقیق و آمار کاربردی در مقطع کارشناسی ارشد است. و مقطع کارشناسی ارشد. این کتاب همچنین مرجع ارزشمندی برای محققین و متدولوژیست های فعال در زمینه های مختلف مطالعاتی است که با داده های آماری کار می کنند. این کتاب برنده جایزه PROSE 2010 برای ریاضیات از جوایز ناشران آمریکایی برای تعالی حرفه ای و علمی است.
A one-of-a-kind resource on identifying and dealing with bias in statistical research on causal effectsDo cell phones cause cancer? Can a new curriculum increase student achievement? Determining what the real causes of such problems are, and how powerful their effects may be, are central issues in research across various fields of study. Some researchers are highly skeptical of drawing causal conclusions except in tightly controlled randomized experiments, while others discount the threats posed by different sources of bias, even in less rigorous observational studies. Bias and Causation presents a complete treatment of the subject, organizing and clarifying the diverse types of biases into a conceptual framework. The book treats various sources of bias in comparative studies—both randomized and observational—and offers guidance on how they should be addressed by researchers.Utilizing a relatively simple mathematical approach, the author develops a theory of bias that outlines the essential nature of the problem and identifies the various sources of bias that are encountered in modern research. The book begins with an introduction to the study of causal inference and the related concepts and terminology. Next, an overview is provided of the methodological issues at the core of the difficulties posed by bias. Subsequent chapters explain the concepts of selection bias, confounding, intermediate causal factors, and information bias along with the distortion of a causal effect that can result when the exposure and/or the outcome is measured with error. The book concludes with a new classification of twenty general sources of bias and practical advice on how mathematical modeling and expert judgment can be combined to achieve the most credible causal conclusions.Throughout the book, examples from the fields of medicine, public policy, and education are incorporated into the presentation of various topics. In addition, six detailed case studies illustrate concrete examples of the significance of biases in everyday research.Requiring only a basic understanding of statistics and probability theory, Bias and Causation is an excellent supplement for courses on research methods and applied statistics at the upper-undergraduate and graduate level. It is also a valuable reference for practicing researchers and methodologists in various fields of study who work with statistical data.This book is the winner of the 2010 PROSE Award for Mathematics from The American Publishers Awards for Professional and Scholarly Excellence
Bias and Causation: Models and Judgment for Valid Comparisons......Page 2
Contents......Page 10
Preface......Page 14
CHAPTER 1: What Is Bias?......Page 20
1.1 APPLES AND ORANGES......Page 21
1.2 STATISTICS VS. CAUSATION......Page 22
1.3 BIAS IN THE REAL WORLD......Page 25
GUIDEPOST 1......Page 42
2.1 BIAS AND CAUSATION......Page 43
2.2 CAUSALITY AND COUNTERFACTUALS......Page 45
2.3 WHY COUNTERFACTUALS?......Page 51
2.4 CAUSAL EFFECTS......Page 52
2.5 EMPIRICAL EFFECTS......Page 57
GUIDEPOST 2......Page 65
CHAPTER 3: Estimating Causal Effects......Page 66
3.1 EXTERNAL VALIDITY......Page 67
3.2 MEASURES OF EMPIRICAL EFFECTS......Page 69
3.3 DIFFERENCE OF MEANS......Page 71
3.4 RISK DIFFERENCE AND RISK RATIO......Page 74
3.5 POTENTIAL OUTCOMES......Page 76
3.6 TIME-DEPENDENT OUTCOMES......Page 79
3.7 INTERMEDIATE VARIABLES......Page 82
3.8 MEASUREMENT OF EXPOSURE......Page 83
3.9 MEASUREMENT OF THE OUTCOME VALUE......Page 87
3.10 CONFOUNDING BIAS......Page 89
GUIDEPOST 3......Page 90
CHAPTER: 4 Varieties of Bias......Page 91
4.1 RESEARCH DESIGNS AND BIAS......Page 92
4.2 BIAS IN BIOMEDICAL RESEARCH......Page 100
4.3 BIAS IN SOCIAL SCIENCE RESEARCH......Page 104
4.4 SOURCES OF BIAS: A PROPOSED TAXONOMY......Page 109
GUIDEPOST 4......Page 111
5.1 SELECTION PROCESSES AND BIAS......Page 112
5.2 TRADITIONAL SELECTION MODEL: DICHOTOMOUS OUTCOME......Page 119
5.3 CAUSAL SELECTION MODEL: DICHOTOMOUS OUTCOME......Page 121
5.4 RANDOMIZED EXPERIMENTS......Page 123
5.5 OBSERVATIONAL COHORT STUDIES......Page 127
5.6 TRADITIONAL SELECTION MODEL: NUMERICAL OUTCOME......Page 130
5.7 CAUSAL SELECTION MODEL: NUMERICAL OUTCOME......Page 133
GUIDEPOST 5......Page 140
APPENDIX......Page 141
CHAPTER 6: Confounding: An Enigma?......Page 145
6.2 CONFOUNDING AND EXTRANEOUS CAUSES......Page 146
6.3 CONFOUNDING AND STATISTICAL CONTROL......Page 150
6.4 CONFOUNDING AND COMPARABILITY......Page 156
6.5 CONFOUNDING AND THE ASSIGNMENT MECHANISM......Page 158
6.6 CONFOUNDING AND MODEL SPECIFICATION......Page 160
GUIDEPOST 6......Page 163
CHAPTER 7: Confounding: Essence, Correction, and Detection......Page 164
7.1 ESSENCE: THE NATURE OF CONFOUNDING......Page 165
7.2 CORRECTION: STATISTICAL CONTROL FOR CONFOUNDING......Page 191
7.3 DETECTION: ADEQUACY OF STATISTICAL ADJUSTMENT......Page 199
GUIDEPOST 7......Page 210
APPENDIX......Page 211
8.1 DIRECT AND INDIRECT EFFECTS......Page 214
8.2 PRINCIPAL STRATIFICATION......Page 219
8.3 NONCOMPLIANCE......Page 228
8.4 ATTRITION......Page 233
GUIDEPOST 8......Page 234
CHAPTER 9: Information Bias......Page 236
9.1 BASIC CONCEPTS......Page 237
9.2 CLASSICAL MEASUREMENT MODEL: DICHOTOMOUS OUTCOME......Page 242
9.3 CAUSAL MEASUREMENT MODEL: DICHOTOMOUS OUTCOME......Page 249
9.4 CLASSICAL MEASUREMENT MODEL: NUMERICAL OUTCOME......Page 258
9.5 CAUSAL MEASUREMENT MODEL: NUMERICAL OUTCOME......Page 261
9.6 COVARIATES MEASURED WITH ERROR......Page 265
GUIDEPOST 9......Page 269
CHAPTER 10: Sources of Bias......Page 271
10.1 SAMPLING......Page 273
10.2 ASSIGNMENT......Page 279
10.3 ADHERENCE......Page 285
10.4 EXPOSURE ASCERTAINMENT......Page 288
10.5 OUTCOME MEASUREMENT......Page 292
GUIDEPOST 10......Page 296
CHAPTER 11: Contending with Bias......Page 298
11.1 CONVENTIONAL SOLUTIONS......Page 299
11.2 STANDARD STATISTICAL PARADIGM......Page 305
11.3 TOWARD A BROADER PERSPECTIVE......Page 307
11.4 REAL-WORLD BIAS REVISITED......Page 312
11.5 STATISTICS AND CAUSATION......Page 322
Glossary......Page 328
Bibliography......Page 340
Index......Page 359