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: 1st ed. 2021
نویسندگان: Gerhard Dikta. Marsel Scheer
سری:
ISBN (شابک) : 303073479X, 9783030734794
ناشر: Springer
سال نشر: 2021
تعداد صفحات: 266
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 14 مگابایت
در صورت تبدیل فایل کتاب Bootstrap Methods: With Applications in 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 روش های بوت استرپ: با برنامه های کاربردی در 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 مقدمه فشرده ای از روش بوت استرپ ارائه می دهد. علاوه بر نتایج کلاسیک در مورد تخمین نقطه و نظریه آزمون، مدلهای رگرسیون خطی چند متغیره و مدلهای خطی تعمیمیافته به تفصیل پوشش داده شدهاند. توجه ویژه به استفاده از روشهای راهانداز برای انجام تستهای برازش برای اعتبارسنجی مدل یا مفروضات توزیعی داده شده است. در برخی موارد، روشهای جدید برای اولین بار در اینجا ارائه میشوند.
متن با مثالهای عملی انگیزه میگیرد و پیادهسازی الگوریتمهای مربوطه همیشه مستقیماً در R به شکل قابلفهمی ارائه میشود. به طور کلی، R در سراسر اهمیت زیادی دارد. هر فصل شامل بخشی از تمرینها است و برای خوانندگانی که بیشتر به ریاضیات تمایل دارند، با اثباتهای دقیق پایان مییابد. مخاطب مورد نظر دانشجویان تحصیلات تکمیلی هستند که قبلاً از نظریه احتمالات و آمار ریاضی دانش قبلی دارند.
This book provides a compact introduction to the bootstrap method. In addition to classical results on point estimation and test theory, multivariate linear regression models and generalized linear models are covered in detail. Special attention is given to the use of bootstrap procedures to perform goodness-of-fit tests to validate model or distributional assumptions. In some cases, new methods are presented here for the first time.
The text is motivated by practical examples and the implementations of the corresponding algorithms are always given directly in R in a comprehensible form. Overall, R is given great importance throughout. Each chapter includes a section of exercises and, for the more mathematically inclined readers, concludes with rigorous proofs. The intended audience is graduate students who already have a prior knowledge of probability theory and mathematical statistics.
Preface Acknowledgements Contents Abbreviations 1 Introduction 1.1 Basic Idea of the Bootstrap 1.2 The R-Project for Statistical Computing 1.3 Usage of R in This Book 1.3.1 Further Non-Statistical R-Packages References 2 Generating Random Numbers 2.1 Distributions in the R-Package Stats 2.2 Uniform df. on the Unit Interval 2.3 The Quantile Transformation 2.4 The Normal Distribution 2.5 Method of Rejection 2.6 Generation of Random Vectors 2.7 Exercises References 3 The Classical Bootstrap 3.1 An Introductory Example 3.2 Basic Mathematical Background of the Classical Bootstrap 3.3 Discussion of the Asymptotic Accuracy of the Classical Bootstrap 3.4 Empirical Process and the Classical Bootstrap 3.5 Mathematical Framework of Mallow's Metric 3.6 Exercises References 4 Bootstrap-Based Tests 4.1 Introduction 4.2 The One-Sample Test 4.3 Two-Sample Tests 4.4 Goodness-of-Fit (GOF) Test 4.5 Mathematical Framework of the GOF Test 4.6 Exercises References 5 Regression Analysis 5.1 Homoscedastic Linear Regression under Fixed Design 5.1.1 Model-Based Bootstrap 5.1.2 LSE Asymptotic 5.1.3 LSE Bootstrap Asymptotic 5.2 Linear Correlation Model and the Bootstrap 5.2.1 Classical Bootstrap 5.2.2 Wild Bootstrap 5.2.3 Mathematical Framework of LSE 5.2.4 Mathematical Framework of Classical Bootstrapped LSE 5.2.5 Mathematical Framework of Wild Bootstrapped LSE 5.3 Generalized Linear Model (Parametric) 5.3.1 Mathematical Framework of MLE 5.3.2 Mathematical Framework of Bootstrap MLE 5.4 Semi-parametric Model 5.4.1 Mathematical Framework of LSE 5.4.2 Mathematical Framework of Wild Bootstrap LSE 5.5 Exercises References 6 Goodness-of-Fit Test for Generalized Linear Models 6.1 MEP in the Parametric Modeling Context 6.1.1 Implementation 6.1.2 Bike Sharing Data 6.1.3 Artificial Data 6.2 MEP in the Semi-parametric Modeling Context 6.2.1 Implementation 6.2.2 Artificial Data 6.3 Comparison of the GOF Tests under the Parametric and Semi-parametric Setup 6.4 Mathematical Framework: Marked Empirical Processes 6.4.1 The Basic MEP 6.4.2 The MEP with Estimated Model Parameters Propagating in a Fixed Direction 6.4.3 The MEP with Estimated Model Parameters Propagating in an Estimated Direction 6.5 Mathematical Framework: Bootstrap of Marked Empirical Processes 6.5.1 Bootstrap of the BMEP 6.5.2 Bootstrap of the EMEP 6.6 Exercises References Appendix A boot Package A.1 Ordinary Bootstrap A.2 Parametric Bootstrap A.3 Confidence Intervals Appendix B simTool Package Appendix C bootGOF Package Appendix D Session Info Index